Anzeige
Anzeige
Beitrag drucken

Software entwickeln mit Low Code, No Code und GPT-3

Domänenwissen schlägt Coding-Skills

No-Code-Robotik und No-Code-AI bei BMW

Wie das in der Praxis gehen kann, zeigt etwa der Automobilhersteller BMW. In einer Fertigungslinie in Dingolfing setzt er mit Unterstützung des Dresdner IIoT-Spezialisten Robotron und des ebenfalls aus Dresden stammenden Unternehmens Wandelbots auf deren No-Code-Plattformen für Industrial Computer Vision und Roboter-Teaching. Die Einführung der Plattform ist die Antwort auf die Herausforderung, den regelmäßigen Austausch einzelner Komponenten in der Fahrzeugfertigung und die damit verbundenen Anpassungen in der Qualitätskontrolle schneller und einfacher zu gestalten.

Normalerweise sind die Roboter in der industriellen Fertigung nicht zuerst auf Flexibilität ausgelegt, sondern eher darauf, immer wieder dieselben präzisen Bewegungen zuverlässig auszuführen. Für die Produktion sind sie damit aber immer häufiger zu unflexibel, denn nicht nur der Fahrzeugbau verlangt heute mehr und mehr nach individuellen Lösungen. Die No-Code-Softwareplattform von Wandelbots erfasst zum Beispiel über das handgeführte Eingabegerät TracePen einen gezeichneten Pfad, der die neuen Bewegungen des Roboters abbildet, visualisiert ihn für die weitere Anpassung in einer iPad-App und kann damit Präzision im Submillimeterbereich erreichen. Dieser Pfad wird anschließend im Hintergrund und ohne Codierung in die Programmiersprache des jeweiligen Roboters übersetzt und an dessen Controller übertragen. Und weil gerade große Unternehmen auf komplexe Zertifizierungsrichtlinien für ihren Code angewiesen sind, ermöglicht die Plattform auch die Definition von unternehmensspezifischer Codegenerierung.

Außerdem sind die Arme des Roboters für die automatisierte Qualitätskontrolle mit einer Kamera ausgestattet, die mit Unterstützung von KI-Modellen prüft, ob die gefertigten Bauteile den Qualitätssicherungsstandards entsprechen. Für die Erstellung dieser KI-Modelle sind die Roboter an die Softwareplattform für Realtime Computer Vision (RCV) des Digitalisierungsspezialisten Robotron Datenbank-Software GmbH angeschlossen. Robotron automatisiert die Ermittlung relevanter Informationen und den RCV-Workflow über Microsoft Azure MLOps (Machine Learning Operations).

Mit der Industrial-AutoML-Lösung demokratisiert Weidmüller das Machine Learning (Bild: Weidmüller Interface GmbH & Co. KG)

Mit der Industrial-AutoML-Lösung demokratisiert Weidmüller das Machine Learning (Bild: Weidmüller Interface GmbH & Co. KG)

Zwei positive Effekte

Die Umstellung auf das lernfähige No-Code-System verringert die Zeit vollautomatisierter robotergeführter Qualitätsprüfungen drastisch: Heute wird bis zu 15-mal weniger Zeit gebraucht. Zudem liegt das so generierte Wissen in einer generalisierten und kommunizierbaren Form vor, so dass die Modelle über die Cloud weltweit kollaborativ genutzt werden können.

KI-Use Case in einer Stunde

Datenbasierte Services sorgen mit steigender Tendenz für Differenzierung am Markt. Je stärker aber Daten in den Mittelpunkt rücken, desto wichtiger werden ihre unkomplizierte Analysen – im Idealfall durch die Leute mit Domänenwissen, aber ohne Programmierkenntnisse. Die Weidmüller Gruppe aus dem westfälischen Detmold hat sich mit ihrer AutoML-Lösung genau dieses Ziel gesetzt, um maschinelles Lernen (ML) in der Industrie breiter zu etablieren. Weidmüller hat die eigene Anwendung für das maschinelle Anlernen von Algorithmen so vereinfacht, dass Arbeitskräfte mit Domänenwissen ohne Hilfe von IT- oder Daten-Fachleuten KI-Lösungen eigenständig realisieren können. Diese Fachleute können in weniger als einer Stunde ein erstes Machine-Learning-Modell für ihren Use Case erstellen und auf der Maschine ausführen. Speziell für KI ausgebildete Data Scientists hatten früher für dieselbe Aufgabe mehrere Wochen bis Monate im Rahmen von speziellen Projekten gebraucht.

Technik demokratisieren

Grundlage solcher Modelle ist eine von Weidmüller entwickelte automatisierte Machine-Learning-Lösung, Industrial AutoML, die für Anwendungsfälle wie Anomalie-Erkennung, Klassifizierung und kontextbezogene Entscheidungsfindung trainiert werden kann. Weidmüller nutzt dafür eine Kombination von Services aus der Microsoft-Cloud, um Daten von jedem Ort zu sammeln, zu integrieren und zu speichern – und vor allem aber, um sie sicher in der Cloud verarbeiten zu können. Bei der Erstellung von KI- und ML-basierten Modellen führt die Weidmüller-Software über sogenannte Guided Analytics durch den Prozess, fragt Domänenwissen ab und übersetzt es in eine Machine-Learning-Anwendung. So entsteht in der Kombination von ML und Fachwissen ein qualitativ hoch angereicherter Datensatz, auf dem das Training, die Optimierung und die Validierung alternativer ML-Modelle automatisch erfolgen. Für den Start reichen normalerweise schon wenige Megabytes an Trainingsdaten, um zumindest den Use Case eines KI-Modells zu evaluieren. Wieviel Daten insgesamt für das Training der Algorithmen notwendig sind, hängt von vielen unterschiedlichen und individuellen Faktoren ab, etwa von der Abstraktheit der Daten und der Häufigkeit der Anomalien.

Entwicklung braucht Strategie und Struktur

Auch wenn die Low-Code- und No-Code-Ansätze heute schon weit entwickelt sind: Unternehmen brauchen für ihre Digitalisierungsbemühungen immer noch ihr tiefgehendes Spezialwissen aus den eigenen Prozessen und Kundenbeziehungen. Doch wenn sich dieses Domänenwissen durch einfach zu entwickelnde Software abbilden lässt, bekommen Unternehmen neue Möglichkeiten für die Suche nach Digitalisierungsexperten: Dann nämlich sind diese Fachleute bereits im Unternehmen aktiv, und sie kennen sich sehr gut aus. Der Rest ergibt sich durch die Werkzeuge und Plattformen, die das Coden übernehmen. Eines sollte dabei nicht vergessen werden: Auch die Software-Entwicklung ohne Code oder mit ganz wenig Programmierung braucht Strukturen, Strategien und Methoden, die mit ihren Buzzwords wie Scrum, Agilität oder Design Thinking hier nur erwähnt werden können. Darüber sollte – bei aller Freude über den einfachen Einstieg – auch bei jedem Unternehmen ausreichend Klarheit bestehen.

RCV-Labeltool zum Auszeichnen prüfrelevanter Objekte (Bild: Robotron Datenbank-Software GmbH)

RCV-Labeltool zum Auszeichnen prüfrelevanter Objekte (Bild: Robotron Datenbank-Software GmbH)


Das könnte Sie auch interessieren:

Wer Produktion und Logistik in einer Echtzeit-Visualisierung abbildet, kann niedrigschwellig in die digitale Transformation einsteigen und viel Papier aus dem Shopfloor bannen. Ergänzt um zentrale MES-Funktionen lassen sich solche Visualisierungssysteme zur Operational Excellence-Plattform ausprägen, die bei fortlaufenden Prozessoptimierungen unterstützt.‣ weiterlesen

Industrielle Trends wie IIoT und Digitalisierung setzen immense Datenströme voraus. Doch im Gegensatz zur IT-Security für Büros müssen Fabrikbetreiber auf wesentlich mehr Stolpersteine achten, damit ihre Anlagen nicht schon einfachen Angriffen zum Opfer fallen.‣ weiterlesen

Ab und zu fehlte ein Schlüssel im Kloster der Franziskanerinnen der ewigen Anbetung von Schwäbisch Gmünd. Beim letzten Mal gab das den Impuls, anstatt neue mechanische Zylinder in die rund 220 Türen des Komplexes einzubauen, die alte Technik durch das Bluesmart-System von Winkhaus zu ersetzen.‣ weiterlesen

Mit 100,5 Punkten hält sich das IAB-Arbeitsmarktbarometer im November stabil und liegt weiter im leicht über der neutralen Marke. Auf europäischer Ebene sank der Frühindikator allerdings erneut.‣ weiterlesen

In einer neuen Expertise des Forschungsbeirats Industrie 4.0 untersuchen das FIR an der RWTH Aachen und das Industrie 4.0 Maturity Center den Status-quo und die aktuellen Herausforderungen der deutschen Industrie bei der Nutzung und wirtschaftlichen Verwertung von industriellen Daten und geben Handlungsempfehlungen für Unternehmen, Verbände, Politik und Wissenschaft.‣ weiterlesen

Im Forschungsprojekt FabOS soll eine KI-Bin-Picking-Anwendung entstehen, die ein verbessertes Erkennen, Greifen und definiertes Ablegen von Blechteilen in der Produktion ermöglicht.‣ weiterlesen

Die Digitalisierung des Qualitätsmanagements stellt Unternehmen vor Herausforderungen. Daher haben das Fraunhofer IPT und die FH Südwestfalen im Forschungsvorhaben 'Qbility - Quality 4.0 Capability Determination Model' ein datengetriebenes Reifegradmodell entwickelt, das die Anforderungen eines digitalisierten Qualitätsmanagements bei KMU adressiert.‣ weiterlesen