MPDV: Standard für Künstliche Intelligenz Mit KI schneller und besser entscheiden

Anbieter zum Thema

MPDV Schweiz AG

FACTUREE - Der Online-Fertiger

Künstliche Intelligenz gab es bislang nur als individuelles Projekt. Um Kosten und Aufwand im Rahmen zu halten, braucht es aber eine Software «out of the box», also einen Standard, der möglichst unverzüglich einsatzbereit ist.

Sowohl im Alltag als auch in der Smart Factory mehren sich die Anwendungsfälle für Künstliche Intelligenz (KI). Allerdings scheuen sich gerade kleine und mittelständische Unternehmen, KI einzusetzen, da dies bisher mit erheblichem Aufwand und mit hohen Kosten verbunden war. Doch sollten sie fortlaufend die Entwicklung beobachten. Zunehmend stehen Systeme zur Verfügung, die ohne individuellen Aufwand für eine Vielzahl an Anwendungen eingesetzt werden können.

Interesse historisch

Der Traum, dass eine Maschine intelligente Entscheidungen trifft, existiert schon länger, als es Computer im heutigen Sinne gibt. Erste Ansätze, die sich mit der heutigen Technologie vergleichen lassen, stammen aus den 1950er Jahren. Einen wahren Boom erlebt KI jedoch erst seit einigen Jahren, da die Computer nun leistungsstark genug sind und sukzessive auch die Akzeptanz für den Einsatz von KI gestiegen ist. Den jüngsten Hype erleben wir aktuell mit ChatGPT und ähnlichen oder darauf basierenden Angeboten. Der Weg, Künstliche Intelligenz als Standardprodukt in der Smart Factory zu nutzen, scheint aber noch weit zu sein.

Bildergalerie

Datenvielfalt erforderlich

Warum kann man Künstliche Intelligenz nicht einfach zuschalten wie den LED-Blitz am Handy, der zumindest im näheren Umfeld eine bessere Belichtung verspricht? Ein Blick hinter die Kulissen sorgt für Klarheit. Im Jahr 1996 wurde ein branchenübergreifendes Standardvorgehen für den Umgang mit grossen Datenmengen entwickelt, das auch heute noch in KI-Projekten genutzt wird – Cross Industry Standard for Data Mining (CRISP-DM). Darin ist anwendungsneutral beschrieben, was getan werden muss, bevor man aus grossen Datenmengen einen Nutzen ziehen kann. Hierbei sind sechs Phasen zu durchlaufen, die sich teilweise überlappen beziehungsweise bedingen.

• Geschäftsverständnis (Business Understanding)

• Datenverständnis (Data Understanding)

• Datenvorbereitung (Data Preparation)

• Modellierung (Modeling)

• Evaluierung (Evaluation)

• Bereitstellung (Deployment)

Vorarbeit automatisieren

Insbesondere die Phasen vor der Modellierung – also das Aufbereiten der Daten – beanspruchen einen grossen Teil der Zeit und der Kosten in typischen KI-Projekten. Und diesen meist manuellen Aufwand muss ein Data Scientist für jedes Projekt von Neuem betreiben. Ist ein KI-Modell fertig, so kann es ausgerollt und solange genutzt werden, bis sich die Rahmenbedingungen so weit geändert haben, dass das Modell überarbeitet oder erweitert werden muss. Denn wie von ChatGPT bekannt ist, lernt ein KI-System nicht per se kontinuierlich dazu. Ideal und kostensparend wäre es, wenn man sowohl das Erstellen als auch das Erweitern von KI-Modellen ganz einfach automatisieren könnte – also quasi Automated Data Science. Man kann die Daten aber auch so zur Verfügung stellen, dass die Phasen eins bis drei überflüssig werden und sofort mit dem Modellieren begonnen werden kann.

Datenbasis standardisieren

Daten in einer homogenen Form bereitzuhalten, gehört zu den Kernaufgaben der modernen Fertigungs-IT. Die Schlagworte lauten Integrationsplattform und semantisches Datenmodell. Sind also alle Daten in einer gemeinsamen Plattform semantisch abgelegt, so ist es ein Leichtes, dass KI-Software darauf zugreift und diese zur Modellbildung verwendet. Die Manufacturing Integration Platform (MIP) von MPDV ist eine solche Integrationsplattform, die als gemeinsame Datenbasis genutzt werden kann.Vergleichbar mit dem Entwickeln browserbasierter Computerspiele kann man immer neue Szenarien aufbauen, die auf den stets gleichen Prinzipien basieren. Um im Vergleich auch das zu veranschaulichen: Für die Spiele-Engine ist es nicht relevant, ob man eine Weltraumstation konstruiert und Rohstoffe fremder Planeten abbaut oder einen mittelalterlichen Bauernhof mit angeschlossener Viehzucht betreibt. In beiden Fällen gibt es Wohngebäude, Produktionsstätten, Rohstoffe und eine Art von Währung, mit der man alles handeln kann, was benötigt wird. Die dahinterliegende Datenbasis ist also gleich, es wird lediglich unterschieden, wofür diese Daten verwendet werden. Eine Integrationsplattform für die Fertigung enthält umfangreiche Daten, die von unterschiedlichen Anwendungen genutzt und verarbeitet werden. Ob man nun die Nutzgrade einer Maschine analysiert oder vorhersagt, wie lange die Rüstzeit bei einem Wechsel auf unterschiedliche Bauteile sein wird, ist für die Plattform erstmal irrelevant. Die semantische Ablage der Daten stellt sicher, dass jede Anwendung die Daten versteht und für den jeweiligen Zweck nutzen kann. Damit ist der Weg frei für Standardanwendungen.

Auch für eine KI-Engine ist nicht relevant, wofür gesammelte Daten genutzt werden. Das Prinzip ist immer gleich. Zunächst analysiert die Software historische Daten. Dann erkennt die KI darin Muster und ermittelt Einflussfaktoren. Anhand dieser Erkenntnisse kann die KI schliesslich Zusammenhänge visualisieren, alternativ auch auf Basis der Erkenntnisse Vorhersagen treffen.

Nutzen für Smart Factory

Beispielsweise bei der Feinplanung von Aufträgen, Werkzeugen und Mitarbeitenden kann Künstliche Intelligenz in der Smart Factory für mehr Effizienz und in Summe für mehr Wettbewerbsfähigkeit sorgen. Dank KI-Unterstützung werden Produktionskosten gesenkt, die Termintreue gesteigert und die vorhandenen Ressourcen optimal eingesetzt. Wenn alle benötigten Daten dafür strukturiert und semantisch geordnet vorliegen, kann eine solche Planungsanwendung Szenarien aller Art planen. Dabei ist unerheblich, ob ein grosser Kunststoffhersteller seine 800 Spritzgiessmaschinen planen möchte oder ein kleiner Metallverarbeiter zehn Pressen, ein CNC-Bearbeitungszentrum und 20 Handarbeitsplätze. Gleiches gilt für die KI-basierte Analyse von Ausschuss oder Nutzgraden. Der KI-Algorithmus analysiert die historischen Daten, erkennt Einflussfaktoren und stellt diese in einer Form dar, dass der Benutzer mit seinem Domänenwissen zielführende Schlüsse daraus ziehen kann. Solange die zur Verfügung gestellten Daten alle nach dem gleichen Prinzip aufgebaut sind, kann die KI damit arbeiten und liefert Ergebnisse, die anschliessend gleich wie die Eingangsdaten betrachtet werden können.

Qualität voraussagen

Predictive Quality basiert auf der Erfahrung, dass es auch dann zu Ausschuss oder Nacharbeit kommen kann, wenn sich alle Prozessparameter innerhalb der jeweils gültigen Toleranzgrenzen bewegen. Grund dafür sind komplexe Zusammenhänge und Wechselwirkungen, die auf die eigentliche Fertigungstechnologie zurückzuführen sind. In der Praxis werden verschiedene Prozesswerte zusammen mit der Qualitätseinstufung als Basis dafür verwendet, zu entscheiden, mit welcher Wahrscheinlichkeit das aktuell produzierte Produkt ein Gutteil wird oder Ausschuss. Dafür braucht es eine repräsentative Sammlung von Daten. Diese soll ein möglichst breites Feld an Prozessdaten enthalten, die sich mit dazu passenden Qualitätsdaten korrelieren lassen. Wichtig ist dabei, dass die erfassten Prozesswerte synchron mit den Qualitätseinstufungen sind. Neben der reinen Masse der erfassten Daten ist auch die Vielfältigkeit entscheidend für die Zuverlässigkeit der späteren Vorhersagen. Je deutlicher sich die einzelnen Prozesswerte innerhalb ihrer zulässigen Toleranzen verändern und je mehr Kombinationen unterschiedlicher Extremwerte erfasst werden, desto besser.

Aus der Gesamtheit der Daten entwickelt die Künstliche Intelligenz ein Vorhersagemodell, das mit den aktuellen Prozessdaten gefüttert werden kann. Das Ergebnis ist dann einerseits eine Qualitätseinstufung und andererseits eine Wahrscheinlichkeit dafür, dass diese Einstufung richtig ist. Anschliessend liegt es in der Verantwortung des Menschen, zu entscheiden, was mit den Ergebnissen gemacht wird.

Software analysiert, Mensch bewertet

Man könnte zum Beispiel alle Bauteile, die mit mehr als 60 Prozent Wahrscheinlichkeit Ausschuss sind, sofort recyceln oder explizit prüfen und Bauteile, die zu mehr als 90 Prozent als akzeptiert bewertet werden, ungeprüft ausliefern. Je nach Branche und Wertigkeit der hergestellten Produkte könnten die Ergebnisse aus Predictive Quality aber auch ganz anders verwendet werden. Diese Entscheidung kann uns die Künstliche Intelligenz nicht abnehmen – wohl aber die Analyse der Daten und die Vorhersage von Ergebnissen. Zum Vergleich kann man eine Standardsoftware heranziehen, zum Beispiel die Tabellenkalkulation Excel. Die Software zeigt Tabellen und bunte Diagramme, unabhängig von Zusammenhängen zur Herkunft der Daten. Was wir auf Basis dieser Daten machen, ist nicht Aufgabe der Tabellenkalkulation. Dafür ist es der Software gleichgültig, welche Art von Daten wir analysieren und visualisieren – es ist und bleibt eine Standardsoftware. Gleiches gilt für Standardsoftware für KI.

Vielfältiger Nutzen für Smart Factory

Den jeweiligen Einsatz und den Zweck, den KI in einer Fertigung erfüllen soll, muss jedes Unternehmen individuell eruieren und diskutieren. Die Software AI Suite von MPDV kann dazu beitragen, den jeweils optimalen Nutzen aus der KI-Anwendung zu erhalten. Die Standard-Software AI Suite enthält acht unterschiedliche Anwendungsbereiche. Die aufgeführten Anwendungen nutzen Daten aus der Manufacturing Integration Platform (MIP) und können daher unverzüglich eingesetzt werden.

• AI Planning: Produktionskosten senken und Termintreue durch eine optimale Planung steigern.

• AI Workforce Planning: Verfügbare Personalkapazitäten anhand ihrer Qualifikationen optimal einsetzen.

• AI-based Setup Time Prediction: Realistische Vorgabewerte ermitteln und damit Planungsergebnisse verbessern.

• AI-based Scrap Analysis: Zusammenhänge, die zu Ausschuss führen, erkennen und verstehen.

• AI-based Capacity Utilization Analysis: Schwankende Nutzgrade einzelner Maschinen erklären.

• AI-based Setup Rate Analysis: Einflussfaktoren auf den Rüstgrad einzelner Maschinen ermitteln.

• AI-based Resource Performance Account Analysis: Betriebsmittelkonten gezielt analysieren.

• Predictive Quality: Qualität von Produkten vorhersagen. (kmu) SMM

(ID:49777085)