Anwendungen der Künstlichen Intelligenz in der Industrie
Wie wir Ihnen bereits in früheren Beiträgen erläutert haben, umfasst Künstliche Intelligenz (KI) jene technologischen Entwicklungen, die Maschinen Verhaltensweisen ermöglichen, die denen des Menschen ähneln. Es lassen sich motorische Fähigkeiten simulieren – etwa Roboterarme in Montagelinien – oder kognitive Fähigkeiten in Systemen, die mit ihrer Umgebung interagieren und Probleme anhand interpretierter Variablen lösen können, wie z. B. Bilderkennungssysteme. Anders gesagt: Künstliche Intelligenz nimmt die Realität, für die sie programmiert wurde, über Daten wahr und analysiert sie, um auf Basis ihrer Interpretationen automatisch zu reagieren. Wie sich erahnen lässt, sind die Anwendungen in der Industrie unzählig und bieten wichtige Vorteile in Bezug auf Effizienz, Produktivität, Rentabilität, Qualität und Prozessoptimierung. Sehen wir uns einige davon an:
Maschinelles Sehen
Ein Teilbereich der Künstlichen Intelligenz, das Machine Learning, und darin insbesondere die Entwicklung konvolutionaler neuronaler Netze aus dem Deep Learning, ermöglicht es, dass Computer Bilder „lesen“, abweichende Elemente erkennen und sie anhand erlernter Muster klassifizieren – also ein maschinelles Sehen zu schaffen. Nehmen wir ein Beispiel, um es besser zu verstehen.
Dank Deep Learning können wir Überwachungssysteme für große Flächen entwickeln. In diesen Fällen kennen die Maschinen das Idealbild der Anlagen sowie die Elemente, die sich darin befinden können, und melden anomale Ereignisse in dem Moment, in dem sie erkannt werden. Wenn eine Kamera auf eine große Hafenfläche für RO-RO gerichtet ist, weiß das System, dass dort Autos sein können und wo sie sich typischerweise befinden. Würde in den von den Sichtsystemen erfassten Bildern beispielsweise eine Rauchwolke erscheinen, erkennt das System dies als Eindringen und löst ein Alarmsignal aus – mit einer probabilistischen Identifikation des erfassten Fremdelements.
Doch es gibt noch einen Schritt weiter: Die Maschinen werden trainiert und lernen, indem sie ihre Datenbanken im Zuge der Arbeit mit neuen Bildern selbst anreichern, wodurch ihr Beitrag immer effizienter wird. Wie wir sehen, ist der Nutzen dieser Art von KI-Anwendung enorm und lässt sich – auf derselben Grundlage – auch auf die Instandhaltung großer Infrastrukturen (Straßen, Schienennetze, Hochspannungsleitungen, Transport von Kohlenwasserstoffen …), auf die Erkennung und Klassifizierung von Elementen auf Förderbändern, auf Qualitätskontrollen oder die Überwachung riesiger Naturflächen (Forstunternehmen, Bewertung von Katastrophen, Flächenkontrolle …) übertragen, um nur einige weitere Anwendungsfälle zu nennen.
Vorausschauende Instandhaltung
Eine weitere Anwendung, bei der die Vorteile der Künstlichen Intelligenz in der Industrie besonders deutlich sind, ist die vorausschauende Instandhaltung. Industriemaschinen sind ein lebenswichtiger Unternehmenswert. Von ihrer Leistungsfähigkeit hängen Produktivität und damit die Rentabilität von Organisationen ab.
Störungen und Verschleiß sind bei jedem Gerät oder jeder Anlage unvermeidlich. Der Dauerbetrieb und die Notwendigkeit, unter festgelegten Parametern zu leisten, erfordern effiziente Instandhaltungsstrategien, die Stillstandszeiten reduzieren und die zu ersetzenden Teile – und damit die erforderliche Investition – optimieren.
In diesem Zusammenhang haben neue disruptive Technologien, begleitet von der Entwicklung und Kostensenkung in der Sensorik, einen Riesenschritt ermöglicht: den Sprung von der präventiven zur vorausschauenden Instandhaltung. Und was bedeutet das? Möglichen Ausfällen oder Leistungseinbußen der Maschinen zuvorzukommen und Korrekturmaßnahmen frühzeitig umzusetzen, wodurch die Zeit minimiert wird, in der Maschinen nicht betriebsfähig sind.
Dank der Analyse und Interpretation der Daten, die direkt aus den Geräten gewonnen werden (Wärme, Vibration, Geschwindigkeit, Betriebsstunden …), lassen sich bereits in frühen Phasen Warnhinweise auf Abweichungen vom optimalen Betrieb ableiten. Diese schnelle Fehlererkennung ermöglicht es, Korrekturmaßnahmen genau dann umzusetzen, wenn sie tatsächlich erforderlich sind; festgelegte Wartungspläne – und damit unnötige Eingriffe – zu eliminieren; und große Ausfälle zu vermeiden, die deutlich längere Stillstandszeiten nach sich ziehen.
Nachfrageprognose
Auf derselben Grundlage wie beim vorherigen System – dem Antizipieren dessen, was passieren wird – finden wir Werkzeuge zur Nachfrageprognose. Wie der Name schon sagt, beziehen sich die Zukunftsschätzungen in diesem Fall auf die zu erwartenden Verkäufe. Wenn man den voraussichtlichen Abverkauf von Artikeln im Voraus kennt, vereinfacht und effizienter macht das so komplexe Abläufe wie das Lagermanagement und bringt die Bestandsoptimierung auf ein Höchstmaß an Wirksamkeit.
Um Prognosen zu erstellen und auf Basis ihrer Ergebnisse zu arbeiten, werden interne und externe Unternehmensdaten (Verkaufshistorien, Markttrends, Lieferzeiten der Lieferanten, Umschlagkennzahlen usw.) zusammengeführt und mit prädiktiven Algorithmen verarbeitet, um ein zukünftiges Nachfrageszenario für unsere Produkte zu erhalten – angepasst an die Realität von Unternehmen und Branche.
So wird das Lagermanagement mit Kenntnis der unmittelbaren und zukünftigen Bedarfe deutlich einfacher und effizienter. Und das ist kein bloßer Werbeslogan. Diese Systeme ermöglichen es, den Bestand anzupassen und sowohl Fehlbestände als auch Überbestände zu vermeiden – beides mit erheblichen wirtschaftlichen Auswirkungen: Ersteres durch Kundenverlust, Letzteres durch gebundenes Kapital und das Risiko der Obsoleszenz von Artikeln.
Darüber hinaus ist es in Tools wie Purchases, unserem eigenen Assistenten, den wir am besten kennen, möglich, Prozesse zu automatisieren, um direkte Einkaufsvorschläge zu erhalten – basierend auf dem aktuellen und zukünftigen Bedarf, dem aktuellen Bestand, der Reaktionsfähigkeit der Lieferanten … – und Alarme zu parametrisieren, um die Prozessleistung zu steigern. Alle Informationen werden zudem in visuellen und intuitiven Dashboards dargestellt, sodass Sie alle notwendigen Informationen auf einen Blick analysieren können.
Fazit
Wie wir sehen, ist Künstliche Intelligenz zu einer der besten Unterstützungen geworden, die die Industrie haben kann. Ihre Anwendungen sind unzählig; wir haben nur drei davon hervorgehoben, doch sie lässt sich in allen Tätigkeitsbereichen jeder Branche einsetzen, um zahlreiche Aufgaben zu verbessern. Unternehmen, die wettbewerbsfähig sein wollen, müssen auf Künstliche Intelligenz setzen, um ihre Prozesse zu optimieren. Vor einigen Jahren konnte es noch so wirken, als sei ihre Implementierung nur etwas für große Konzerne – doch das ist weit von der Realität entfernt: Heute können Unternehmen jeder Größe von ihren enormen Potenzialen profitieren.