Ressourceneffizienz, vereinfachte Qualitätskontrollen, weniger CO2-Emmissionen – der Nutzen, den sich Produktionsunternehmen von der Digitalisierung versprechen, ist groß. Auch mit Hinblick auf die lockenden Wettbewerbsvorteile und den herrschenden Fachkräftemangel stehen automatisierte Prozesse und intelligente Maschinen in der Branche hoch im Kurs. Dennoch scheitern immer viele Projekte an der Umsetzung. Davon betroffen sind viele Tools und Methoden aus den Bereichen künstliche Intelligenz und maschinelles Lernen. Wie kann die Operationalisierung gelingen? Für die Antwort müssen Unternehmen einen Schritt zurückgehen.
Ohne solides Fundament geht es nicht
Der Transformationsprozess beginnt mit einer holistischen Betrachtung des Unternehmens – denn das besteht aus mehr als nur einzelnen Fertigungslinien. Bevor State-of-the-Art-Technologien zum Einsatz kommen, ist die Digitalisierung der Prozesse sinnvoll. Wo gibt es Abläufe, die Mitarbeitende manuell erledigen? Sind Datensilos oder ein Flaschenhals beim Informationsaustausch entstanden? Wie bei dem Bau eines Gebäudes entscheidet ein gut geplantes und solide konstruiertes Fundament über den späteren Erfolg einer Digitalstrategie und den darauf aufbauenden Technologien zur Automatisierung.
Erst den Prozess, dann die Automatisierung
Ein Zukaufen von KI-Tools nach Best-of-Breed-Manier ist daher meist nicht nur zu kurz gedacht, sondern im Kontext einer übergeordneten Strategie auch kontraproduktiv. Sinnvoller ist eine umgekehrte Herangehensweise: die abteilungsübergreifende Digitalisierung einzelner Prozesse – vom Einkauf und dem Personalwesen über die Lagerlogistik bis hin zu Vertrieb und der eigentlichen Produktionslinie. Erkennen Unternehmen bei diesem Schritt einzelne Abläufe, die von KI- oder ML-Lösungen profitieren, ist eine Umsetzung denkbar.
Beispiele aus der Praxis sind Anwendungen aus dem Bereich Computer Vision, mit denen die Software mit Kameras die Fertigung von Bauteilen überwacht. Dabei handelt es sich allerdings nur um einen einzelnen Prozess innerhalb der gesamten Qualitätssicherung – sie decken damit nur einen kleinen Teilbereich ab. Voraussetzung für einen umfassenden Einsatz im Rahmen einer übergeordneten Strategie ist die Digitalisierung der gesamten Prozesskette.
Die Qual der Wahl
Der Markt für KI- und ML-Produkte boomt, auch produzierende Unternehmen sehen sich schnell einer recht unüberschaubaren Auswahl gegenüber. Bei der Frage, welches Angebot für die eigenen Anforderungen sinnvoll ist, hilft die übergeordnete Frage nach den ausgerufenen Zielen sowie Definition von KPIs. Die Manufacturing-Branche hat darauf viele mögliche Antworten: Produktionsvolumen, Kosten, Downtime der Anlagen oder Mangelware sind dabei nur einige Beispiele für konkrete Zahlen entlang der Fertigungslinie. Mit den verpflichtenden ESG-Reports werden in Zukunft aber auch andere Faktoren immer wichtiger, etwa die Arbeitssicherheit, die Ressourceneffizienz oder der eigene ökologische Fußabdruck. KI und ML können in diesem Bereich unterstützen, etwa mit Lösungen der Anomaly Detection, einem Teilbereich der Predictive Maintenance. Dabei misst die Software verschiedene Parameter, wie Temperatur oder Vibration, und vergleicht sie mit vorgegebenen Normwerten. Entdeckt das System Abweichungen, können Unternehmen zügig Gegenmaßnahmen einleiten, bevor beispielsweise Produktionsanlagen aufgrund von Schäden längere Zeit ausfallen. Damit diese und andere Technologien ihren Weg von der Idee bis in die Produktion schaffen, müssen IT-Abteilungen und zuständige Führungskräfte einige wichtige Entscheidungen treffen.