Wie effizient ist das autonome System?

Dr. Eckhard Roos, Leiter Industry Segment Management Process Automation bei Festo; Vorstandsmitglied VDI/VDE-GMA
Dr. Eckhard Roos, Leiter Industry Segment Management Process Automation bei Festo; Vorstandsmitglied VDI/VDE-GMABild: VDI Verein Deutscher Ingenieure e.V.

Herr Dr. Roos, fangen wir direkt mit der Kernfrage an: Wie effizient ist das autonome System?

Dr. Eckhard Roos: Bevor man diese Frage beantwortet, muss man den Begriff der Effizienz nochmals näher betrachten. Effizienz ist das Verhältnis von Aufwand und Nutzen, das in einem möglichst günstigen Verhältnis zueinanderstehen soll. Im Rahmen der üblichen Investitionsrechnungen haben wir hier schon viele Erfahrungen gesammelt. Wir wissen, welche Mittel wir einsetzen und welche Verbesserungen wir erreichen können. Und das können wir gut monetär bewerten. Autonome Systeme sind hier in vielen Bereichen Neuland. Eine Abschätzung ist oft nur sehr unzureichend möglich. Der Grund: Ein autonomes System soll seine Produktionsumgebung wahrnehmen, das Wahrgenommene verarbeiten und daraus Entscheidungen für den Produktionsprozess treffen. Es soll zudem auf Basis des Erlernten neue Möglichkeiten finden, um effizienter zu produzieren, Fehler zu vermeiden und Produktionsfragen selbstständig zu beantworten. Das verdeutlicht die Unschärfen auf der Aufwands- und Ertragsseite, die sich ihrerseits in den Effizienzberechnungen fortpflanzen.

Dr. Eckhard Roos, Leiter Industry Segment Management Process Automation bei Festo; Vorstandsmitglied VDI/VDE-GMA
Dr. Eckhard Roos, Leiter Industry Segment Management Process Automation bei Festo; Vorstandsmitglied VDI/VDE-GMABild: VDI Verein Deutscher Ingenieure e.V.

Können Sie das näher erläutern?

Roos: Lassen sie uns die Aufwandsseite betrachten: Hier ist der Aufwand für die Entwicklung und das Trainieren von autonomen Systemen, der mangels Erfahrungen nur schwer hinreichend genau quantifizierbar ist. Für das erfolgreiche Trainieren der Systeme ist wiederum die Datenqualität sehr wichtig. Zudem müssen genügend Daten zur Verfügung stehen. Je nach Art des Trainings müssen diese Daten vorab noch qualifiziert werden. Beim überwachten Lernen wird z.B. der Zusammenhang zwischen Eingangs- und Ausgangsdaten auf Basis bekannter Produktionsdaten trainiert. Fachleute müssen diese Daten qualifizieren. Beim unüberwachten Lernen braucht es einen großen Datenbestand, den die Systeme analysieren, um auf dieser Basis später Anomalien im Prozess zu erkennen. Betrachtet man verschiedene Anlagentypen, etwa kontinuierliche Wasseraufbereitungsanlagen mit schnellen Abläufen in einer diskreten Fertigung, so wird klar, dass untrainiertes Lernen in nur einer Anlage der Wasseraufbereitung vergleichsweise langsam zu einer erfolgreichen Anwendung führen wird. Hier wird die Datensouveränität umso wichtiger.

Bild: ©peshkovabe/stock.adobe.com

Experten diskutieren Fragen der Datensouveränität schon seit längerer Zeit. Welche Rolle spielt sie für die Effizienz von autonomen Systemen?

Roos: Grundsätzlich können wir Daten aus unterschiedlichen Unternehmen und Maschinen geeignet zusammenfassen. Bei KI – und autonome Systeme basieren auf KI – müssen wir jedoch den Widerspruch auflösen, dass wir einerseits Daten in ausreichender Qualität für die Entwicklung und das Training der KI benötigen, andererseits jedoch die Datensouveränität der Owner berücksichtigen müssen. Wir als Lieferant von Komponenten sind daran interessiert, möglichst viele Daten zur Performance unserer Komponenten zu bekommen. Über Original Equipment Manufacturer (OEM) gelangen diese Komponenten zum Endkunden. Wir müssen jetzt Endkunden und OEM davon überzeugen, Zugang zu den Performancedaten zu bekommen. Denn jeder Beteiligte in dieser Kette hat einen Nutzen vom Datenpooling. Wir können Informationen zur Produktverbesserung gewinnen, die Performance bei unterschiedlichen Umgebungsbedingungen erfassen und auch Hinweise an OEM und Enduser geben – etwa bezüglich Anomalien im Produktionsprozess. Das gilt auch für den OEM mit seinem Liefer- und Leistungsumfang. Der Anwender hat den Vorteil, durch die gezielte Detektion von Anomalien sich anbahnende Störungen frühzeitig zu erkennen und Produktionsstillstände zu vermeiden. Wir sollten uns daher besser abstimmen, wie und durch wen Daten administriert werden, anstatt zu diskutieren, wem die Daten gehören.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert