Diese Haltung ändere sich derzeit, und Hoffnung statt Hype oder FOMO werde zur treibenden Kraft, schreibt Foreman. Kunden würden nicht länger fragen, ob KI helfen könne, sondern konkret nach Unterstützung bei vorausschauender Wartung (Predictive Maintenance), Qualitätskontrolle oder Prozessoptimierung. Der Einsatz von KI ist dabei nicht länger ein Motiv oder ein Ziel an sich. Stattdessen ist KI zu einem ‚Enabler‘ geworden – eine Technologie, die Verbesserungen und Vereinfachungen ermöglicht. Egal um welche Branche es dabei geht, die Stoßrichtung ist zumeist dieselbe. Unternehmen wünschen die Herstellung qualitativ hochwertiger, fehlerfreier Produkte zu geringeren Kosten, mit weniger Energieverbrauch und Arbeitsaufwand. KI kann dazu beitragen, diese Ziele zu erreichen.
Konzept seit 1957
Aber nicht nur die Einstellungen sondern auch die Technologien haben sich weiterentwickelt. Obwohl es das Konzept der künstlichen Intelligenz bereits seit 1957 gibt, waren die ersten Anwendungen unvorstellbar teuer und langsam: Aufgrund der begrenzten Rechenleistung dauerte es einen Monat und länger, bis die Ergebnisse einer einfachen Berechnung vorlagen. Durch die Fortschritte in Mobiltechnologie, Speicherung und Verarbeitungsgeschwindigkeit lassen sich derartige Berechnungen heute innerhalb von Millisekunden durchführen, und die Kosten sind erheblich gesunken. KI steckt in der Industrie oder in Produktionsstätten oft noch in den Kinderschuhen. Foreman vergleicht ihr Lifecycle-Stadium mit dem der Robotik vor etwa 15 Jahren, als ein Abschluss in Mathematik vonnöten war, um einen sechsachsigen Roboter zu steuern. Die Steuerung KI-basierter Systeme brauche nach wie vor Knowhow und Expertise, so Foreman. Zudem mache der Einsatz von KI bislang nur in Nischenanwendungen Sinn, bei denen sich die Kosten für den Einstieg durch den Nutzen rechtfertigen lassen.
Kein Allheilmittel
Ebenso wichtig sei es, sich vor Augen zu führen, dass KI kein Allheilmittel ist. Als Maschinenbauer, Data Scientists und Ingenieur solle man nicht voreilig und automatisch auf technische Lösungen zurückgreifen, obwohl die beste Lösung viel einfacher und weniger anspruchsvoll sein kann, schreibt Foreman. Ist etwa ein Förderband-Abschnitt gebrochen und verbogen, ist dies ein technisches Problem, das sich mit einer herkömmlichen mechanischen Lösung identifizieren und beheben lässt. Es seien die weniger offensichtlichen, verborgenen und vereinzelten Probleme, die etwa zu kleinen Unterbrechungen führen, bei denen KI einen Mehrwert bieten kann, schreibt Foreman.
Problemlösung mit KI
Ein Beispiel aus der Praxis: Ein Kunde aus der Automobilindustrie, der Probleme mit derartigen Mikrostopps hatte, bat Omron um Unterstützung. Nach einem Datenscan führte das Technologieunternehmen einen ‚Sanity Check‘ durch. Dazu wurden Sonden an die Maschine angeschlossen, um Bilder der erzeugten Signale zu erstellen. So wurde sichtbar, was im Vergleich zu dem, was eigentlich hätte geschehen sollen, passierte. Anschließend entwickelte Omron ein Experiment, um die Grundursachen zu ermitteln. Auf diese Weise konnten die Omron-Spezialisten etwa zehn Schwierigkeiten identifizieren und beheben. Ein Problem, das Tim Foreman dabei besonders in Erinnerung geblieben ist, betraf eine Sensorfehlfunktion: Einer der überwachten Sensoren schien nicht zu funktionieren. Bei einer Überprüfung stellte sich ein Defekt am Stecker heraus. Zudem wurden einige Programmierprobleme erkannt, einschließlich eines Logikfehlers, der sich in anderen Maschinen wiederholte und der behoben werden konnte. So ließen sich Ausschuss und Ausfallzeiten reduzieren.