Chancen und Herausforderungen von Machine Learning in der Fertigung

Bild: ©NicoElNino/stock.adobe.com

Unternehmen sind mit ML in der Lage ihre Kosten zu reduzieren und den Einsatz ihrer Mitarbeiter effektiver zu gestalten. Die Implementierung bringt aber auch Herausforderungen mit sich – darunter fallen z.B. die Datenaufbereitung, die Bereitstellung des Konzepts oder die Schätzung des ROI. Für die Umsetzung der Technologie werden daher interne Experten, Projekterfahrung sowie eine realistische Zielsetzung benötigt. Deshalb sollten zuverlässige Partner miteingespannt werden.

Stanislav Appelganz, Head of Business Development / Consulting & Smart Customer Solutions bei WaveAccess
Stanislav Appelganz, Head of Business Development / Consulting & Smart Customer Solutions bei WaveAccessBild: WaveAccess RD-Software GmbH

Anwendungsbereiche in der Fertigung

Die Industrie und Fertigung können von ML auch in vielerlei Hinsicht profitieren – z.B. in den Bereichen Asset Management, Supply Chain Management sowie der Lagerhaltung. Im Fokus stehen dabei Bedarfsprognosen, die automatische Bestandskontrolle und die Optimierung der Beschaffungsverfahren. Intelligente Routenplanung und Beladung von Fahrzeugen mindern deren Verbrauch. Durch vorausschauende Wartung von Fahrzeugen, digitales Anlagenmonitoring und die Prognose von Anomalien lassen sich Kosten reduzieren. Aber auch mit einer Personalplanung, die rechtzeitig leistungsmindernde Faktoren wie hohe Temperaturen und daraus resultierende Konzentrationsmängel berücksichtigt und so Fehler schon im Vorfeld zu vermeiden hilft.

ML ermöglicht bei der Qualitätssicherung das Video-Monitoring von Paket- oder Containerinhalten sowie die automatische Erfassung von Maßabweichungen bei massenhaft hergestellten Produkten. Versorger können z.B. über die Automatisierung von Routinetätigkeiten wie der Durchleitungskontrolle im Stromnetz profitieren. Das setzt viel Ingenieurpotenzial frei und sorgt zugleich für weniger Störfälle.

ML-Erfolg basiert auf Datenqualität

Oftmals scheitern ML-Projekte an der Qualität der vorhandenen Daten – sie dienen als einzige Quelle für den automatisierten Prozess. Daher führen minderwertige Daten zwangsläufig zu unbrauchbaren Ergebnissen.

Eine ideale Datenbasis ist groß (mit 10.000 bis 100.000 Fakten), korrekt, hinreichend umfassend und sachgerecht gekennzeichnet. Jedoch ist dieser Idealzustand in der Praxis nur selten vorhanden, es gibt dennoch Maßnahmen diesen zu erreichen.

Unvollständigkeit: Wenn nicht ausreichend Inputdaten bereitgestellt werden können, muss die Problemstellung neu eingegrenzt werden. Ähnliches gilt bei zu kleinen Datenmengen in bestimmten Situationen. Für eine automatische Routenplanung dürfen z.B. nicht nur die Daten aus einer bestimmten Region vorliegen, deren spezielles Muster nicht auf andere übertragbar ist.

Unkorrektes Labelling: Zum Training benötigen ML-Algorithmen korrekte Antworten auf die gestellten Fragen. Die Datensätze müssen also entsprechend gekennzeichnet sein. Jedoch sollte das nicht allein dem Technologiepartner überlassen werden, da dieser oft nicht das nötige Fachwissen besitzt. Schneller und kostengünstiger gelingt das sogenannte Labelling unter Mitwirkung hausinterner Fachleute.

Datenfehler: Es besteht die Gefahr einer größeren Menge systematischer Fehler, wenn die Grunddaten des ML-Modells manuell gesammelt wurden. Experten sollten daher die Daten im Vorfeld überprüfen und korrigieren – ein ML-Modell verzeiht nur einzelne Fehler ohne gemeinsames Muster.

Start mit Prototypen

Es lässt sich bei der Einführung von Machine Learning bereits vor der Entwicklungsphase feststellen, wie viel Geld aus den gesammelten Daten gewonnen werden kann und wie viel das ML-Projekt dem Unternehmen somit einbringen wird. Mit der Erstellung eines Pilotprojekts kann man die Technologie testen und somit das Potenzial für Anwendungen und Aufgaben verstehen. Somit gehen Unternehmen mit dem Projekt kein Risiko ein, sondern setzen auf eine ganz bewusste Investition mit einem prognostizierten ROI.

Schreibe einen Kommentar

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