Viele Möglichkeiten
Sind Grundvoraussetzungen erfüllt, sind bereits einfache Datenauswertungen möglich, etwa um Fehler in den Produktionsabläufen frühzeitig zu erkennen und zu beheben. Durch die Analyse von historischen Datenströmen können Unternehmen auch Muster erkennen, etwa als Störungen oder Qualitäts- und Leistungsschwankungen auftraten. Diese Mustererkennung und Event-Korrelation, die Zusammenhänge zwischen Fehlern und Ursachen herstellt, ist dann die Basis für die Fehlerbehebung. Spezifischen Use Cases erfordern KI-Training. Der Zeitaufwand hierfür reicht, abhängig vom Use Case, von wenigen Tagen bis hin zu einem halben Jahr.
Ein Beispiel: Für den schwedischen Stahlhersteller Uddeholm hat CGI eine Machine Learning-Lösung konzipiert, die Produktionsfehler erkennt und die damit verbundenen Prozesse optimiert. Das ML-Modell sagt mit einer Genauigkeit von mehr als 70 Prozent Ort und Zeitpunkt von Rissbildungen in Stahlprodukten vorher. Uddeholm gelang es so, den mit Rissen verbundenen Ausschuss entscheidend zu reduzieren.
KI-Potenzial nutzen
KI-Anwendungen lassen sich oft in wenigen Wochen implementieren, sofern die Infrastruktur vorhanden ist. Die zeitintensivste Aufgabe besteht in der Anbindung von Maschinen und Sensoren. Mit Quick Wins lassen sich in kurzer Zeit erste Resultate erzielen. Ausgehend von der Strategiedefinition werden die erfolgversprechendsten Use Cases identifiziert, die dann umgesetzt werden. Nach Erfahrungswerten von CGI sollten vorrangig Themen und Projekte adressiert werden, die sich nach spätestens 18 Monaten amortisieren.
Nutzen für den Mittelstand
Zu den Zielen eines Fertigers gehört immer auch die Erhöhung der Gesamtanlageneffektivität (OEE – Overall Equipment Effectiveness), also die Optimierung der Produktion. Künstliche Intelligenz hilft Unternehmen dabei, ihre Arbeitsabläufe, Services und Produkte weiterzuentwickeln – auch im Mittelstand. n Vice President Industry Consulting bei CGI Deutschland.