Vordenker

Jenseits des Hypes – Wo KI in der Fertigung tatsächlich funktioniert

Damantha Boteju
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wichtige PunkteNutzen Sie KI für Mustererkennung, nicht für autoritative Schlussfolgerungen in der…
Mehr anzeigen
  • Nutzen Sie KI für Mustererkennung, nicht für autoritative Schlussfolgerungen in der Fertigung.
  • Zerlegen Sie große Fertigungsprobleme in kleinere, sprachlastige Aufgaben für KI-Agenten.
  • Vermeiden Sie KI in sicherheitskritischen Abläufen und Echtzeit-Steuerungssystemen mit engen Toleranzen.

KI wird als die nächste industrielle Revolution dargestellt, aber viele Führungskräfte haben Schwierigkeiten, ihre Begeisterung in praktische Ergebnisse umzusetzen. Mehr als 80% der Führungskräfte in der US-Fertigungsindustrie sagen, sie planten, ihre Nutzung von KI innerhalb der nächsten zwei Jahre zu erhöhen, aber das geschieht nicht immer mit einer klaren Strategie für das, was sie realistisch erreichen wollen.

Zwischen dem Druck aus den Führungsgremien, etwas mit KI zu tun, und der Realität komplexer Produktionsumgebungen gibt es eine wachsende Lücke zwischen Erwartung und Umsetzung. Diese Lücke muss geschlossen werden, wenn Hersteller die Vorteile von KI in ihren Unternehmen sehen wollen.

Die KI-Einführung überholt die Einsatzbereitschaft

Führungskräfte der Fertigungsindustrie wissen heute, dass sie KI einführen müssen, um wettbewerbsfähig zu bleiben. Eine kürzlich von The National Association of Manufacturers (NAM) durchgeführte Umfrage ergab, dass 51% der Hersteller derzeit KI nutzen und dass 80% KI für die Expansion oder Aufrechterhaltung ihres Geschäfts für unerlässlich halten werden.

Hersteller nutzen diese Technologie auf vielfältige Weise. KI hat ein enormes Potenzial. Allerdings liefern Investitionen in KI in vielen Organisationen nicht die versprochene Rendite.

Eine kürzlich von PWC und dem Manufacturing Institute durchgeführte Umfrage ergab, dass der Druck von Führungskräften, KI einzuführen, die Bereitschaft für KI-getriebene Veränderungen überholen kann. Dieselbe Umfrage ergab auch, in ihren Worten:

  • Ungleichmäßige KI-Adoption kann die Integration in den täglichen Betrieb verlangsamen
  • Der Fortschritt entlang der KI-Adoptionskurve erfordert Schulung und Kompetenzaufbau durch praktische Erfahrung
  • Personelle Lücken und mangelnde Einsatzbereitschaft können die KI-Adoption einschränken
  • Begrenzte Beiträge von Führungskräften vor Ort können die KI-Adoption und -Umsetzung einschränken

Die Lösung finden

Anstatt KI als universelle Lösung zu behandeln, müssen Führungskräfte zwischen Anwendungen unterscheiden, in denen KI hervorragt – wie z.B. die Verbesserung der Mensch-System-Interaktion, die Erfassung von Betriebswissen und die Vereinfachung komplexer Workflows – und Bereichen, für die sie weiterhin schlecht geeignet ist, wie z.B. Präzisionssteuerung und wiederholbares Entscheiden in Produktionsumgebungen.

Ein guter Ansatzpunkt für die Anwendung ist der Verkaufsprozess. Viele Fertigungsunternehmen möchten den gesteuerten Verkaufsprozess mithilfe von KI verbessern. Sie sollten damit beginnen, sich auf die Ziele oder Ergebnisse des Kunden zu konzentrieren, anstatt sie zu bitten, bestimmte Parameter eines Produkts auszuwählen.

Ein persönliches Beispiel: Ich habe kürzlich mein erstes Elektrofahrzeug gekauft. Ich ging auf die Website des Herstellers und sah als Erstes die technischen Parameter, wie z.B. Reichweite: 360-558 km. Das ist eine große Reichweite, aber ich verstehe, was es bedeutet. Aber PS? Keine Ahnung. Und der Verbrauch? Den verstand ich nun wirklich nicht: Ist er gut oder schlecht? Wirkt sich das auf die jährliche Skireise meiner Familie aus, für die ich derzeit etwa sieben Stunden brauche? Das sind die Arten von Informationen, die mir tatsächlich helfen würden, eine Entscheidung zu treffen.

Ein KI-System, das mit mir über meine Anliegen sprechen kann, würde dem Hersteller helfen, zu verstehen, was mir wichtig ist, und diese Anliegen in die richtigen technischen Spezifikationen übersetzen.

Ein weiteres Beispiel ist die Verwendung von KI-Agenten, um komplexe Probleme in kleinere Teile zu zerlegen. Agenten planen und führen mehrschrittige Ziele aus. Um das Beste aus diesen Agenten zu holen, sollten die Aufgaben sprachintensiv sein.

Einige Entwicklungsorganisationen verfolgen diesen Ansatz, wenn es um die Verwaltung komplexer Anforderungen geht. Manchmal ist die Information auf Hunderte oder Tausende von Dokumenten verteilt, und das Format ist nicht standardisiert. Wenn Sie ein traditionelles Softwaresystem bauen würden, um all diese Informationen zu importieren, gäbe es viel zu viele Regeln und Ausnahmen von diesen Regeln. Da KI großartig bei der Mustererkennung ist, müssen Sie nicht jede einzelne Regel aufschreiben, wie diese Dokumente zu interpretieren sind.

Best Practices für KI in der Fertigungsindustrie

Große Probleme in kleinere Aufgaben zerlegen. KI hat ein begrenztes Arbeitsgedächtnis. Wenn Sie ihr zu viele Daten oder ein zu breites Problem geben, kann sie den Kontext verlieren und beginnen, zu halluzinieren, während sie weiterhin versucht, eine Antwort zu geben. Um dieses Risiko zu reduzieren, sollten Sie große Aufgaben in kleinere Komponenten zerlegen und die Ergebnisse aggregieren – ein Bereich, in dem agentenbasierte Frameworks besonders effektiv werden.

KI für die Mustererkennung und nicht als maßgebliche Instanz für Schlussfolgerungen verwenden. KI ist gut bei der Mustererkennung und der Identifizierung von Beziehungen, aber sie ist nicht gut für Logik und Schlussfolgern. Zum Beispiel sind ihre „Denk-“ und mathematischen Fähigkeiten Vorhersagen, nicht Berechnungen. Die Ausgaben können also aufschlussreich erscheinen, sind aber nicht garantiert korrekt, es sei denn, Sie verbinden sie mit einem anderen System, das die Ergebnisse validieren kann. In diesem Ansatz kann die KI den Workflow orchestrieren, aber Sie haben eine explizite Entscheidung darüber getroffen, wo die operativen Grenzen sind.

KI in der Fertigungsindustrie kann echten Wert schaffen, aber es gibt bestimmte Szenarien, in denen das Risiko den Nutzen überwiegt. Dazu gehören sicherheits- und qualitätskritische Operationen. Es umfasst auch Szenarien mit wenigen Daten oder völlig neue Situationen, da KI schlechte Ergebnisse liefert, wenn sie nicht genug relevante Daten gesehen hat. Hochregulierte Umgebungen sind eine weitere Herausforderung, da KI immer noch keine echte Nachvollziehbarkeit aufweist. Echtzeit-Steuerungssysteme mit engen Toleranzen sind ein weiterer Bereich, in dem KI vermieden werden sollte, da KI-Verzögerung oder Instabilität in Hochgeschwindigkeitsprozessen inakzeptabel sein kann

Von Hype zu Praktikabilität

KI ist kein Allheilmittel für alle Probleme der Fertigungsindustrie. Aber indem man die realen Anwendungsfälle und gängigen Missverständnisse berücksichtigt, können Hersteller einen ausgewogeneren Ansatz für KI verfolgen. Kurzfristig ist der Schlüsselpunkt, KI für das zu verwenden, wofür sie am besten geeignet ist: Probleme, die ein hohes Maß an Mustererkennung erfordern. KI sollte nicht für Fälle verwendet werden, die Vorhersagbarkeit, Konsistenz, Logik oder Berechnungen erfordern.

Hersteller können das Wesentliche aus dem allgemeinen Getöse herausfiltern und erkennen, wo KI tatsächlich heute einen Wert liefert. Das Ziel ist nicht, die Einführung zu verlangsamen, sondern sicherzustellen, dass Unternehmen KI dort einsetzen, wo sie die Produktivität und Entscheidungsfindung sinnvoll verbessert, anstatt einfach dem Branchenhype zu folgen.

Damantha Boteju ist Produkt- und Technologiechef von Configit, dem globalen Marktführer für Configuration Lifecycle Management (CLM)-Lösungen und Anbieter von business-kritischer Software für die Konfiguration komplexer Produkte. Er trat Configit im März 2023 bei und brachte über 25 Jahre Erfahrung in der Softwareentwicklung mit, mit Fokus auf Produkte der Enterprise-Klasse. Als CPTO leitet er die Produkt- und Technologie-Strategie, treibt Innovation voran und liefert Lösungen, die den komplexen Bedürfnissen von Configits globalen Kunden gerecht werden.