Eines vorweg: ChatGPT, ein komplexes Sprachmodell mit vielen Milliarden Parametern, liefert zwar vermeintlich richtige Antworten, diese basieren jedoch auf statistischen Wahrscheinlichkeiten und nicht auf fundiertem Wissen. Daher kann das System auch falsche oder ungenaue Antworten liefern. Dennoch gibt es für komplexe Sprachmodelle wie ChatGPT diverse Anwendungsmöglichkeiten in der produzierenden Industrie, insbesondere im Bereich des Wissensmanagements und der Effizienzsteigerung. Darüber hinaus lassen sich die Möglichkeiten, die Sprachanwendungen wie ChatGPT bieten, weitestgehend auf bildbasierte Anwendungen übertragen, was in den Bereichen Industriedesign und Marketing hilfreich sein kann, etwa bei der Erstellung von Bildmaterial.

Was bei der Implementierung zu beachten ist

Jede neue Technologie birgt Risiken. Um diesen vorzubeugen, sind in Europa bereits KI-Regulierungen in Vorbereitung (EU AI Act). Diese sollen den technologischen Fortschritt begleiten. Auch in Deutschland werden Standards geschaffen und Zertifizierungen eingeführt, um den Einsatz von KI zu fördern und ihre Sicherheit zu gewährleisten.

Bei der Implementierung von KI-Lösungen in der produzierenden Industrie sollten Unternehmen unterscheiden, welche Produkte sie von der Stange kaufen können und wo sie die Möglichkeit haben, sich mit individuellen Anwendungen zu differenzieren und einen Marktvorteil zu schaffen. Dabei muss das Rad nicht neu erfunden werden. Es werden sich Standards herausbilden und Konsortien werden branchenspezifische Plattformen entwickeln, auf denen leicht aufgebaut werden kann. Außerdem lassen sich bereits bestehende Plattformen, z.B. der großen Cloud-Anbieter, nutzen. In den letzten Jahren gab es auch hier bedeutende Entwicklungen, und es ist möglich, gute Modelle mit vergleichsweise geringem Aufwand zu erstellen. Das Spektrum der KI-Entwicklung reicht von forschungsnahen Projekten mit hohem Innovationsgrad bis hin zur Arbeit mit kleinskaligen Standardlösungen.

Des Weiteren ist es entscheidend, das geeignete Team für die Umsetzung zu finden. Dies sollte idealerweise aus Technologie- und Machine-Learning-Expert:innen, Fachexpert:innen für den jeweiligen Anwendungsfall sowie Endbenutzer:innen bestehen, um Akzeptanzprobleme frühzeitig anzugehen. Eine solide Datengrundlage zu schaffen ist ebenfalls von entscheidender Bedeutung, um Voreingenommenheit (Bias) zu vermeiden. Hier sollten Unternehmen auf eine sorgfältige Auswahl der Daten achten. Letztlich geht es immer darum, die richtigen Herausforderungen anzugehen und echte Pain Points zu identifizieren. Dabei hilft die Frage, welche Potenziale genau mit dem System erschlossen werden können.

KI-Anwendungen: Cloud oder On-Premise

Der Einsatz von KI Anwendungen im laufenden Betrieb stellt besondere Herausforderungen an die bestehende IT-Infrastruktur eines Unternehmens. Um KI-Modelle zu trainieren und durchgehend zu verbessern, brauchen diese Zugriff auf eine große Anzahl an Daten.

Unternehmen sollten daher überlegen, ob sie sich für ein Cloud-basiertes Hosting oder eine On-Premise-Lösung entscheiden. Der Betrieb der KI-Plattformen als Service in der Cloud bringt eine enorme Skalierbarkeit mit sich. Dies kann allerdings je nach Datenmengen und Anbieter mit erhöhten Kosten einhergehen. Zudem müssen hier Datenschutzbestimmungen beachtet werden. Dabei gilt es besonders zu bedenken, wo die Daten gehostet werden und welche Drittanbieter gegebenenfalls Zugriff auf sensible Daten haben. Die Alternative wäre ein individuelles Hosting im eigenen Rechenzentrum. Hier ist die Rechenleistung natürlich stärker begrenzt. Dafür ist diese Lösung datenschutzrechtlich sicher.

Einsatz von KI in der Industrie

Anwendungsbeispiele für KI in der industriellen Fertigung gibt es bereits heute und sie werden immer vielfältiger. KI kann sowohl technische als auch wirtschaftliche Fragestellungen beantworten und wird je nach Branche unterschiedlich eingesetzt. In Hinblick auf die Produktivität können KI-Lösungen in Verbindung mit Geschäftsprozessen und Automatisierung eingesetzt werden.

Konkrete Beispiele für KI-Anwendungen in der Industrie sind der Einsatz von Chatbots im Kundenservice, die Unterstützung bei der Montage von Werkstücken, die Konstruktion von Maschinen, Crawler-Technologien im Einkauf, die Qualitätssicherung, die Unterstützung von Bedienern durch Assistenzsysteme, Diagnosesysteme für Maschinen, intelligente Kommissionierung in der Intralogistik oder die Nutzung von KI zur Steigerung der Effizienz in Prozessen und bei der Produktentwicklung.

Bevor hochkomplexe Algorithmen in die Lage versetzt werden können, betriebliche Abläufe zu übernehmen, muss zunächst ein wesentlicher Prozess erfolgen: die Akkumulation von Daten. In der Regel erfordert dieser Prozess die Etablierung neuer Infrastrukturen, da Daten in der Industrie oft generiert, aber nach kurzer Zeit überschrieben werden. Somit ist die Implementierung von robusten datenspeichernden Systemen unabdingbar, um eine kontinuierliche Erfassung und nachhaltige Nutzung dieser Daten zu gewährleisten.

Computergestützte Qualitätssicherung (QS) in der Automatisierung von Produktionsprozessen und -steuerung

Um genauer zu verstehen, wie ein Implementierungsprozess aussehen könnte, betrachten wir diesen an einem erprobten Case, bei der Automatisierung im Bereich QS durch optische KI-Analyse.

QS ist in vielen Schritten der Produktion notwendig. Dabei geht es nicht nur um die Endkontrolle des zu produzierenden Guts, sondern auch um die Kontrolle der zu verarbeitenden Einzelteile oder die Erkennung von Fremdkörpern in der Produktion, die Schäden an den Maschinen verursachen könnten. Die manuelle Inspektion ist eine sehr repetitive Aufgabe, die eine hohe Konzentration erfordert. Darüber hinaus ist sie mit hohen personellen Kosten verbunden. Automatisierte visuelle Systeme können hier Abhilfe schaffen.

Zur Implementierung eines entsprechenden Systems muss die Anwendung zunächst lernen, wie ein intaktes Produkt, Bauteil oder Fremdkörper aussehen. Dazu werden zunächst Bilddaten des gewünschten Zustands, sowie fehlerhafter Produkte oder häufig vorkommender Fremdkörper eingelesen. So wird ein Rahmen definiert, in dem die Akzeptanzkriterien erfüllt sind oder eben nicht. Erkennt das System nun ein fehlerhaftes Produkt oder einen Fremdkörper, wird dieser automatisch aussortiert. Bei Fehleranfälligkeit ist es möglich, hier jederzeit nachzuschärfen.

Mit einem Ziel vor Augen in KI-Technologien einsteigen

Insgesamt bietet der Einsatz von KI in der Industrie zahlreiche Möglichkeiten zur Effizienzsteigerung und zur Erzielung von Wettbewerbsvorteilen. Es ist jedoch wichtig, KI-Projekte mit einer klaren Zielsetzung, angemessenen Ressourcen und einer agilen Vorgehensweise anzugehen. Hier können erfahrene IT-Dienstleister unterstützen, die richtigen Anwendungsfelder zu identifizieren und eine schnelle und reibungslose Inbetriebnahme der neuen Systeme zu realisieren. Mit einer sorgfältigen Planung und Umsetzung können Unternehmen das volle Potenzial von KI in der Industrie ausschöpfen und sich erfolgreich von ihren Wettbewerbern abheben – national und international.