Industrial AI: was KI in der Produktion mehr kann als Kamera und Sensor
Wenn in Deutschland über KI in der Industrie gesprochen wird, international meist Industrial AI genannt, kommen fast immer dieselben Fälle vor. Bildmodelle für die Qualitätssicherung. Zeitreihen für die vorausschauende Instandhaltung. Simulation, Robotik.
Das sind reale und wertvolle Fälle. Sie haben nur eine gemeinsame Eigenschaft, die selten benannt wird: Es sind die Fälle, die sich am leichtesten vorführen lassen. Nicht die, die am meisten tragen.
Industrial AI ist der Einsatz von KI dort, wo in einem Werk das Geld bewegt wird: in der Prüfung und in der Instandhaltung, aber genauso beim Planen, beim Auslegen, beim Lesen von Schichtberichten und beim Greifen. Die Fälle, die etwas bringen, brauchen fast immer mehrere davon zugleich.
Warum immer dieselben Fälle vorkommen
Ein Fall lässt sich gut zeigen, wenn drei Dinge zusammenkommen: Er braucht nur eine Art von Modell, der Eingang ist eindeutig, und das Ergebnis ist sofort sichtbar. Ein Kamerabild geht hinein, ein Ausschussteil kommt heraus. Das versteht jeder im Raum in zehn Sekunden.
Genau diese drei Bedingungen erfüllen die wenigsten Fragen, die in einem Werk tatsächlich Geld bewegen. Deshalb sehen Sie auf jeder Messe dieselben Demonstrationen und im eigenen Haus andere Probleme.
Was es tatsächlich gibt, und was jedes davon im Werk tut
Was unter Industrial AI zusammengefasst wird, ist keine Sache, sondern acht. Es hilft, sie nebeneinander zu sehen statt in einer Rangfolge. Keines davon ist das Wichtigste; sie beantworten verschiedene Fragen, und die meisten Häuser brauchen mehrere.
Sehen. Eine Kamera prüft Oberflächen, erkennt ein fehlendes Teil, überwacht einen Montageschritt. Das Reifste von allem und in der Produktion breit im Einsatz. Technisch geht es dabei fast nie darum, Gutteile von Schlechtteilen zu unterscheiden, sondern darum, Abweichungen vom Normalen zu bemerken, weil Fehlerbeispiele naturgemäß selten sind.
Messen. Schwingung, Temperatur, Strom, Druck, Körperschall. Erkennt, dass ein Lager ausfällt, bevor es ausfällt. Hier hat sich gerade etwas verschoben: Es gibt inzwischen vortrainierte Modelle, die brauchbar vorhersagen, ohne auf Ihrer Anlage trainiert worden zu sein. Damit fällt der Aufwand weg, bei jeder Maschine bei null anzufangen.
Auslegen. Ein Bauteil bewerten, ohne jeden Entwurf vollständig durchrechnen zu lassen. Der Fall, in dem sich eigenes Training am ehesten lohnt, weil das Haus die Trainingsdaten mit jeder Berechnung ohnehin erzeugt.
Greifen und Bewegen. Ein Roboter nimmt ein Teil aus der Kiste, das er nie gesehen hat. Dazu unten mehr, weil sich dort gerade etwas Grundsätzliches verschiebt.
Vorhersagen, wie ein Auftrag läuft. Aus den Spuren, die Ihre Betriebssysteme ohnehin schreiben: welcher Auftrag zu spät wird, wie lange ein Vorgang noch braucht, an welcher Station es regelmäßig klemmt.
Ursachen finden. Eine Zeile je Auftrag oder je Lauf, viele Spalten daneben, eine Zielgröße wie Ausbeute oder Ausschussanteil. Damit wird die meiste industrielle Datenarbeit tatsächlich gemacht, und in der öffentlichen Debatte kommt es praktisch nicht vor.
Lesen und Schreiben. Handbücher, Prüfprotokolle, Schichtberichte, Reklamationstexte. Das Material, das bisher niemand ausgewertet hat, weil es in keinem Feld steht.
Planen. Reihenfolge, Maschinenbelegung, Personaleinsatz, Routen. Ein Löser wirkt auf einer Liste von KI-Verfahren wie ein Fremdkörper, aber ohne ihn fehlt der Teil, der die Steuerung im laufenden Betrieb tatsächlich trägt. Er schätzt nicht, er rechnet, und ist damit belegbar und wiederholbar.
Die interessanten Fragen liegen quer zu den Klassen
Der teuerste Teil von Industrial AI liegt quer zu dem, was sich einzeln vorführen lässt. Der Musterfall ist eine Frage, die in jedem produzierenden Haus gestellt wird: Warum sind bestimmte Produktionsläufe schlechter ausgefallen als andere?
Ein Lauf hat zwei Arten von Größen. Solche, die sich während des Laufs verändern, also Temperatur- und Druckverläufe. Und solche, die für den ganzen Lauf konstant sind: Werkstoffcharge, Werkzeugstand beim Anfahren, Sollwerte, Rezeptversion, Maschine, Schicht. Die Zielgröße, etwa die Ausbeute, ist ebenfalls eine Zahl je Lauf.
Damit ist die Frage keine Zeitreihenfrage, sondern eine tabellarische: Welches der laufkonstanten Merkmale erklärt das Ergebnis? Die Zeitverläufe kommen trotzdem vor, aber verdichtet: Jede Kurve wird zu wenigen Kennzahlen je Lauf, und diese Kennzahlen setzen sich als weitere Spalten in dieselbe Zeile.
Zwei Klassen, eine Frage. Und weil sich das nicht in zehn Sekunden vorführen lässt, steht es auf keiner Messe.
Robotik: der Wert wandert vom Gerät zur Strategie
Auf der Aktionsseite verschiebt sich gerade etwas, das über die Robotik hinausreicht.
Modelle, die Wahrnehmung in Bewegung übersetzen, sind industriell am weitesten beim Griff in die Kiste, wo sie auf nie gesehene Objekte verallgemeinern und in Kommissionierung und Sortierung im Einsatz sind. Die interessantere Bewegung ist aber die Ablösung vom Gerät: Ein Modell, das nicht an eine Bauform gebunden ist, führt denselben Griff auf einem klassischen Industrieroboter aus, auf einem Leichtbauroboter und auf einem humanoiden System.
Damit wandert der Wert von der Hardware auf das, was sie steuert. Für ein produzierendes Haus ist das unbequem, weil die eigene Investitionslogik am Gerät hängt. Für den Maschinen- und Anlagenbau ist es die Frage, ob er in fünf Jahren die Maschine verkauft oder das, was darauf läuft.
Weltmodelle: der Fall, den man nicht aufnehmen kann
Dazu kommt eine Klasse, die kein Anwendungsmodell ist: Modelle, die Trainings- und Prüfdaten erzeugen. Aus einem einzigen Bild und einer sprachlichen Vorgabe entstehen große Mengen erzeugter Bewegungsabläufe, mit wechselndem Hintergrund und wechselnder Beleuchtung, damit eine Steuerung nicht auf eine einzelne Halle festwächst.
Ihr wertvollster Teil sind die Fälle, die man real nicht aufnehmen kann: Anlagenausfall, unerwartete Kollision, Not-Halt. Wer eine Steuerung ernsthaft prüfen will, braucht genau diese Fälle, und der laufende Betrieb liefert sie nicht.
Warum der Weg vom Ausprobieren zum Einsatz länger ist
Die Grenze ist an dieser Stelle nicht technisch.
Im Bürobereich probieren Menschen aus. Sie haben ein Werkzeug im Browser, sie haben eine Aufgabe, und wenn es schiefgeht, war eine halbe Stunde verloren. Auf dem Hallenboden geht das nicht. Dort steht eine Anlage, die läuft, und eine Änderung daran berührt Sicherheit, Gewährleistung, Taktzeit und die Menschen, die daran arbeiten. Der Weg vom Ausprobieren zum Einsatz ist um ein Vielfaches länger, und das ist kein Versäumnis, sondern die Natur der Sache.
Daraus folgt eine praktische Nachricht: Der Unterschied zum Bürobereich ist kein Kulturproblem, das man mit Begeisterung löst. Er ist eine Folge von Verantwortung, und wer die Sache beschleunigen will, muss genau dort ansetzen, bei der Frage, wie sich etwas erproben lässt, ohne die laufende Anlage anzufassen. Genau deshalb ist der vorige Abschnitt über erzeugte Prüffälle wichtiger, als er zunächst klingt.
Die Frage, mit der es anfängt
Nicht: Welche KI kaufen wir für die Produktion? Sondern:
Welche Frage in unserem Werk ist teuer und lässt sich nicht in zehn Sekunden vorführen?
Diese Frage kostet nichts und sortiert bei Industrial AI erstaunlich zuverlässig. Was sich leicht zeigen lässt, haben andere längst gemacht, und der Wettbewerbsvorteil daraus ist entsprechend klein. Was sich nicht zeigen lässt, liegt meistens noch da.