Daten und KI nutzen, um Fertigung zu transformieren: Branchenherausforderungen überwinden

„In der Fertigung stehen Sie unter Druck, Qualität kontinuierlich zu verbessern, während Kosten sinken und Produktivität steigt“, sagt Analytics-Software- und Lösungsführer SAS. Das gilt im digitalen Zeitalter unverändert – technologische Fortschritte haben sich verschworen, die Herausforderung effektiver denn je anzugehen.

Schon ein flüchtiger Blick zeigt: Wenige Branchen wurden durch digitale Transformation in jüngster Zeit so sichtbar und dramatisch umgestaltet wie die Fertigung. Dieser Weg – von Henry Fords arbeitsintensiven Fertigungslinien zu den zunehmend menschenfreien Umgebungen moderner Fabriken – wurde massiv beschleunigt durch Big Data. Informationsernte aus Fertigungsoperationen, Equipment, Maschinen, Verkaufsmustern, Nachfrageschwankungen ermöglicht Führungskräften Strategien für größere Effizienz, Output, Sicherheit. Die Industrie-4.0-Vision smarter Fabriken, die mit minimalem menschlichem Input laufen und höhere Produktivität, Profitabilität, Zuverlässigkeit liefern, ist enorm attraktiv – aber die Realisierung bringt ebenso große Herausforderungen, die überwunden werden müssen.

Die Datenwelle

2018 identifizierte führende Beratung und Outsourcing-Dienstleister Capgemini Fertigung als Branche mit beträchtlichstem Potenzial für operative Verbesserung durch Big Data – Adoption sei vital für anhaltenden Geschäftserfolg. „Da Big Data Analytics keine ‚Nice-to-have‘-Option mehr ist, müssen Unternehmen die richtigen Chancen identifizieren, um Anlagenleistung zu verbessern und Insights zu generieren“, bloggte Capgemini November 2018. „Big Data Analytics würde dann den Wettbewerbsvorsprung liefern, den Unternehmen brauchen, um in zunehmend komplexer Umgebung zu bestehen.“

Mit riesigen Datenmengen – Masse, die exponentiell wächst durch IoT-getriebene Technologie und Gigabit-pro-Sekunde-Geschwindigkeiten von 5G – kommt immense Komplexität. Organisationen müssen nicht nur den Wert eines breiten Datensets identifizieren, sondern diesen nascenten Wert in actionable Insights umwandeln, bevor neuere, relevantere Daten ihn überholen. Oft muss Rohdaten mit Telemetrie anderer Systeme verheiratet werden, um Wert zu extrahieren – dieses Know-how auf menschlicher Ebene ist schwer zu bekommen.

Der Fall für KI

Weltweit sind trainierte Data Scientists hoch gefragt und knapp. Selbst mit Flotte top Data Analysts ist der wahre Wert organisationaler Daten hinter langwierigen komplexen Analysen, menschlichem Fehlerrisiko und Bedarf an tief durchdachten Datenimplementierungsstrategien verschlossen. Bedarf an Unmittelbarkeit und Genauigkeit – besonders bei weit verbreitetem Data-Skills-Gap – kann durch eine andere aufstrebende Technologie beantwortet werden: Künstliche Intelligenz (KI).

Algorithmische Berechnungen und Analysen, auf spezifische Operations zuschneidbar, liefern Ergebnisse, die sowohl genauer als auch schneller verfügbar sind – ermöglichen Unternehmen, Daten in informiertes Handeln umzusetzen, das Effizienz und Produktivität verbessert, Operationen auf Echtzeit-Nachfrage skaliert, Sicherheit erhöht, Probleme durch Expertise-Lücke löst und Wert schafft. KI kann Probleme sogar vor Entstehung erkennen durch Predictive Maintenance – was ohne KI beträchtliche Arbeitskraft und Zeitallokation erfordern würde, ohne Genauigkeitsversprechen.

„Predictive Maintenance ist ein Bereich, wo IoT, Big Data und Analytik signifikanten Impact haben“, sagt Debbie Heaton-Bowen, Partner bei Oliver Wight EAME. „Obwohl es in den 1990ern entstand, hat fortschrittliche Technologie Predictive Maintenance kürzlich ‚supercharged‘ – besonders in Fertigung mit Smart Factories als Realität. Ungeplante Ausfallzeiten und schlechte Wartung kosten Millionen. IoT-fähige Sensoren erkennen, wann Maschinen Check-up brauchen, verhindern Entwicklung schwerwiegenderer Fehler, die kostspielige Disruption verursachen. Predictive Maintenance identifiziert nicht nur Fehler, die menschliche Augen verpassen, sondern trifft rein datengetriebene Entscheidungen zur Lebensdauerverlängerung von Maschinen, niedrigeren Servicekosten, höherer operativer Effizienz für gesündere Profite.“

Andernorts zeigen Robotik weiteren vielversprechenden Trend – KI ist vital für ihren Wert bei Deployment across Fertigungsprozesse. „Richtig integriert verstärken diese Roboter-Einheiten menschliche Skills und Stärken, erhöhen Workplace-Effizienz und verbessern Employee Experience“, sagt Prasad Satyavolu, CDO Manufacturing and Logistics bei IT-Services-Führer Cognizant. „Sie werden bereits across Fertigungsorganisationen deployed – von Stoßdämpfer-Einbau oder Fleischschneiden an traditioneller Montagelinie bis zu Drohnen als Augen von Sicherheitsbeamten, die riesige Container-Yards patrouillieren. So befreit die neue Generation autonomer Co-Worker Menschen für höherwertige Arbeit. MIT-Forscher fanden: Mensch-Roboter-Teams bei BMW waren ca. 85 % produktiver als Menschen oder Roboter allein.“ KI kann somit simultan Skills Gaps schließen und Zeit für qualifizierte Arbeiter maximieren, um sich auf Tasks zu fokussieren, wo sie mehr Wert addieren.

Herausforderungen der KI-Adoption

Trotz klarer Chancen: Managementberatung McKinsey stellt fest, KI-Adoption in Fertigung sei bemerkenswert langsam. „Während KI-Technologien greifbare Verbesserungen in Supply Chains und Admin-Funktionen brachten, hatten sie in Produktion bisher kaum Präsenz“, sagt McKinsey – langsame Adoption getriggert teils durch starke Abhängigkeit von Expertise und wissensbasierten Belegschaften, was ironisch ist angesichts KIs Kapazität, diese Expertise auf weniger repetitive Prozesse umzulenken. Die Abhängigkeit von qualifizierten Belegschaften ist selbst Grund, KI-Integration zu beschleunigen.

„Da Variationen in Operator-Qualifikationen nicht nur Performance, sondern auch Profite beeinflussen können, ist KIs Fähigkeit, Wissen zu bewahren, verbessern und standardisieren, umso wichtiger“, sagt McKinsey. „Zudem kann KI komplexe operative Setpoint-Entscheidungen selbst treffen – liefert zuverlässig vorhersehbare, konsistente Outputs in Märkten, die Schwierigkeiten haben, Operator-Talent anzuziehen und zu halten.“

Zusätzlich zu dieser Abhängigkeit von Human Capital: Viele Fabriken nutzen Legacy-Maschinen, die das Internet vor-datieren, und solche der letzten zwei Jahrzehnte erfordern Modifikationen für Kompatibilität mit heutigen Data-Harvesting-Technologien. Fragen nach impactfulsten Datensets, bester Interpretation, Implementierung der Findings variieren nicht nur nach Unternehmen, sondern nach Abteilungen und Teams.

Research-Firma NelsonHall merkt an: Adoption von MES (Manufacturing Execution Systems) erhöht Komplexität weiter. MES ermöglicht Firmen seit Jahren, Operations zu digitalisieren und Daten leichter zuzugreifen – aber tiefe Customisierung jedes werkspezifischen MES macht Kompatibilität und Integration mit anderen Technologien (z. B. Analytics-Software, die Daten aus vielfältigen Quellen kollatiert und analysiert) zur erheblichen Herausforderung. „MES-Schwierigkeit: schwierig und kostspielig zu upgraden, gegeben Customisierungsgrad“, sagt NelsonHall. „Auch: MES steuert Produktionsanlage – kritische Systeme, erfordern rigorose Entwicklung, Implementierung, Testing, Rollout. Vergleichbar mit Mainframe-Anwendungen: Solange sie laufen, will niemand sie zu tief anfassen.“ Umgehung oft durch ergänzende Systeme – wie von Dassault, Siemens, PTC – was weitere Komplexität addiert, wo viele Operatoren Tech-Infrastruktur straffen und schlanker machen wollen für Flexibilität und Agilität.

Die Herausforderungs-Hydra angehen

Klar: Herausforderungen, Manufacturing-Datensets erfolgreich zu nutzen, sind riesig: Strategie, Telemetrie, Integration, Expertise, Legacy-Infrastruktur – jeder muss adressiert werden für nahtlosen Move zu Industrie 4.0. KI allein kann leider nicht die Kopfschmerzen erfolgreicher Implementierung datenbasierter Technologien lösen, die Fertigung in Industrie 4.0 treiben. Industrial IoT, Robotik, Digital Twins, Predictive Maintenance haben alle rasant an Zugkraft gewonnen als mächtige Modernisierungstools für Fertigung – jeweils ermöglicht durch Big Data und KI – aber wie ihre Vorfahren erfordern sie beträchtliche strategische Betrachtung für echten Erfolg. Der menschliche Faktor und operative Alignment sind Schlüssel.

„Eine erfolgreiche datengetriebene Transformationsstrategie muss umfassende Sicht auf diverse Faktoren berücksichtigen: Organisationskultur, Kunden, Mitarbeiter, Technologie. Das kann nicht durch isolierte Initiativen erreicht werden, braucht konzentrierten Fokus, mittelfristige bis langfristige Planung, Sponsorship und Investment direkt von Business Leaders“, sagt Rohit Gupta, VP und Head of Manufacturing, Logistics, Energy and Utilities bei Cognizant. „Hersteller müssen ihren aktuellen Digital Maturity Level assessen, Business- und Technical Challenges verstehen, klaren Fahrplan für Gedeihen in diesem digitalen Paradigma envisionieren. Iterativer Ansatz: Foundation für skalierbares, nachhaltiges Wachstum entwickeln, Data Capabilities in Organisation aufbauen mit klaren Meilensteinen.“

Externe Hilfe ist massiver Beschleuniger – SAS, McKinsey, Capgemini um nur wenige zu nennen, haben technologische und strategische Lücken von Enterprises und Fertigungs-Machtzentren geschlossen, die den Sprung in die smarte Zukunft wagen. Schließlich sind heutige Tech-Ökosysteme geprägt von stärkerem Fokus auf Outsourcing und Wissen, dass externe Expertise in Tech-Space, der täglich granularer wird, oft überlegen ist. Fertigung ist tief komplex – One Size Fits Never All – aber Expertise von Leadern across Data- und KI-Räumen zu nutzen, wird Herausforderungen überwinden und enormes Potenzial von Industrie 4.0 freisetzen.