Warum sollten Hersteller auf KI und Big Data setzen?

Manufacturing Global spricht mit Führungskräften von EY, Infor und GE Digital, um dieser Frage auf den Grund zu gehen

Während der Drang zur digitalen Transformation der Fertigungsindustrie in den letzten zehn Jahren ein Gesprächsthema war, haben die jüngsten Ereignisse den Bedarf an Agilität, Skalierbarkeit und Ausfallsicherheit, die Industrie 4.0 und intelligente Fertigungsfunktionen bieten können, nur noch erhöht. Im Gespräch mit Cobus Van Heerden, Senior Digital Product Manager bei GE Digital, Mark Powell, Partner, EY (UKI Consulting), und Phil Lewis, Vice President, Solution Consulting EMEA bei Infor Manufacturing Global untersucht, wie Technologien, die KI und Big Data nutzen, Herstellern dabei helfen können, Betriebstransparenz in Echtzeit zu erschließen, um eine verbesserte Prozesszuverlässigkeit und -leistung zu erreichen.

Was sind die aktuellen Anwendungen von künstlicher Intelligenz (KI) und Big Data in der Fertigungsindustrie?

CVH: Industrielle KI nutzt eine Kombination aus zielgerichteten KI-Technologien, Daten, Physik und fundiertem Domänenwissen, um die wichtigsten Herausforderungen des industriellen Geschäfts zu lösen. Traditionelle KI ahmt die menschliche Intelligenz nach, während industrielle KI darauf aufbaut, um Erkenntnisse zu gewinnen und kausales Wissen in anspruchsvollen, dynamischen und variablen industriellen Umgebungen zu ermitteln. In der Fertigung kann industrielle KI verwendet werden, um wichtige Prozess- und Anlagenprobleme zu erkennen und vorherzusagen, um Unternehmen bei der Optimierung ihrer Betriebsabläufe zu unterstützen, einschließlich Kapazität, Qualität und Kostenstrukturen.

PL: Lehrbuchdefinitionen von KI oder Big Data verfehlen den Punkt, dass Branchen unterschiedlich sind und drastisch unterschiedliche Anforderungen an die Technologie haben werden. Es geht um die Anwendung einer bestimmten Technologie auf ein bestimmtes Problem, mit dem ein Unternehmen möglicherweise konfrontiert ist. Dieses Problem kann ein „Industriestandard“ sein oder etwas, das in der Konfiguration der Technologie auftritt. Aber der größte Wert liegt in der Anwendung von Tools wie Big Data und KI auf die kritischen 10 % eines wirklich eigenwilligen Unternehmens. Wir klassifizieren dies als 60/30/10-Aufteilung und so versuchen wir, diese Technologien anzuwenden, um den maximalen Wert zu steigern.

Warum sollten Hersteller KI und Big Data für Hersteller nutzen, die Industrie 4.0, intelligente Fertigungsmöglichkeiten, übernehmen möchten?

CVH: Intelligente Fertigung setzt industrielle fortschrittliche Analysen ein, um die zukünftige Anlagen- und Prozessleistung anhand von Echtzeit- und historischen Daten und der Optimierung in einem geschlossenen Regelkreis vorherzusagen. Dies beinhaltet den Einsatz von KI und maschinellem Lernen, damit Prozessingenieure Daten aus industriellen Datenquellen kombinieren und Probleme schnell identifizieren, die Ursachen von Problemen in der Anlage entdecken, die zukünftige Leistung von Anlagen vorhersagen und Maßnahmen automatisieren können, die Mitarbeiter zur Verbesserung der Qualität ergreifen können , Produktivität und Betrieb.

MP: Die Digitalisierung zwingt Hersteller dazu, ihre Lieferketten neu zu denken. Beispielsweise verwenden die meisten Unternehmen interne Daten, um das Angebots-Nachfrage-Gleichgewicht zu verfolgen, und es ist für sie eine Herausforderung, externe Ereignisse vorherzusehen, die sich auf ihre Lieferketten auswirken. Mithilfe von KI-Techniken, die unstrukturierte externe Datensätze wie soziale Medien und andere Daten zu Ereignissen verstehen, können Hersteller Unterbrechungen der Lieferkette viel früher planen.

Darüber hinaus können Hersteller mithilfe von KI und Big Data digitale Nachbildungen ihrer Fertigungsabläufe erstellen und transformative Möglichkeiten nutzen, um die Zykluszeit in der Produktion zu verkürzen, Fertigungskapazitäten hinzuzufügen und ungeplante Wartungsaktivitäten vorherzusagen usw.

PL: Einige der Aushängeschild-Statistiken für KI und Big Data erfordern einfach Aufmerksamkeit. Kürzlich hat Siemens eine seiner Fabriken in Deutschland automatisiert, wobei 75 % der Prozesse digitalisiert oder stärker automatisiert wurden. Die Produktivität verbesserte sich um 1.400 %. Das ist für jedes Unternehmen bahnbrechend. Das bedeutet, dass viele Hersteller jetzt prüfen, wie sie KI und Big Data in ihre Zukunftspläne integrieren.

Was ist die beste Strategie für Hersteller, die den Wert von KI und Big Data in ihrem Betrieb realisieren wollen?

CVH: Prozessingenieure verfügen über außergewöhnliche Fachkenntnisse, um Prozessmodelle – oder Process Digital Twins – zusammenzustellen und die Modelle interpretieren zu können. Dies ist die Grundlage für die Verbesserung des Wettbewerbsvorteils und des Erfolgs mit Analysen. Um Analysen voranzutreiben und Prozesse zu verbessern, sollten Hersteller eine Strategie zusammenstellen, die Domänenexpertise auf fünf Fähigkeiten ausrichten kann:Analyse – automatische Ursachenermittlung beschleunigt kontinuierliche Verbesserung; Überwachung – Frühwarnungen reduzieren Ausfallzeiten und Abfall; Vorhersage – proaktive Aktionen verbessern Qualität, Stabilität und Zuverlässigkeit; Simulation – Was-wäre-wenn-Simulationen beschleunigen genaue Entscheidungen zu geringeren Kosten; und Optimierung – Optimale Prozesssollwerte verbessern den Durchsatz bei akzeptabler Qualität um bis zu 10 Prozent.

Alle Prozessingenieure können und müssen Fähigkeiten in den Bereichen Analytik und maschinelles Lernen entwickeln, um wettbewerbsfähig zu bleiben. Im Laufe der Zeit können Ingenieure von kleinen Projekten über Pilotprojekte bis hin zur Optimierung mehrerer Anlagen mit umfassender Anwendung der Analytik übergehen. Ihre umfassende Fachkompetenz bildet eine Grundlage für die Modellierung von Prozessen und die Entwicklung von Analysen, die in sehr spezifischen Anwendungen bahnbrechend sind.

Beginnen Sie vor allem mit Analytics. „Trystorm“ einige Projekte; Stellen Sie Ihre intuitiven Ideen auf die Probe und setzen Sie Daten und Analysen dahinter. Warten Sie nicht, bis Sie Data-Science-Experte werden. Das ist nicht nötig. Nutzen Sie bewährte, einfach zu bedienende industrielle Analysetools, die auf Ihrer Fachkompetenz basieren. Das wird schnell zu großen Verbesserungen führen.

PL: Unternehmen – einschließlich Hersteller – neigen dazu, digitale Projekte entweder mit Fokus auf Kunden, Lieferkette, interne Effizienz oder Menschen zu bewerten – das sind die vier Haupttreiber für jeden Ausflug in die Digitalisierung. Diese sind oft organisch und entstehen aus einer ständigen „Wie können wir es besser machen“-Einstellung. Dies wurde durch Wettbewerbsbedenken beschleunigt, da Unternehmen nun befürchten, von der Konkurrenz und störenden Marktteilnehmern abgehängt zu werden. Es besteht eine spürbare Angst davor, digital relevant zu sein, und dies fördert viele Investitionen.

Es ist jedoch erwähnenswert, dass viele Hersteller bereits stark in Technologie investiert haben (noch bevor COVID den Übergang zur Digitalisierung erzwang), sodass der erste Definitionspunkt darin besteht, KI und Big Data an die vorhandene Technologie anzupassen. Wenn Unternehmen ihre heute eingesetzte Technologie bewerten, müssen sie nicht nur eine kurzfristige Perspektive berücksichtigen, ob die Technologie aktuelle Prozesse bewältigen kann, sondern auch eine Plattform für die Zukunft bietet. Diese letztere Perspektive basiert auf Daten. Beide Elemente sind gleich wichtig, aber die zweite „Plattformperspektive“ erfordert Big Data. Es reicht nicht mehr aus, eine Plattform zu wählen, die nur die laufenden Prozesse unterstützt/optimiert – es müssen integrierte Zukunftsfunktionen vorhanden sein.

Dann gilt es sicherzustellen, dass diese Technologie optimal eingesetzt wird. Dies erfordert eine offene, Cloud-basierte Anwendungslandschaft, damit ein Unternehmen neue Möglichkeiten wie Big Data oder KI nutzen kann, ohne einen umständlichen Integrations- und Bolt-On-Prozess durchlaufen zu müssen. Dies macht eine Organisation agiler und konzentriert sich auf die kreative Anwendung der Technologie auf die Bedürfnisse des Unternehmens, wie z. B. die Identifizierung neuer Umsatzmöglichkeiten.

Was sind die Herausforderungen bei der Einführung von KI- und Big-Data-Analysen in den Fertigungsbetrieb?

CVH: Hersteller stehen vor der Herausforderung, Abfall, Kosten und Risiken zu reduzieren und gleichzeitig die Kundennachfrage zu erfüllen. Die Kombination aus KI und Daten beschleunigt die Digitalisierung durch analysebasierte Lösungen, die Mitarbeiter mit kontextbezogenen Daten ausstatten, sodass Menschen, Anlagen und Prozesse effizient zusammenarbeiten.

Eine weitere Herausforderung für Unternehmen ist der Einstieg. Sie möchten mehr darüber erfahren, wie sie Analytics in ihrem Betrieb einsetzen können, sehen darin aber keine Aufgabe für ihre aktuelle Belegschaft. Glücklicherweise können industrielle KI-Lösungen helfen und erfordern nicht, dass Prozessingenieure Datenwissenschaftler sein müssen.

MP: Die größte Herausforderung bei der Einführung von KI wird in der Fähigkeit der Hersteller bestehen, in einigen der hochwertigen Bereiche, in denen KI eine Rolle spielen wird, eine unternehmensweite Ausrichtung herzustellen. Verwenden Sie beispielsweise maschinelles Lernen und Computer Vision, um Fehler in Geräten vorherzusagen und zu identifizieren, bevor sie auftreten, wodurch Produktionsausfallzeiten reduziert und Wartungskosten gesenkt werden. Eine weitere Herausforderung besteht darin, durch eine Test-and-Learn-Kultur eine Kultur der Integration von KI in ihre Prozesse zu etablieren.

Zu lange haben Unternehmen davon gesprochen, „datengesteuert“ zu werden, und dies hat im Allgemeinen nicht so gut funktioniert, wie erhofft. Hersteller müssen einen anderen Ansatz wählen, der damit beginnt, zu verstehen, wo aus neuen Erkenntnissen Wert gewonnen werden kann, und sich dann auf die Daten zu konzentrieren, die erforderlich sind, um die Erkenntnisse voranzutreiben, die dann den Geschäftswert steigern können. Organisationen müssen „erkenntnisgesteuert und datenbasiert“ werden und nicht einfach nur „datengesteuert“ – nur dann werden sie die Leistungsfähigkeit von KI und Big Data wirklich nutzen.

PL: Es geht darum, wie sich die Einstellung zu Daten verändert hat. Es wurde früher als notwendiges Übel angesehen, ist aber heute das Kapital Nummer eins in einem Unternehmen. Typischerweise führt dies zu einer Besessenheit von Big-Data-Labels, aber es kommt darauf an, was Sie mit den Daten machen – indem Sie KI / BI / IoT usw. verwenden, um diese Daten in einen wirklich wertvollen Vermögenswert zu verwandeln. Die Automobilindustrie ist das Paradebeispiel – die Nutzung und der Verkauf der Daten, die ein Auto produziert. Interessanterweise nehmen wir „Cloud“ jetzt fast als selbstverständlich hin – hätten wir diese Frage vor 24 Monaten beantwortet, wäre Cloud die erste Überlegung gewesen, aber es ist jetzt Tischspiel. Es ist nicht mehr, ob ein Unternehmen auf die Cloud umsteigt, sondern eher, welche Art von Cloud/Cloud-Nutzung? – Wir sind weit über die Infrastrukturdiskussion hinausgegangen – das Wie und das Was – und haben uns mit der Frage befasst, warum ein Unternehmen die Digitalisierung annehmen möchte.

Fahren künstliche Intelligenz (KI) und Big Data die vierte industrielle Revolution (Industrie 4.0) voran?

CVH:  Die Kombination aus industrieller KI und Daten erzeugt einen sogenannten digitalen Prozesszwilling, der Herstellern hilft, Fehler bei der Leistung von kontinuierlichen, diskreten oder Chargenfertigungsprozessen schnell zu beheben, indem Erkenntnisse aus verfügbaren Sensor- und Produktionsdaten gewonnen werden. Diese Technologie, die Predictive Analytics nutzt, ermöglicht es Benutzern, Betriebsszenarien zu analysieren, die Auswirkungen von Betriebsänderungen auf wichtige Leistungskennzahlen zu qualifizieren und Ursachen für Leistungsschwankungen zu identifizieren. Digitale Zwillinge inspirieren zur kontinuierlichen Verbesserung, ein Schlüsselziel für die Zukunft der Branche, indem sie sowohl auf historische Daten als auch auf Echtzeitdaten zurückblicken, um schnell voranzukommen.

PL:  Wir sehen täglich eine Zunahme der KI/ML-Nutzung – Bestandsoptimierung, Wartung, schnellere Finanzprozesse sind alles Schlüsselbereiche, die wir oft sehen. Damit dies weitergeht und die Investitionsrendite fortbesteht, muss die KI integriert und bereit sein, mit anderen Systemen zusammenzuarbeiten, anstatt sie anzuschrauben, oder Unternehmen stehen vor einem gewaltigen und kostspieligen Integrationsprojekt. In Bezug auf die nächste spezifische Technologie hängt es wirklich von der Reife des einzelnen Unternehmens oder Projekts ab – Unternehmen erreichen gerade erst den Punkt einer digitalen Struktur und nicht eines Bündels digitaler Projekte. Präskriptives Arbeiten, das von KI angetrieben und von Massen von Sensordaten gespeist wird, ist für die B2B-/Industriemärkte sehr vielversprechend, und wir sehen einige sehr ermutigende frühe Triebe in der Anlagenwartung und im Außendienst.