Warum Hersteller KI und Big Data für Wettbewerbsvorteile nutzen müssen

Manufacturing Global sprach mit Führungskräften von EY, Infor und GE Digital, um der Frage auf den Grund zu gehen, warum Hersteller künstliche Intelligenz (KI) und Big Data für ihren Wettbewerbsvorteil einsetzen sollten.

Aktuelle Anwendungen von KI und Big Data in der Fertigung

Cobus Van Heerden (GE Digital): Industrielle KI kombiniert gezielte KI-Technologien, Daten, Physik und tiefes Domänenwissen, um zentrale industrielle Geschäftsherausforderungen zu lösen. Während herkömmliche KI menschliche Intelligenz nachahmt, baut industrielle KI darauf auf, um in risikoreichen, dynamischen und variablen industriellen Umgebungen Erkenntnisse zu gewinnen und kausales Wissen zu bestimmen. In der Fertigung kann industrielle KI eingesetzt werden, um wesentliche Prozess- und Anlagenprobleme zu erkennen und vorherzusagen, wodurch Unternehmen ihre Abläufe – einschließlich Kapazität, Qualität und Kostenstrukturen – optimieren können.

Phil Lewis (Infor): Lehrbuchdefinitionen von KI oder Big Data verfehlen den Punkt, dass Branchen unterschiedliche Anforderungen an die Technologie haben. Es geht um die Anwendung einer bestimmten Technologie auf ein spezifisches Problem, das ein Unternehmen erlebt. Der größte Wert liegt in der Anwendung von Tools wie Big Data und KI auf die kritischen 10 % eines Unternehmens, die wirklich einzigartig sind. Wir klassifizieren dies als 60/30/10-Aufteilung und wenden diese Technologien entsprechend an, um maximalen Wert zu schaffen.

Warum Hersteller KI und Big Data für Industrie 4.0 nutzen sollten

Cobus Van Heerden: Smart Manufacturing setzt industrielle Fortgeschrittene Analytik ein, um zukünftige Anlagen- und Prozessleistung mithilfe von Echtzeit- und historischen Daten vorherzusagen und in einem geschlossenen Regelkreis zu optimieren. Dies beinhaltet den Einsatz von KI und maschinellem Lernen, um Prozessingenieure in die Lage zu versetzen, Daten über industrielle Datenquellen hinweg zu kombinieren, Probleme schnell zu identifizieren, Grundursachen im Werk zu entdecken, die zukünftige Leistung von Anlagen vorherzusagen und Aktionen zu automatisieren, die Mitarbeiter ergreifen können, um Qualität, Produktivität und Abläufe zu verbessern.

Mark Powell (EY): Digitalisierung zwingt Hersteller, ihre Lieferketten neu zu denken. Die meisten Unternehmen nutzen interne Daten, um Angebot-Nachfrage-Gleichgewichte zu verfolgen, doch externe Ereignisse, die Lieferketten beeinflussen, vorherzusehen, ist schwierig. Mithilfe von KI-Techniken, die unstrukturierte externe Datensätze wie soziale Medien und Ereignisdaten verstehen, können Hersteller Lieferkettenunterbrechungen viel früher planen.

Zudem können Hersteller KI und Big Data nutzen, um digitale Abbilder ihrer Fertigungsabläufe zu erstellen und transformative Möglichkeiten zu erschließen: Verkürzung der Zykluszeiten in der Produktion, Erhöhung der Fertigungskapazitäten und Vorhersage ungeplanter Wartungsaktivitäten.

Phil Lewis: Einige Vorzeigestatistiken für KI und Big Data verlangen Aufmerksamkeit. Kürzlich automatisierte Siemens eine seiner Fabriken in Deutschland, wobei 75 % der Prozesse digitalisiert oder stärker automatisiert wurden. Die Produktivität stieg um 1.400 %. Das ist für jedes Unternehmen bahnbrechend. Daher prüfen viele Hersteller nun, wie sie KI und Big Data in ihre Zukunftspläne integrieren können.

Beste Strategie zur Wertschöpfung durch KI und Big Data

Cobus Van Heerden: Prozessingenieure verfügen über außergewöhnliches Domänenwissen, um Prozessmodelle – oder Prozess-Digitale Zwillinge – zusammenzustellen und diese zu interpretieren. Dies ist die Grundlage für die Verbesserung des Wettbewerbsvorteils und den Erfolg mit Analytik. Um Analytik voranzutreiben und Prozesse zu verbessern, sollten Hersteller eine Strategie entwickeln, die Domänenwissen auf fünf Fähigkeiten ausrichtet: Analyse – automatische Grundursachenidentifikation beschleunigt kontinuierliche Verbesserung; Überwachung – Frühwarnungen reduzieren Ausfallzeiten und Ausschuss; Vorhersage – proaktive Maßnahmen verbessern Qualität, Stabilität und Zuverlässigkeit; Simulation – Was-wäre-wenn-Simulationen beschleunigen präzise Entscheidungen bei geringeren Kosten; und Optimierung – optimale Prozesssollwerte verbessern den Durchsatz bei akzeptabler Qualität um bis zu 10 %. Alle Prozessingenieure können und müssen Fähigkeiten in Analytik und maschinellem Lernen entwickeln, um wettbewerbsfähig zu bleiben. Im Laufe der Zeit können Ingenieure von kleinen Projekten zu Pilotprojekten und zur Multi-Werks-Optimierung mit tiefer Anwendung von Analytik übergehen. Ihr tiefes Domänenwissen bietet die Grundlage für die Modellierung von Prozessen und die Entwicklung von Analytik, die in sehr spezifischen Anwendungen bahnbrechend sind. Am wichtigsten: Beginnen Sie mit Analytik. Testen Sie intuitive Ideen und untermauern Sie diese mit Daten und Analytik. Warten Sie nicht, bis Sie Datenwissenschaftsexperte sind. Das ist nicht nötig. Nutzen Sie bewährte, benutzerfreundliche industrielle Analytik-Tools, die mit Ihrem Domänenwissen gespeist werden. Das wird schnell große Verbesserungen bewirken.

Phil Lewis: Unternehmen – einschließlich Hersteller – bewerten digitale Projekte meist mit Fokus auf Kunde, Lieferkette, interne Effizienz oder Mitarbeiter – das sind die vier Haupttreiber für jeden digitalen Vorstoß. Diese entstehen oft organisch aus einer anhaltenden „Wie können wir es besser machen“-Haltung. Dies wurde durch Wettbewerbsängste beschleunigt, da Unternehmen befürchten, gegenüber Wettbewerbern und disruptiven Neueinsteigern ins Hintertreffen zu geraten. Es gibt eine spürbare Angst vor digitaler Irrelevanz, die viele Investitionen antreibt. Allerdings haben viele Hersteller bereits vor COVID stark in Technologie investiert. Der erste Schritt ist daher, KI und Big Data an bestehende Technologie anzupassen. Bei der Bewertung der heutigen Technologie müssen Unternehmen nicht nur kurzfristig prüfen, ob die Technologie aktuelle Prozesse bewältigt, sondern auch, ob sie eine Plattform für die Zukunft bietet. Letztere basiert auf Daten. Beide Aspekte sind gleich wichtig, aber die „Plattformperspektive“ erfordert Big Data. Es reicht nicht mehr, eine Plattform zu wählen, die nur laufende Prozesse unterstützt oder anpasst – zukünftige Fähigkeiten müssen integriert sein. Zudem muss sichergestellt werden, dass diese Technologie bestmöglich eingesetzt wird. Dies erfordert eine offene, cloudbasierte Anwendungslandschaft, damit ein Unternehmen neue Chancen wie Big Data oder KI nutzen kann, ohne umständliche Integrationen und Aufsätze durchlaufen zu müssen. Dies macht eine Organisation agiler und fokussiert auf die kreative Anwendung der Technologie auf Geschäftsbedürfnisse, wie die Identifizierung neuer Umsatzchancen.

Herausforderungen bei der Einführung von KI und Big Data-Analytik

Cobus Van Heerden: Hersteller stehen vor der Herausforderung, Abfall, Kosten und Risiken zu reduzieren und gleichzeitig die Kundennachfrage zu erfüllen. Die Kombination von KI und Daten beschleunigt die Digitalisierung durch analysenbasierte Lösungen, die Mitarbeiter mit Daten im Kontext ausstatten, damit Menschen, Anlagen und Prozesse effizient zusammenarbeiten. Eine weitere Hürde ist der Einstieg: Unternehmen möchten mehr über den Einsatz von Analytik in ihren Abläufen erfahren, sehen dies aber nicht als Aufgabe ihrer aktuellen Belegschaft. Industrielle KI-Lösungen können hier helfen, ohne dass Prozessingenieure zu Datenwissenschaftlern werden müssen.

Mark Powell: Die zentrale Herausforderung bei der KI-Einführung liegt in der Fähigkeit der Hersteller, organisationsweit Einigkeit über hochwertige Bereiche zu erzielen, in denen KI Wirkung entfaltet. Beispiel: Einsatz von maschinellem Lernen und Computer Vision zur Vorhersage und Erkennung von Anlagenfehlern, bevor diese auftreten, um Produktionsausfälle zu reduzieren und Wartungskosten zu senken. Eine weitere Herausforderung ist die Etablierung einer Kultur, die KI durch Testen und Lernen in Prozesse einbettet. Zu lange haben Organisationen davon gesprochen, „datengesteuert“ zu werden – mit mäßigem Erfolg. Hersteller benötigen einen anderen Ansatz: Verstehen, wo Wert durch neue Erkenntnisse geschaffen werden kann, dann auf die dafür nötigen Daten fokussieren, um Erkenntnisse zu gewinnen, die Geschäftsvalue treiben. Organisationen müssen „erkenntnisgesteuert und datengestützt“ werden, nicht nur „datengesteuert“ – erst dann nutzen sie die Kraft von KI und Big Data wirklich.

Phil Lewis: Es geht darum, wie sich Einstellungen zu Daten gewandelt haben. Daten galten früher als notwendiges Übel, sind heute das wichtigste Asset im Unternehmen. Dies treibt oft eine Besessenheit mit Big-Data-Labels an, doch entscheidend ist, was man mit den Daten tut – mittels KI, BI, IoT etc. Daten in ein wirklich wertvolles Asset zu verwandeln. Die Automobilindustrie ist das Paradebeispiel: Nutzung und Verkauf der von Autos erzeugten Daten. Interessanterweise nehmen wir „Cloud“ mittlerweile fast als selbstverständlich hin – vor 24 Monaten wäre Cloud die erste Überlegung gewesen, jetzt ist sie Standard. Die Frage ist nicht mehr, ob ein Unternehmen in die Cloud geht, sondern welche Art der Cloud-Nutzung. Wir haben die Infrastruktur-Frage („Wie“) hinter uns gelassen und sind beim „Was“ und „Warum“ angekommen, warum ein Unternehmen digital werden will.

Treiben KI und Big Data die vierte industrielle Revolution (Industrie 4.0)?

Cobus Van Heerden: Die Kombination aus industrieller KI und Daten erzeugt einen Prozess-Digitalen Zwilling, der Herstellern hilft, die Leistung kontinuierlicher, diskreter oder batchbasierter Fertigungsprozesse schnell zu beheben, indem Erkenntnisse aus verfügbaren Sensor- und Produktionsdaten gewonnen werden. Diese Technologie, die prädiktive Analytik nutzt, ermöglicht Anwendern die Analyse von Betriebsszenarien, die Qualifizierung der Auswirkungen operativer Änderungen auf Schlüsselkennzahlen und die Identifizierung von Ursachen für Leistungsvariationen. Digitale Zwillinge inspirieren kontinuierliche Verbesserung – ein Schlüsselziel der zukünftigen Industrie – indem sie auf historische Daten und Echtzeitdaten zurückblicken, um schnell voranzukommen.

Phil Lewis: Wir sehen täglich mehr KI/ML-Anwendungsfälle – Bestandsoptimierung, Wartung, schnellere Finanzprozesse sind Schlüsselbereiche. Damit dies anhält und der ROI stimmt, muss KI fest in andere Systeme integriert sein, statt als Aufsatz, sonst drohen teure Integrationsprojekte. Die nächste konkrete Technologie hängt von der Reife des einzelnen Unternehmens oder Projekts ab – Unternehmen erreichen gerade erst den Punkt eines digitalen Gewebes statt isolierter Digitalprojekte. Präskriptives Arbeiten, getrieben von KI und gespeist von Massensensordaten, birgt enormes Potenzial für B2B/Industriemärkte, und wir sehen vielversprechende Anfänge in der Instandhaltung und im Außendienst.