Kleine Hersteller nutzen KI für schlanke Prozesse und Effizienz

Künstliche Intelligenz (KI) wird allgemein als entscheidender Aspekt der sogenannten Industrie 4.0 anerkannt. Obwohl noch unklar ist, wie KI genau in die nächste Phase der industriellen Revolution integriert wird, besteht weitgehend Einigkeit darüber, dass sie eine stärkere Vernetzung von Menschen, Maschinen und Informationstechnologie ermöglichen wird. Dadurch können Hersteller Prozesse besser optimieren und Probleme vorhersagen.

Wie sollen kleine und mittlere Hersteller (KMU), die typischerweise nicht über die Zeit oder das Kapital verfügen, um neue Technologien zu testen, bewerten, wie KI ihre Organisation beeinflussen könnte – und welche Rolle sie bei der Vorbereitung auf Industrie 4.0 spielen kann?

Abzuwarten, bis der Fertigungssektor „entscheidet“, ist keine Option. Eine Verzögerung von einem, zwei oder fünf Jahren könnte dazu führen, dass ein Hersteller den Anschluss verliert. Der Zeitpunkt zum Handeln ist jetzt, aber der Weg nach vorn ist nicht klar.

Eine Möglichkeit besteht darin, KI im Rahmen einer laufenden Transformation zu bewerten, die viele KMU bereits umsetzen: der schlanken Fertigung (Lean Manufacturing).

Das „Kontinuierliche“ in der kontinuierlichen Verbesserung mit KI

Zentraler Bestandteil der Lean-Philosophie ist die Idee der kontinuierlichen Verbesserung – ein Bekenntnis zu fortlaufendem Wandel. Um Lean zu praktizieren, muss die Veränderungsbereitschaft ständig aufrechterhalten werden, damit sich Verbesserungschancen schnell umsetzen lassen.

Lean-Verbesserungen erfolgen durch Interventionen. Wird ein Problem identifiziert, z. B. in einem Prozess, wird die Arbeit angehalten. Teammitglieder werden hinzugezogen, um zu beobachten, Schlussfolgerungen zu ziehen, Urteile zu fällen und schließlich Maßnahmen zu ergreifen, die die Ursache beheben. Dieser intermittierende Betrieb ist die Art, wie Lean heute funktioniert, obwohl sein Stop-and-Go-Rhythmus im Widerspruch zur Idee der kontinuierlichen Verbesserung zu stehen scheint. Es ist das, was derzeit machbar – oder zumindest menschlich möglich – ist.

Was aber, wenn man die Arbeit nicht anhalten müsste, um einen Lean-Prozess durchzuführen? Was, wenn man den Großteil des grundlegenden Lean-Prozesses (beobachten, Schlussfolgerungen ziehen, urteilen, handeln) während des laufenden Betriebs durchführen könnte? Das ist eines der Hauptversprechen von KI für Fertigungsbetriebe jeder Größe.

Wo Lean-Betriebe mit KI beginnen können

KI ist ein weites Feld, das eine breite Palette von Technologien umfasst – von Algorithmen, die aus Datensätzen lernen, bis hin zu Robotern, die an Science-Fiction erinnern.

Für kleine Hersteller ist der relevante KI-Teilbereich vor allem das maschinelle Lernen (Machine Learning). Wie Amit Manghani in seinem „A Primer on Machine Learning“ definiert:

Manghani skizziert vier Arten des maschinellen Lernens, die alle Anwendungen in der schlanken Fertigung haben könnten. Dies setzt jedoch voraus, dass ein kleiner Hersteller bereit ist, in die Rechenleistung zu investieren, um die erforderlichen Daten für die computergestützte Analyse bereitzustellen:

1. Überwachtes maschinelles Lernen (Supervised Machine Learning)
2. Unüberwachtes maschinelles Lernen (Unsupervised Machine Learning)
3. Teilüberwachtes maschinelles Lernen (Semi-Supervised Machine Learning)
4. Bestärkendes maschinelles Lernen (Reinforcement Machine Learning)

Lassen Sie uns diese vier Möglichkeiten, maschinelles Lernen in der schlanken Fertigung anzuwenden, genauer betrachten:

1. Überwachtes maschinelles Lernen

Beim überwachten maschinellen Lernen analysieren Algorithmen eingehende Daten und weisen jedem Datenelement, das vordefinierte Kriterien erfüllt, Labels zu. Schlanke Hersteller könnten diese Technik nutzen, um die Qualitätskontrolle bei komplexen Teilen zu automatisieren – vorausgesetzt, relevante Teiledaten können erfasst und dem Algorithmus zur Verfügung gestellt werden.

2. Unüberwachtes maschinelles Lernen

Beim unüberwachten maschinellen Lernen gibt es keine vorgegebenen Antworten, nach denen ein Algorithmus Daten sortieren könnte. Stattdessen muss der Algorithmus Daten beim Anfallen beobachten und auswerten, Muster erkennen und eigene Labels bilden. Diese Art des maschinellen Lernens könnte von schlanken Herstellern genutzt werden, um eine Produktionsmaschine – oder ein Netzwerk vernetzter Maschinen – auf ungewöhnliches Verhalten zu überwachen und so Fehlfunktionen vorherzusagen.

3. Teilüberwachtes maschinelles Lernen

Wie der Name andeutet, mischt das teilüberwachte maschinelle Lernen überwachte und unüberwachte Ansätze. In einem teilüberwachten Szenario gibt es einige vorhandene Labels für Daten. Weitere Kriterien werden vom Algorithmus im Laufe der Zeit mit menschlicher Unterstützung entwickelt. Ein teilüberwachtes Szenario könnte nützlich sein, um die wiederholte Teilefertigung zu optimieren und sowohl Teile- als auch Prozessabfall potenziell zu eliminieren.

4. Bestärkendes maschinelles Lernen

In einem bestärkenden Szenario prognostiziert ein Algorithmus, welche Aktion aus einer Menge möglicher Aktionen die höchste Belohnung ergibt. KMU, die einen Lean-Transformationsprozess durchlaufen, könnten diese Art des maschinellen Lernens nutzen, um verschiedene Pfade zu prozessualen Veränderungen abzuwägen, die sie anstreben.

Maschinelles Lernen kann die schlanke Fertigung ergänzen

Fokussiert man sich auf maschinelles Lernen, wird deutlich, dass es KI-Anwendungen gibt, die für die meisten Hersteller nützlich und zugänglich sind – unabhängig von ihrer Größe. In manchen Fällen sind Teile des Puzzles bereits in Form von Daten vorhanden, die von bereits installierten Maschinensensoren, bestehender IT- und operativer Technologie (OT) erfasst werden.

Wenn KMU beginnen, KI-Anwendungen in Betracht zu ziehen, ist es wichtig zu bedenken, dass keines dieser Szenarien automatisch die Verfügbarkeit von Arbeitsplätzen für Menschen gefährdet. Vielmehr können diese Ideen so verfolgt werden, dass sie einen arbeiterbefähigenden Lean-Prozess ergänzen, indem sie Mitarbeitern Zugang zu Echtzeitinformationen und besseren Werkzeugen für die Problemlösung und Ausführung am Arbeitsplatz geben.

Eine nützliche Analogie ist die aktuelle Sensortechnologie im Automobil, die das Bewusstsein und die Wahrnehmung menschlicher Fahrer ergänzt. Diese Technologie verbessert nicht nur die Sicherheit, sondern sorgt auch für weniger Reibung im Gesamtsystem, indem sie das Verhalten aller Verkehrsteilnehmer angleicht. Auf diese Weise nimmt die Autosicherheitstechnik niemanden aus der Fahrgleichung heraus – sie macht das Fahren sicherer und effizienter.

Aus dieser Perspektive kann KI als ein weiteres Werkzeug im Lean-Werkzeugkasten betrachtet werden – wenn auch eines mit potenziell sehr großer Wirkung.