EMI-Forum: Schlauer produzieren mit KI
Vor allem in der industriellen Produktion spielt die Künstliche Intelligenz eine wichtige Rolle und bietet produzierenden Unternehmen vielfältige Einsatzmöglichkeiten. Und das Potenzial der KI für die Industrie ist noch lange nicht ausgeschöpft. Das vergangene EMI-Forum hat das Thema „Künstliche Intelligenz in der industriellen Produktion“ in vier Vorträgen in den Fokus genommen.
Nach einer Einführung in das Thema durch Prof. Dr. Ulrich Schäfer, Dekan der Fakultät EMI und Leiter des IKKI (Innovations- und Kompetenzzentrum Künstliche Intelligenz), gab Dr. Tilman Becker, Senior Researcher am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI GmbH) und Director of RICAIP (Research and Innovation Centre on Advanced Industrial Production der Technischen Universität Prag), in seinem Vortrag „Künstliche Intelligenz und Industrie 4.0 im verteilten Testbett“ einen Einblick in die aktuelle Forschung. Ein Forschungsthema am RICAIP in Prag mit internationalen Industriepartnern bearbeitet wird, ist die fehlerfreie Produktion durch Vermeidung bzw. durch umittelbare Erkennung von Fehlern. „Was gerade in der Automobilproduktion gern gemacht wird, ist eine Qualitätskontrolle am Ende größerer Abschnitte. Und wenn dann Fehler festgestellt werden, muss im Zweifel wieder rückgebaut werden. Wir wollen diese Schleifen in Produktionen in ganz vielen Schritten bis zur finalen Inspektion aufbrechen in KI-gestützte Überwachung der Produktion bis hin zur Überwachung der Roboter.“
Der zweite Vortrag des Abends zeigte ein Beispiel für den Einsatz der KI in der Praxis. Dr. Christian Heining, Chief Innovation Officer bei up2parts GmbH (Weiden), ging auf die Chancen und Herausforderungen von KI-basierten Software-as-a-Service (SaaS)-Anwendungen ein. Das Abo-Vertriebsmodell SaaS bietet einige Synergien zu KI-Anwendungen, wie beispielsweise die einfache Möglichkeit kontinuierliche Updates einzuspielen. Beispiele für Saas sind im B2C-Beriech Netflix, Dropbox, im B2B-Bereich Office 365, Adobe und Google. „Inzwischen ist SaaS auch in der Industrie angekommen.“ Dr. Heining machte zunächst die Unterschiede zwischen „Konsumenten KI” und „Industrieller KI” klar. Bei letzterer werden lokal generierte, heterogene Datenquellen verarbeitet und es ist zusätzlich Fach- und Domänenwissen über das Produktionsumfeld nötig für die Datennutzung. „Der Erfolg von KI-Einsatz ist nicht nur Datenkompetenz, Algorithmen-Kompetenz, sondern auch extrem das Einbringen von Fachwissen, um entsprechende Modelle ableiten zu können.“ Dann stellte er noch Anwendungsgebiete und -fälle von Software-Services in der Industrie vor. Zuletzt stellte Dr. Heining einen Anwendungsfall, der von up2parts bearbeitet wird vor: Die Vorhersage von Preis und Liefertermin für eine Kundenanfrage.
Durch die Komplexität sowohl in der Produktentwicklung als auch von Daten und Modellen wird in der Industrie vermehrt auf modellbasiertes Systems Engineering (MBSE) mit KI gesetzt. Welche Synergien und Herausforderungen dadurch bestehen, das wurde von Dr. Martin Obermeier, Innovation Manager for Artificial Intelligence bei der Krones AG beleuchtet. Komplexitäts- und Wissenschaftsmanagement erklärte er am Beispiel einer Abfüllanlage. Das Model-based systems engineering (MBSE) hilft, indem es funktionale und strukturelle Elemente trennt und abstrahiert. „Herausforderung ist, dass bei der Einführung von MBSE ein Change Management erfordert, da neue MBSE-Prozesse übergreifendes Denken und höhere Abstraktion erfordert.“ Synergien liegen unter anderem im Varianten- und Komplexitätsmanagement und in der Konfiguration und Optimierung von Produkten und Prozessen.
Im letzten Vortrag des EMI-Forums erklärte Philipp Olenberg, Head of Artificial Intelligence bei der Krones AG, einführend den Begriff MLOps und dessen Ursprünge im DevOps. Denn das tatsächliche Modell und dessen Code sind nur ein kleiner Teil eines fertigen, produktiven KI-Systems. Daneben benötigt man Konfiguration, Verarbeitung von Daten, Hardware Ressourcen Management, eine Deployment Infrastruktur und Analyse und Monitoring. Der Machine Learning Workflow besteht also grob aus drei Disziplinen: Dem Data Engineering, Machine Learning Model Engineering und dem Code Engineering. Anschließend stellte Philipp Olenberg seine Praxiserfahrung in Form von umfassenden MLOps Best Practices dar. Dabei ging er auf sechs spezifische und zwei allgemeine Prinzipien ein, die er jeweils aus den drei oben genannten Perspektiven betrachtete. Zu den Prinzipien zählen unter anderem das Testen, die Automatisierung, das Monitoring und die Reproduzierbarkeit. Beispielsweise muss überwacht werden, ob die Performance des Modells mit der Zeit abnimmt, weil sich die Produktionsumgebung geändert hat.
Das EMI-Forum wurde aufgezeichnet und ist auf derEMI-Forums-Seite veröffentlicht.
