Schlauer produzieren mit KI – vor allem in der industriellen Produktion spielt die Künstliche Intelligenz eine wichtige Rolle und bietet produzierenden Unternehmen vielfältige Einsatzmöglichkeiten. Daher griff das EMI-Forum am 24. Januar genau dieses Thema auf.
In vier höchst interessanten Vorträgen von Referenten aus Wissenschaft und Wirtschaft drehte sich in der hybriden Abendveranstaltung an der OTH-AW alles um KI in der industriellen Produktion. Dass an diesem Thema großes Interesse besteht, zeigt die Teilnehmerzahl: Rund 100 Zuhörer, davon etwa die Hälfte in Präsenz, lauschten gespannt und tauschten sich im anschließenden Get-Together untereinander und mit den Referenten aus.
Im Folgenden finden Sie eine kurze Zusammenfassung der einzelnen Vorträge. Die Aufzeichnung des gesamten Events finden Sie auf unserer Homepage.
Dr. Tilman Becker, Senior Researcher DFKI GmbH und Director of RICAIP: „Künstliche Intelligenz und Industrie 4.0 im verteilten Testbett”
Herr Dr. Becker stellte zunächst das Research and Innovation Centre on Advanced Industrial Production (RICAIP) vor. Bei der deutsch-tschechischen Kooperation handelt es sich um ein EU-Projekt im Bereich KI und Industrie 4.0. Im Rahmen des verteilten Testbeb werden dort unter anderem Multiagent Systeme, Digitale Zwillinge und verteilte Produktionen erforscht.
Herr Dr. Becker identifizierte sozioökonomische Treiber für die Industrie 4.0, wie den vielbeschworenen Fachkräftemangel, eine alternde Bevölkerung aber auch der Trend der Mass-Customization. Anschließend stellte er eine Vision für Industrie 4.0 in 2030 auf, die sich in die Dimensionen Autonomie, Interoperabilität und Nachhaltigkeit aufgliedert.
Ein weiteres Forschungsthema, das mit mehreren internationalen Industriepartnern am RICAIP bearbeitet wird ist die fehlerfreie Fertigung. Dies soll erreicht werden, indem nicht erst am Ende eines Prozesses die Qualitätsprüfung durchgeführt wird, sondern durch die unmittelbare Fehlererkennung und -korrektur mittels KI.
Dr. Christian Heining, Chief Innovation Officer up2parts GmbH: „KI SaaS Anwendungen in der Industrie: Chancen und Herausforderungen”
Herr Dr. Heining teilte seine Praxiserfahrungen und -wissen zu KI-Anwendungen „as a Service” in der Industrie. Das Abo-Vertriebsmodell Software as a Service (SaaS) bietet einige Syergien zu KI-Anwendungen, wie beispielsweise die einfache Möglichkeit kontinuierliche Updates einzuspielen.
Herr 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. Dann stellte er die Zutaten einer KI SaaS Lösung vor, darunter Flexibilität, Nutzen von Expertenwissen und eine einfache Anbindung an lokale Datenquellen.
Er präsentierte einen Anwendungsfall, der von up2parts bearbeitet wird: Die Vorhersage von Preis und Liefertermin für eine Kundenanfrage. Herr Dr. Heining ging auf die Probleme des konkreten Anwendungsfalles ein und schloss mit einer Gegenüberstellung von Herausforderungen und Chancen für KI SaaS in der industriellen Produktion.
Dr. Martin Obermeier, Innovation Manager for Artificial Intelligence Krones AG: „Model-based systems engineering meets AI – Synergien und Herausforderungen”
Herr Dr. Obermeier stellte zunächst die Leistungsportfolio der Krones AG vor. Dabei ergeben sich einige Herausforderungen, da die Aufträge meistens sehr komplex sind, sie eine hohe Varianz aufweisen und die einzelne Komponenten unterschiedlichen Innovations- und Produktzyklen folgen. Daher ist es wichtig, für Produkte und Prozesse ein gutes Komplexitäts- und Wissensmanagement zu haben.
Dabei kann Model-based systems engineering (MBSE) helfen, indem es funktionale und strukturelle Elemente trennt und abstrahiert.
Dies kombiniert Krones mit wissensbasierter KI für die Schwerpunkte Planung, Konfiguration und Optimierung.
Die Unterschiede zwischen traditioneller Software und wissensbasierter KI (Logic Programming) veranschaulichte Herr Dr. Obermeier eindrücklich anhand der Routenplanung zwischen München und Berlin.
Das Ziel sind KI Systeme die sowohl Domänen- und Prozesswissen als auch operative Daten semantisch integrieren. Die Vorteile darin liegen unter anderem in dem so möglichen Varianten- und Komplexitätsmanagement, aber auch der Transparenz der wissensbasierten KI, was z.B. für Haftungsfragen relevant ist.
Philipp Olenberg, Head of Artificial Intelligence Krones AG: „MLOps – Motivation and Best Practices”
Herr Olenberg erklärte 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 Manangement, 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 Herr 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.
