DE
EN

„ML macht man mit Python, KI mit PowerPoint.“

Keine Angst vor dem Fortschritt – KI und ML im Maschinen- und Anlagenbau

Geschätzte Lesedauer: min

Er ist schwer ihn zu erreichen und wenn man ihn am Telefon hat, dann ist er schwer zu unterbrechen: Prof. Dr. Sepp Hochreiter - ein Vater des LSTM Algorithmus ohne den Siri, Alexa und Co. stumm wären. Ich hatte 20 Minuten mit ihm. Seine Botschaft: „Verehrte Maschinenbauer – vermasselt den Vorsprung im Anlagenbau nicht. Wir sollten uns nicht an Google oder Baidu orientieren, auch wenn das in der Öffentlichkeit sehr attraktiv ist. Wir sollten in Europa, in Deutschland und Österreich unseren Schwerpunkt auf Künstliche Intelligenz (KI) im Maschinen- und Anlagenbau legen. Die sprechende Drehmaschine muss unser Ziel sein, nicht ein neues Smartphone.“ Die Ansätze seien da. „Doch wir müssen jetzt handeln, denn in den USA erklären mir die Firmen aus dem Silicon Valley: ‚Das bisschen Engineering kriegen wir hin oder kaufen wir uns dazu.‘“

Doch wie startet ein Mittelständler ein KI oder Machine Learning (ML) Projekt?

 „ML macht man mit Python, KI mit PowerPoint.“ Der Witz kursiert seit einigen Monaten durch die sozialen Netzwerke und viele Industrieanwender können darüber sicher schmunzeln. Der Witz verdeutlicht, dass KI ein Hype ist, mit dem manch ein Vertriebler auch Schindluder treibt. Aber ein Hype ist wichtig, denn er schafft Bewusstsein für eine Technologie, eine Methodik oder eine Veränderung im Markt. Und um ein ML- oder KI-Projekt zu starten, braucht es in erster Linie viel Begeisterung, braucht es Menschen im Unternehmen, die sich fesseln lassen, die für ein Thema brennen. Wenn Sie diese Menschen in Ihrem Team haben, dann geben Sie ihnen alle Freiheiten, Budget und Rückendeckung bei den ersten Fehlschlägen.


Die Industrie, auch der Mittelstand macht sich auf den Weg, Daten zu nutzen. Daten sind ein neuer Produktionsfaktor – zusätzlich zu Boden, Kapital und Arbeitskraft. Unternehmen sollten sich bewusst sein: In der Vergangenheit haben Firmen ein Problem oder eine Chance gesehen. Der Entwickler hat dann einen Code geschrieben, der getestet wurde, dann ging der Algorithmus in die Praxis und wurde mit Daten gefüttert und eine Entscheidung dann dem Anwender überlassen. Heute sind wir auf dem Weg, dass die Daten zuerst kommen, die dann einem allgemeinen Algorithmus übergeben werden, und dass dann vom System selbstständige Entscheidungen getroffen werden.


Der Verband Deutscher Maschinen- und Anlagenbau hat sechs Schritte definiert, die eine erste Orientierung geben. 


  1. Das Thema, das Projekt sollte in der Geschäftsführung aufgehängt sein.
  2. Geschäftsverständnis ist die Grundvoraussetzung. Das Projektteam muss wissen, was das Unternehmen ist und was es will. „Ich will in zwei Jahren ML in meinen Maschinen haben.“ Ein eindeutiges Mission Statement ist wichtig. In Zeiten einer konjunkturellen Abkühlung müssen sich Unternehmen jetzt mit den Themen ML und KI beschäftigen.
  3. Die Verantwortlichen müssen sich die Daten anschauen. Wenn Daten im OPC UA-Format vorhanden sind, hat das einen großen Vorteil. Aber als Unternehmen kann ich auch erst einmal MES-, ERP- oder SCADA-Daten in ihrer Rohfassung sammeln.
  4. Wichtig ist die Datenqualität, wie gut sind die Daten? Damit einher geht die Datenverbesserung, das „Data Cleaning oder Scrubbing“, das Saubermachen von Daten. Sauber bedeutet in diesem Fall, dass z. B. keine Werte mehr fehlen oder Daten inkonsistente Formate oder Bedeutung zugeordnet sind. Das Säubern und das Erweitern von Daten können bis zu 80 Prozent der Zeit in einem Projekt kosten.
  5. Im nächsten Schritt muss das Unternehmen modellieren. Dafür brauchen die Verantwortlichen ein digitales Abbild von der Maschine, nicht unbedingt von der gesamten Anlage. Auf Basis des digitalen Zwillings sucht das Projektteam dann das algorithmische Modell, das am akkuratesten die relevanten Vorgänge abbildet. Bei der Evaluierung des Modells – und überhaupt auch schon in früheren Schritten ‒ muss ich mich immer fragen, ob die Anwendung mein Ziel erfüllt.
  6. Im vorläufig letzten Schritt bringt das Projektteam das Modell in die Anlage ein. Damit findet das Projekt aber nicht sein Ende! Es ist sehr wichtig, das Modell im laufenden Betrieb ständig zu aktualisieren. Kleine Änderungen in der Anlage verändern die Daten oder werden vom existierenden Modell und seinem Ergebnis möglicherweise nicht mehr repräsentiert.


KI und ML verändern vieles in der Industrie. Aber Angst muss niemand davor haben. Alle Mitarbeiter in einem Unternehmen müssen sich dieser Entwicklung bewusst sein. Damit verbunden ist auch die Aufforderung an das Management in den Unternehmen, sich gemeinsam mit den Mitarbeitern dem Thema KI und ML in der Industrie, in den Fertigungsprozessen zu widmen und gemeinsam Projekte zu entwickeln und die Arbeit in den Prozessen neu zu organisieren bzw. neue Aufgabenfelder und neue Geschäftsmodelle zu entwickeln, um zukunftsfähig zu sein. Es geht bei KI und ML also auch um Verantwortung als Unternehmer.


Das klingt anstrengend. Ja, wir machen das, nicht weil es leicht ist, sondern weil es schwierig ist und weil es in fünf Jahren der einzige Weg sein wird, um erfolgreich zu sein.