Künstliche Intelligenz

Die politische Initiative „Industrie 4.0“ soll deutschen Fertigungsunternehmen bei der Nutzung von Datenpotenzialen helfen. Gerade die Instandhaltung ist mit heutigen Ansätzen bisher unzureichend proaktiv gestaltet. Einen Lösungsweg bieten auf künstlicher Intelligenz (KI) gestützte Entscheidungsunterstützungssysteme, welche eine vorausschauende Maschinenwartung erlauben. Der undurchsichtige Entscheidungsprozess der KI stellt jedoch ein Hindernis für Nutzer dar, welches die Effektivität solcher Systeme gefährdet. Dieser Beitrag beleuchtet daher sowohl technische als auch soziale Faktoren für den Einsatz von KI im Rahmen von Industrie 4.0.

Mit zunehmender Datenverfügbarkeit wird der Einsatz Maschinellen Lernens zur Steuerung und Optimierung von Supply Chains attraktiver, da die Qualität der Datenauswertung erhöht und gleichzeitig der Aufwand gesenkt werden kann. Anhand des SCOR-Modells werden exemplarische Ansätze als Orientierungshilfe eingeordnet und dazu passende Verfahren des Maschinellen Lernens vorgestellt.

Mit bedienerseitigen Eingriffsmöglichkeiten erlauben semi-autonome Systeme eine bessere Bewältigung auftretender Komplexitäten als vollautonome Systeme. Der Einsatz eines digitalen Zwillings ermöglicht eine neuartige Schnittstelle für die Interaktion mit solchen Systemen. Dieser Beitrag beschreibt die Implementierung der Steuerung und Nutzerschnittstelle in einem System mit digitalem Zwilling. Es wird gezeigt, wie die entwickelte Steuerungsarchitektur die Einbindung verschiedener Methoden der Mensch-Technik-Interaktion und die Durchführung virtueller Schulungen ermöglicht. Auf diese Weise kann die Steuerung des Systems über die Betriebsphase hinaus in anderen Phasen des Lebenszyklus verwendet werden.

Zunehmend spezialisierte, diverse und auch gänzlich neue Kompetenzen und Kompetenzprofile erschweren die Interpretation von Bildungsabschlüssen und das Matching von Anforderungsprofilen mit Kompetenzen von Individuen oder Gruppen. Wenn Kompetenzbeschreibungen natürlichsprachlich formuliert vorliegen, ist die informationstechnologische Unterstützung bei der Aktualisierung, Kommunikation und Analyse begrenzt. Es erscheint daher erstrebenswert, Kompetenzen in einer formalen, computerunterstützt auswertbaren Beschreibungssprache zu modellieren. In diesem Beitrag wird der Ansatz einer generischen Syntax zur Formulierung von Lernzielen vorgestellt, wodurch auch komplex formulierte Kompetenzen und Lernziele in einer computerunterstützt auswertbaren Ontologie abgebildet werden können und mit Semantic Web- und Linked Data-Techniken geteilt und weiterverarbeitet werden können.

Derzeit erleben wir einen rasanten technologischen und gesellschaftlichen Wandel, der durch das Konvergieren diverser Megatrends einen erheblichen Einfluss auf das Alltagsleben der Menschen hat. Unsere Studie zielt darauf ab, relevante Strategien für die digitale Zukunft einer Makro-Region (Tirol, Südtirol und Venetien) herauszuarbeiten. Zu diesem Zweck wurden, ausgehend von einem Triple-Helix-Modell, semistrukturierte Interviews mit Vertretern von Unternehmen, Universitäten und Schulen und der öffentlichen Verwaltung geführt. Aus den empirischen Ergebnissen leitet die Studie 80 spezifische Handlungsempfehlungen für die digitale Transformation der Makroregion ab.

Der Einsatz vollautonomer Systeme ist aufgrund variabler Systemumgebungen oder geringer Stückzahlen nicht in allen Anwendungsfeldern wirtschaftlich. Semi-autonome Systeme können hier helfen, den Menschen zu entlasten, da ein Bediener jederzeit die Kontrolle über das System übernehmen kann. Dieser Beitrag stellt einen neuartigen, auf dem digitalen Zwilling aufbauenden, Ansatz für die Mensch-Technik-Interaktion (MTI) mittels adaptiver Automation vor. An einem Fallbeispiel wird gezeigt, wie der Bediener eines Cyber-Physischen Systems (CPS) in spezifischen Aufgaben durch einen modularen digitalen Zwilling (mDT) unterstützt werden kann. Dies erlaubt die Unterscheidung zwischen kurzfristigen Signaländerungen und langfristiger Verhaltensmodifikation. Mit dem vorgestellten Konzept können semi-autonome Systeme für Anwendungsgebiete entwickelt werden, in denen der Einsatz autonomer Systeme aufgrund komplexer und variabler Systemumgebungen oder geringer Stückzahlen bisher nicht gegeben ...

Im Zuge des zunehmenden Wettbewerbsdrucks sind auch Pharmaunternehmen getrieben ihre Produktionsprozesse stetig effizienter zu gestalten. Insbesondere gilt es Verluste des typischerweise hochpreisigen Produkts zu minimieren. Folgend wird ein Ansatz zur prädiktiven Erkennung des Fehlverhaltens im Betrieb von Abfüllanlagen für pulvrige pharmazeutische Erzeugnisse mit Maschinellen Lernverfahren vorgestellt. Im Fokus steht hierbei die Prognose der Füllabweichungen mit Rekurrenten Neuronalen Netzen, eine Methode der Künstlichen Intelligenz. Ein Überschreiten bzw. Unterschreiten der Toleranz des Abfüllgewichts führt dazu, dass die abgefüllten Einheiten nicht weiterverwendet werden können. Ziel ist es, frühzeitig ein Abdriften der Prozessstabilität zu erkennen und entsprechend einzugreifen. Die nötigen Schritte hierzu werden folgend vorgestellt.

Künstliche Intelligenz und ihr Teilgebiet Maschinelles Lernen sind in aller Munde. Genaueres Wissen darüber, was die Begriffe eigentlich meinen, ist jedoch oft noch nicht umfassend vorhanden. Deshalb stellt der Beitrag zunächst einiges Grundwissen zum Thema vor und zeigt dann auf, welche Einsatzmöglichkeiten und Mehrwerte insbesondere maschinelle Lernverfahren für die Produktion bieten können. Die Robotik, beispielsweise ein autonomer Griff-in-die-Kiste, ist ein Teilgebiet im Produktionsumfeld, das von den beschriebenen Technologien insbesondere profitiert. Abschließend geht der Beitrag auf das Thema Erklärbarkeit von maschinellen Lernverfahren ein. Das Entschlüsseln der „Black Box“ ist aus technischen, rechtlichen und gesellschaftlichen Gründen eine essenzielle Aufgabe für KI-Experten.

Produzierende Unternehmen müssen effizient und wirtschaftlich arbeiten, gleichzeitig aber kompromisslos Qualität liefern. Denn Kunden sind anspruchsvoll, und in manchen Branchen gilt gar eine Null-Fehler-Toleranz. Häufig findet die Qualitätskontrolle noch manuell und zeitversetzt statt. Das ist eine aufwendige, monotone und oft unbequeme Arbeit. Zudem können Fehler erst spät korrigiert werden. Mithilfe von Künstlicher Intelligenz lässt sich die visuelle Qualitätskontrolle dagegen automatisieren, in Echtzeit durchführen und in den Produktionsprozess integrieren. Sie wird dadurch genauer, effizienter und kostengünstiger. Was man für ein solches Projekt braucht und wie man es in der Praxis am besten umsetzt, zeigt der folgende Beitrag.

Künstliche Intelligenz (KI) und Lernende Systeme bieten enormes wirtschaftliches Potenzial und sind Treiber des digitalen Wandels. Sie verändern die Wertschöpfungsketten, Geschäftsmodelle und Beschäftigungsstrukturen in der Industrie radikal. Traditionelle Produkte werden in nahezu allen Branchen durch datengetriebene Services erweitert. Um mit dem internationalen Wettbewerb Schritt zu halten, müssen Unternehmen ihre Betriebsdaten mithilfe Künstlicher Intelligenz wirtschaftlich nutzbar machen und damit neue Geschäftsmodelle ermöglichen - und zwar besser heute als morgen.