Künstliche Intelligenz

Um künstliche Intelligenz nutzen zu können, braucht ein Unternehmen nicht zwingend einen ausgewiesenen Fachmann. Die Fraunhofer-Studie »Cloudbasierte KI-Plattformen - Chancen und Grenzen von Diensten für Machine Learning as a Service« zeigt, wie kleine und mittlere Unternehmen stattdessen vorgehen können. Dieser Beitrag fasst Argumente und Ergebnisse der Studie zusammen, Zitate daraus sind daher nicht entsprechend markiert.

Der intensive globale Wettbewerb, kürzer werdende Produktlebenszyklen und eine zunehmende Variantenvielfalt erfordern flexible und wandlungsfähige, aber zugleich wirtschaftliche Produktions- und Logistiksysteme. Insbesondere in der Kontraktlogistikbranche werden aufgrund der kurzen Vertragslaufzeiten (ca. zwei bis drei Jahre) häufig Logistiksysteme bzw. Fabrikabschnitte neu geplant. Das Wissen über die kundenspezifischen Prozesse sowie die kundenindividuelle Konfiguration der Logistiksysteme liegt implizit bei den Planer*innen. Durch den Einsatz eines KI-basierten Assistenzsystems soll dieses Wissen erfasst und aufbereitet werden, sodass der Planungsprozess beschleunigt wird und gleichzeitig die Planungsqualität weniger individuellen Schwankungen unterliegt. In diesem Beitrag wird beschrieben an welchen Stellen des Planungsprozesses ein Bedarf für eine Unterstützung durch ein auf künstlicher Intelligenz (KI) basierendes Assistenzsystem besteht und wie die digitale Plattform ...

In den letzten Jahren hat das Quantencomputing neue Erfolge erzielt, wie z. B. das Quantenüberlegenheitsexperiment von Google [1] und es zeigt sich, dass es von großen Industrieunternehmen zur Lösung komplexer Probleme eingesetzt wird. Aber was hat zu dieser Entwicklung geführt? Welche Arten von Problemen können wir in naher Zukunft erwarten, die mit Quantencomputing zu lösen sind? Auf welche Herausforderungen stoßen wir bei dieser Technologie und ihrem Einsatz im industriellen Umfeld?

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.

Aufgrund der Vielzahl verschiedener Machine-Learning-Verfahren und der Modellierungskomplexität besteht unter Ingenieuren häufig Unsicherheit gegenüber der effizienten Anwendung von Machine Learning (ML). Daher bleibt der Einsatz von ML-Anwendungen in verarbeitenden Unternehmen hinter den technischen Möglichkeiten zurück. In diesem Beitrag wird ein intuitiver Handlungsleitfaden für Ingenieure vorgestellt, der diese Unsicherheit verringern soll. Der Handlungsleitfaden führt in sechs Schritten durch ein ML-Projekt. Der ML-Kompass schlägt dem Anwender für gängige ingenieurstechnische Problemstellungen der Produktentwicklung und Produktion ML-basierte Algorithmen, die in der Praxis verwendet werden, vor. Anhand eines Industriebeispiels wird die Funktionsweise demonstriert.

Die europäische Alliance for Logistics Innovation through Cooperation in Europe (ALICE) hat das „Physical Internet“als Zielvorgabe einer effizienten und nachhaltigen Logistik bis zum Jahr 2050 festgelegt. Das Konzept umfasst ein standardisiertes, offenes, globales Transportsystem, in dem physische Güter nach dem Muster der Übertragung digitaler Daten ausgetauscht werden. Wird dieses Konzept aktuelle Logistikmodelle ersetzen?

Vor 15 Jahren waren Manufacturing-Execution-Systeme etwas Revolutionäres, denn sie konnten ein neues Maß an Datenintegration auf dem benötigten Detailgrad liefern. Die zukünftige Wettbewerbsfähigkeit der Digitalen Fabrik wird von der richtigen Architektur für die zahlreichen in der Fabrik eingesetzten Informationssysteme und von den Abläufen abhängen. Ebenfalls auf die Agenda müssen Partizipation und Weiterbildung der dort tätigen Menschen.

Gegenwärtig gewinnt die generative Fertigung in industriellen Anwendungen zunehmend an Bedeutung. Der Einsatz der Verfahren eröffnet Möglichkeiten, ganz neue Geschäftsmodelle zu erschließen. Viele Unternehmen haben die Potenziale bereits erkannt und tasten sich an die neuen Prozesse im Bereich der Produktion und Logistik heran. Es gibt aber noch einige Herausforderungen, die von den neuesten Entwicklungen der Wissenschaft adressiert werden.

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.

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.