KI senkt etwa den Ausschuss beim Spritzgießen

Ganz zu Beginn, so der Tipp des IWU-Forschers Klimant, sollte man sich fragen, wie hoch eigentlich die Effizienzgewinne, die durch KI in der eigenen Produktion möglich sind. Denn diese Frage ließe sich nicht ohne Weiteres allgemeingültig beantworten. Das Potenzial sei nämlich stark vom eigentlichen Prozess und den damit einhergehenden Optimierungsmöglichkeiten abhängig. Klimant weiter: „Im Bereich der Kunststoffverarbeitung – man denke etwa an den weit verbreiteten Spritzguss – können in seltenen Fällen durchaus Ausschussquoten von 20 bis 30 Prozent vorkommen!“ Hier schlummere aber auch gleichzeitig ein langer Hebel für Effizienzgewinne mithilfe von KI. Aber bei Prozessen, die bereits stabil laufen, kann sie ebenfalls nützlich sein. Klimant spricht in dieser Hinsicht beispielsweise über die vorausschauende Wartung, um von längeren Werkzeug-Standzeiten zu profitieren. Laut Klimant kann künstliche Intelligenz aber auch einen wichtigen Beitrag leisten, um dem Fachkräftemangel zu begegnen: „Wir speichern dazu Wissen implizit in der KI. Dieses Wissen kann zum Anlernen von neuen Personen genutzt werden – vor allem dann, wenn Mitarbeiter in den Ruhestand gehen.“ Dieser KI-Wissensspeicher biete darüber hinaus auch neue Chancen zur Automatisierung – nicht zuletzt für automatisierte Qualitätskontrollen.

Künstliche Intelligenz ist eine Art von Blackbox

Künstliche Intelligenz definiert der Forscher dabei außerdem folgendermaßen: „Wenn wir über KI sprechen, meinen wir in der Regel das Maschinelle Lernen als Untergruppe der KI. Dieses ist in der Lage, selbstständig aus Trainingsdaten zu lernen.“ Dabei gehe es um ein empirisches Verfahren, das Zusammenhänge lerne, ohne dass man die analytischen Zusammenhänge kenne. Einfach gesagt: Der Mensch lernen aus Erfahrung! Aber durch KI werden in der Produktion die Prozessparameter optimiert und durch ein automatisiertes Regelungssystem in die Prozesssteuerung zurückgeführt. „Künstliche Intelligenz ist dabei wie eine Blackbox zu betrachten, bei der Eingangswerte rein fließen und Prognosen herauskommen“, erklärt Klimant. Als Beispiel kann ein Umformprozess herangezogen werden, bei dem man ein akustisches Signal misst, wobei die KI sagt, ob der Prozess erfolgreich war oder nicht. Am Ende stehe prinzipiell ein digitales System, das sich über vorhandene Schnittstellen an Steuerungen anbinden ließe. Dadurch könne die KI Regelalgorithmen an verschiedenen Stellen beeinflussen.

Bildergalerie

Alles steht und fällt mit der Rechenleistung für KI

Damit KI in der Produktion erfolgreich eingesetzt werden kann, ist mitunter Hardware mit sehr hoher Rechenleistung nötig. „Zunächst gilt es, zwischen der Trainings- und der Nutzungsphase (Inferenz) zu unterscheiden. Die Trainingsphase sei aber immer rechenintensiver, werde jedoch offline durchgeführt. Bei der Nutzungsphase reichten für klassische Verfahren wie die Support Vector Machine oft Edge Devices aus, merkt Klimant dazu an. Anders verhalte es sich beim Thema Bildverarbeitung. Denn diese KI-Modelle benötigen mehr Rechenleistung, was sowohl in der Trainings- als auch in der Nutzungsphase der Fall ist. „Der Anwendungstakt spielt hierbei ebenfalls eine entscheidende Rolle“, so der Forscher. Benötige man beispielsweise alle fünf Sekunden ein Ergebnis, werde man im Vergleich zu einer Taktzeit von 30 Sekunden halt einfach mehr Rechenleistung brauchen. Ausgenommen sei hierbei die Auswertung von Sprachmodellen. Denn diese benötigten für die Rechenprozesse leistungsstarke Hardware – angefangen bei gut performenden Consumer-Grafikkarten, bis hin zu speziellen KI-Karten.

(ID:50494389)