Große Unsicherheiten, kleinere Chargen, demografischer Wandel: Der Schweizer Data-Science-Spezialist LeanBI erläutert, warum sich Industrieunternehmen immer ernsthafter für Machine-Learning-Systeme interessieren.
Machine Learning erfuhr in der Industrie in der Vergangenheit einen regelrechten Hype. Die Realität ist aber bislang hinter den Erwartungen zurückgeblieben. Die Technologie kommt zwar in der Produktion durchaus zum Einsatz, verbreitet sich dort aber nur stark verzögert. Nach Ansicht von LeanBI wird sich das nun ändern. Vor allem aus vier Gründen, so der Schweizer Data-Science-Spezialist, werden Industrieunternehmen im Jahr 2023 verstärkt auf Machine Learning setzen.
Volatile Umweltfaktoren
Die weltweiten Krisen führen zu Lieferverzögerungen bei Eingangsmaterialien und erschweren Absatzprognosen. Wenn Industriebetriebe alle Einflussfaktoren berücksichtigen möchten, wird ihre Unternehmensplanung hochkomplex. Diese Komplexität lässt sich nur noch mit Hilfe von Machine-Learning-Systemen beherrschen. Sie können Unternehmen maßgeblich dabei helfen, Entwicklungen zu prognostizieren und dabei verschiedenste Szenarien zu berücksichtigen – und so eine zuverlässige Lieferung an die Endkunden zu gewährleisten.
Individualisierte Produktion
Die Chargen von Industrieunternehmen werden immer kleiner, weil ihre Kunden zunehmend individuelle Produktlösungen erwarten. Um dieser Entwicklung gerecht zu werden, müssen sie die Leistungsfähigkeit ihrer Herstellungsprozesse erhöhen. Deshalb werden Industriebetriebe verstärkt Predictive-Maintenance- und Predictive-Quality-Anwendungen implementieren. Sie ermöglichen es, durch rechtzeitiges Eingreifen ungeplante Stillstände und die Entstehung von Ausschuss zu vermeiden und dadurch die Gesamtanlageneffektivität (Overall Equipment Effectiveness) zu optimieren.
Energieknappheit und ESG
Die derzeitige Energieknappheit wird auf absehbare Zeit der Normalzustand bleiben. Industriebetriebe sind deshalb gezwungen, ihre Produktionen so energieeffizient wie möglich zu gestalten. Mit Machine-Learning-Systemen können sie den Energieverbrauch online messen, analysieren und bei der Produktionsplanung berücksichtigen. Die Erfassung der Energiedaten ermöglicht es ihnen zudem, die steigenden ESG-Anforderungen (Environment, Social, Governance) zu erfüllen. Sie können etwa ihre Produkte mit Umwelt- und Energielabels ausstatten oder durch die Historisierung der Daten eine ESG-Konformität jederzeit rückverfolgbar nachweisen.
Demografischer Wandel
Die Belegschaften altern, viele Mitarbeiter gehen demnächst in Rente und können wegen des Fachkräftemangels nicht adäquat ersetzt werden. Industriebetrieben geht damit wertvolles Know-how für Maschinenführung verloren. Bei vielen Herstellungsprozessen unterliegen Einflussfaktoren wie Materialien starken Schwankungen, die sich nicht durch eine Rezeptur abfangen lassen. Deshalb nivellieren die Maschinenführer diese Schwankungen durch Prozesseingriffe, die auf jahrelanger Erfahrung basieren. Damit dieses Know-how nicht verloren geht, werden Unternehmen versuchen, es direkt auf die Maschinen zu bringen. Dafür eignen sich am besten spezielle Machine-Learning-Ansätze auf Basis von Ontologien wie etwa Bayes’sche Netze.
Fazit zu Machine-Learning-Systemen
„Auf viele Herausforderungen von Industriebetrieben können Machine-Learning-Systeme die beste Antwort geben“, erklärt Marc Tesch, Inhaber und CEO des Schweizer Data-Science-Spezialisten LeanBI. „Die Voraussetzungen dafür sind günstig, denn in den vergangenen Jahren haben viele Unternehmen bereits daran gearbeitet, ihre Maschinen durch digitalen Retrofit mit Sensoren zur Datenerfassung auszustatten, die Maschinen zu vernetzen und die Daten in die Cloud zu bringen. Jetzt können sie den nächsten Schritt gehen und ihre Daten mit Machine-Learning-Algorithmen gewinnbringend analysieren.“
Machine Learning (ML) ist ein Begriff für die „künstliche“ Generierung von Wissen aus Erfahrung in KI-Software: Ein System lernt dabei aus Beispielen und kann diese nach Beendigung der Lernphase nutzen, um Muster und Regelhaftigkeiten zu erkennen.