5 Wege, wie KI im Bereich intelligenter Fertigung beitragen kann

Das Potenzial von KI und maschinellem Lernen für mehr Transparenz, Kontrolle und Einblicke in den Fertigungsbereich bei gleichzeitiger Überwachung von Maschinen und Prozessen in Echtzeit zieht weiterhin Risikokapital an. Laut Crunchbase sind derzeit 62 Milliarden Dollar in 5.396 Start-ups investiert, die sich auf die Schnittmenge von KI, maschinellem Lernen, Fertigung und Industrie 4.0 konzentrieren.

Die umfassendere Analyse des Tech-Sektors von PwC zeigt einen Anstieg der Finanzierungsrunden um 30% im Vergleich zum Vorjahr auf 293,2 Mrd. USD im Jahr 2021. Startups im Bereich der intelligenten Fertigung werden zu 52% durch Seed-Runden finanziert, gefolgt von Risikofinanzierungen in der Frühphase mit 33%. Der Median des letzten Finanzierungsbetrags lag bei 1,6 Millionen Dollar, der Durchschnitt bei 9,93 Millionen Dollar.

Vielfältige Möglichkeiten für KI-Startups in der intelligenten Fertigung und Industrie 4.0

Laut Gartner besteht das zugrundeliegende Konzept von Industrie 4.0 darin, eingebettete Systeme und intelligente Produktionsanlagen zu verbinden, um eine digitale Konvergenz zwischen Industrie, Unternehmen und internen Funktionen und Prozessen zu schaffen. Infolgedessen wird für Industrie 4.0 ein Wachstum von 84,59 Milliarden US-Dollar im Jahr 2020 auf 334,18 Milliarden US-Dollar im Jahr 2028 prognostiziert. Der Einsatz von KI und maschinellem Lernen in der Fertigung nimmt in fünf Kernbereichen zu: intelligente Produktion, Verbesserung von Produkten und Dienstleistungen, Geschäftsabläufe und Management, Lieferkette und Entscheidungsfindung bei Geschäftsmodellen. Die Deloitte-Umfrage zum Einsatz von KI in der Fertigung ergab, dass 93 % der Unternehmen glauben, dass KI eine Schlüsseltechnologie zur Förderung von Wachstum und Innovation sein wird.

Maschinelle Intelligenz (MI) ist einer der wichtigsten Katalysatoren für die Zunahme von Risikokapitalinvestitionen in die intelligente Fertigung. CEOs von Startups und ihre Kunden wollen KI und maschinelle Lernmodelle, die auf tatsächlichen Daten basieren, und maschinelle Intelligenz trägt dazu bei, dies zu ermöglichen. Ein Artikel von McKinsey & Company liefert wertvolle Einblicke in Marktlücken für neue Unternehmen. McKinsey zeigt auf, dass die führenden Unternehmen, die maschinelle Intelligenz einsetzen, eine drei- bis viermal höhere Wirkung erzielen als ihre Konkurrenten. Allerdings verfügen 92 % der führenden Unternehmen auch über ein Verfahren, um unvollständige oder ungenaue Daten zu verfolgen – eine weitere Marktlücke, die Startups schließen müssen.

McKinsey und das Massachusetts Institute of Technology (MIT) haben in Zusammenarbeit eine Studie durchgeführt, um die KPI-Gewinne der führenden Unternehmen im Bereich der maschinellen Intelligenz im Vergleich zu ihren Konkurrenten zu ermitteln. Sie fanden heraus, dass führende Unternehmen Vorteile hinsichtlich Effizienz, Kosten, Umsatz, Service und Markteinführungszeit erzielen. Quelle: Auf dem Weg zur intelligenten Produktion: Maschinelle Intelligenz im Geschäftsbetrieb, McKinsey & Company. 1. Februar 2022.

Angesichts des Aufschwungs, den die künstliche Intelligenz für die Finanzierung neuer Start-ups im Bereich der intelligenten Fertigung schafft, und des allgegenwärtigen Bedarfs der Hersteller, die Transparenz und Kontrolle in den Produktionsstätten zu verbessern, bieten sich Start-ups viele potenzielle Chancen. Im Folgenden sind fünf davon aufgeführt, die durch KI und maschinelles Lernen entstehen:

#1. Es werden KI-fähige CPQ-Systeme (Configure, Price, and Quote) benötigt, die die Volatilität in der Lieferkette bei den Produktkosten berücksichtigen können

Mehrere Start-ups nutzen bereits KI und maschinelles Lernen in CPQ-Workflows und konkurrieren mit den größten Anbietern von Unternehmenssoftware in der Branche, darunter Salesforce, SAP, Microsoft und andere. Allerdings hat sich noch niemand der Herausforderung gestellt, KI zu nutzen, um zu berücksichtigen, wie sich die Volatilität der Lieferkette auf die Standard- und Ist-Kosten in Echtzeit auswirkt.

Wenn man zum Beispiel weiß, wie sich Preisänderungen auf der Grundlage einer Zuweisung auswirken, wie wirkt sich das auf die Standardkosten pro Einheit bei jedem Auftrag aus? Momentan muss ein Analyst dafür Zeit aufwenden. KI und maschinelles Lernen könnten diese Aufgabe übernehmen, so dass sich Analysten den größeren, komplexeren und kostspieligen Problemen in der Lieferkette widmen können, die sich auf die CPQ-Abschlussraten und den Umsatz auswirken.

#2.Einsatz von KI-unterstützten Echtzeit-Datenerfassungstechniken zur Identifizierung von Anomalien im Durchsatz als Indikator für den Zustand der Maschine

Die aggregierten Daten, die in der Fertigung täglich anfallen, geben Aufschluss über den Zustand der einzelnen Maschinen in der Produktion. Die automatisierte Datenerfassung kann Ausschussraten, Ausbeuteraten und tatsächliche Kosten ermitteln. Keine dieser Methoden kann jedoch die geringfügigen Schwankungen im Prozessablauf und im Produktoutput analysieren, um vor möglichen Maschinen- oder Lieferkettenproblemen zu warnen.

Ein KI-basiertes Sensorsystem, das erkennt und analysiert, warum die Geschwindigkeit abweicht, könnte Tausende von Dollar an Wartungskosten einsparen und die Anlage am Laufen halten. Darüber hinaus können sich Qualitätsingenieure durch den zusätzlichen Einblick und die Intelligenz in die Echtzeitdaten der Maschine auf komplexere Probleme konzentrieren.

#3. Daten aus dem industriellen Internet der Dinge (IIoT) und Edge Computing können für die Feinabstimmung der Feinplanung in Echtzeit verwendet werden

Die Feinplanung ist Teil der umfassenderen Fertigungssysteme, auf die sich Unternehmen bei der Optimierung von Fertigungsplänen, Maschinen- und Personaleinsatzplanung verlassen. Sie kann entweder manuell erfolgen oder automatisiert werden, um den Bedienern wertvolle Erkenntnisse zu liefern.

Eine potenzielle Möglichkeit der intelligenten Fertigung ist ein Finite Scheduler, der sich auf KI und maschinelles Lernen stützt, um die Pläne auf Kurs zu halten und Kompromisse einzugehen, damit die Ressourcen effizient genutzt werden. Endliche Planer benötigen auch eine höhere Genauigkeit bei der Berücksichtigung häufiger Änderungen von Lieferterminen. KI und maschinelles Lernen können die Liefertreue verbessern, wenn sie in alle Fertigungsbereiche eines Herstellers integriert werden.

#4. Automatisierte visuelle Inspektionen und Qualitätsanalysen zur Verbesserung der Ausbeute und Verringerung des Ausschusses

Die Verwendung visueller Sensoren zur Erfassung von Daten in Echtzeit und deren anschließende Analyse auf Anomalien befindet sich noch im Anfangsstadium der Entwicklung. Dies ist jedoch ein Bereich, in dem erfasste Datensätze Algorithmen des maschinellen Lernens mit ausreichender Genauigkeit bereitstellen können, um potenzielle Qualitätsprobleme bei Produkten zu erkennen, bevor sie das Werk verlassen.

Gefaltete neuronale Netze sind eine effektive maschinelle Lerntechnik zur Erkennung von Mustern und Anomalien in Bildern. Sie eignen sich perfekt für die Rationalisierung der visuellen Inspektion und der Inline-Qualitätskontrollen in der Einzel-, Chargen- und Prozessfertigung.

#5. Koordinierte Roboter (Cobots) für die Montage von Produkten, die auftragsbezogen zusammengestellt werden

Die neuesten Cobots können so programmiert werden, dass sie miteinander synchron bleiben und die Kommissionierung, Verpackung, den Versand und die Platzierung von Materialien in Lagern übernehmen.

Benötigt werden fortschrittliche Cobots, die einfache Produktmontagen zu wettbewerbsfähigeren Kosten durchführen können, da die Hersteller nach wie vor mit chronischem Arbeitskräftemangel zu kämpfen haben und oft eine Schicht mit weniger als der Hälfte der benötigten Teams durchführen.

Talent bleibt ein Bereich, in dem Bedarf besteht

Die CEOs und COOs der Hersteller sagen, dass die Anwerbung und Bindung ausreichender Talente, um alle benötigten Produktionsschichten zu fahren, das größte Problem darstellt. Darüber hinaus wenden sich Hersteller in abgelegenen Regionen der Welt der Robotik zu, um Aufträge zu erfüllen, was Möglichkeiten für die Integration von KI und maschinellem Lernen eröffnet, um Cobots in die Lage zu versetzen, Assemble-to-Order-Aufgaben zu erledigen.

Auch die unbekannten Auswirkungen der sich schnell ändernden Bedingungen in der Lieferkette erfordern Arbeit von Start-ups, insbesondere bei der Verfolgung der tatsächlichen Kostenleistung. Dies sind nur einige Gelegenheiten für Start-ups, die die angeborenen Stärken von KI und maschinellem Lernen nutzen möchten, um komplexe Herausforderungen in den Bereichen Lieferkette, Fertigung, Qualitätsmanagement und Compliance zu lösen.

Die Original-Version in Englisch erschien am 8. April 2022 auf LinkedIn. Mit freundlicher Genehmigung des Autors durften wir den Beitrag in deutscher Sprache in unserem Blog veröffentlichen.