Dies ist der nächste Artikel in unserer fortlaufenden Serie "Eyes on Industrial AI", in der wir die facettenreiche Welt der industriellen künstlichen Intelligenz und Automatisierung erkunden. Lassen Sie uns die innovativen Anwendungen dieser Spitzentechnologien aufdecken, insbesondere in Bezug auf die Fertigung und das Lieferkettenmanagement im Zeitalter von Industrie 4.0, einschließlich aller damit verbundenen Herausforderungen.
Die zeit- und kostensparenden Vorteile der Echtzeit-Datenerfassung in der Fertigung sind in der Branche allgemein anerkannt, aber wie groß ist der Anteil der Automatisierung an diesen Vorteilen? Wir argumentieren hier, dass die Automatisierung die einzige zuverlässige Methode der Datenerfassung ist, in die es sich aus mehreren Gründen zu investieren lohnt.
Unabhängig davon, ob Sie davon überzeugt sind, dass KI die Zukunft der Fertigung ist oder nicht, sind Roboter zumindest für eine wichtige Sache notwendig:
Menschen sind schlecht darin, Zahlen zu verstehen.
Wirklich schlecht im Umgang mit Zahlen.
Das aktuellste Beispiel dafür war der öffentliche Schock über das exponentielle Wachstum bei der Ausbreitung von COVID. Wissenschaftler haben versucht, das exponentielle Wachstum mit Diagrammen und Tabellen zu erklären, die von der New York Times in Form von Arbeitsblättern zum Herunterladen bereitgestellt wurden. Auch wenn die Menschen exponentielles Wachstum mit Hilfe von Mathematik verstehen können, ist das Konzept immer noch nicht sehr intuitiv. Trotz der vielen Informationen, die es über bestimmte mathematische Regeln gibt, scheinen die Menschen immer noch skeptisch gegenüber großen Zahlen zu sein, wahrscheinlich weil sie sich diese buchstäblich nicht vorstellen können, da das menschliche Gehirn nicht in der Lage ist, sich Dinge in einer solchen Größenordnung mental vorzustellen.
Stellen Sie sich einhundert physische Gegenstände vor - Autos, Pfennige, Reiskörner, Schokoladenkekse … die Möglichkeiten sind endlos!
Nun stellen Sie sich hunderttausend davon vor. Wie viel größer wäre ein Stapel von einer Million dieser Gegenstände? Eine Milliarde?
QUIZ: Wie gut können Sie Ihrem mathematischen Instinkt vertrauen?
Lassen Sie uns ein kurzes Quiz machen, das, wie ich verspreche, nur zum Spaß ist und nicht in Ihre Endnote einfließen wird. Die Antworten finden Sie nach dem Bild unten.
- Du wirfst eine normale Münze 100 Mal hintereinander und erhältst eine Verteilung von 27 Kopf und 73 Zahl. Ist dies ein Beweis dafür, dass die Münze gewichtet ist?
- Aus unerklärlichen Gründen müssen Sie genügend zufällige Personen in einem Konferenzraum versammeln, damit garantiert ist, dass mindestens zwei von ihnen den gleichen Geburtstag haben. Wie viele Leute müssen Sie zusammentrommeln?
- Du fährst mit deinem guten Freund Jack zum Flughafen, der unter einer schweren Flugphobie leidet. Während der Taxifahrt zum Flughafen atmet er etwas schneller, aber es geht ihm soweit gut. Als Sie Ihr Gepäck einchecken, beginnt er zu schwitzen. Kurz vor dem Abflug hat er eine Panikattacke. Um ihn zu beruhigen, sagen Sie ihm, dass die statistische Wahrscheinlichkeit, beim Start zu sterben, gering ist und bei der Landung sogar noch geringer (huch, Sie haben es ja versucht). An welchem Punkt auf Jacks Reise ist es tatsächlich am wahrscheinlichsten, dass er durch einen verrückten Unfall stirbt?
ANTWORTEN:
Die Chance, Kopf zu bekommen, beträgt 50 % (dasselbe gilt für Zahl). Was Sie beim ersten Wurf erhalten, hat keinen Einfluss darauf, wie Ihr nächster Wurf ausfällt. Mit anderen Worten: Wenn Sie bei den ersten beiden Würfen Zahl würfeln, ist es nicht wahrscheinlicher, dass Sie beim dritten Wurf Kopf würfeln. Wenn Sie einen Würfel sechsmal werfen, werden Sie wahrscheinlich nicht die Antworten 1, 2, 3, 4, 5 und dann 6 erhalten, sondern vielleicht 3, 3, 4, 1, 3 und dann noch einmal 5. Der Würfel erinnert sich nicht daran, dass er diese Zahl schon einmal gewürfelt hat, genauso wie die Münze nicht versucht, das Gleichgewicht zwischen Kopf- und Zahlwürfen auszugleichen. Wenn Sie das Experiment mit den hundert Münzwürfen noch dreißig Mal wiederholen, wird die Verteilung von Kopf und Zahl entlang einer Glockenkurve verlaufen, die mit den kombinierten Daten eher die 50:50-Wahrscheinlichkeit zeigt.
Diese Frage ist als Geburtstagsproblem bekannt, und überraschenderweise braucht man nur 28 zufällige Personen in einem Raum, damit zwei Personen einen gemeinsamen Geburtstag haben. Man könnte meinen, dass die Antwort 366 wäre, um einen Tag mehr als das gesamte Kalenderjahr zu berücksichtigen - dann würden die Leute mit Sicherheit einen gemeinsamen Geburtstag haben, oder? Ich verspreche, dass die Zahl viel niedriger ist als das - rechne nach, wenn du mir nicht glaubst.
Okay, das war eine Art Fangfrage, denn der gefährlichste Punkt von Jacks Reise war eigentlich die Autofahrt zum Flughafen. Zum Vergleich: Die Chance, in einem Flugzeug zu sterben, liegt bei 1 zu 16 Millionen, die Chance, in einem Auto zu sterben, bei 1 zu 114. Offensichtlich fühlt sich Jack dadurch nicht besser, denn er steht eindeutig unter dem Einfluss der Geräusche, Anblicke und Gefühle einer für ihn beängstigenden Situation. Vielleicht sollte man ihm das nächste Mal einfach eine Valium geben?
Selbst einfache mathematische Dinge können in einem theoretischen Rahmen schwierig sein - und wir sind noch nicht einmal beim Monty-Hall-Problem angelangt (aber das ist ein Gehirnwurm, den Sie sich selbst zufügen müssen, seien Sie gewarnt).
Der Punkt ist, dass es ein Fehler ist, anzunehmen, dass die Daten gottgleich sind, bevor man überhaupt den Kontext untersucht, in dem die Daten gesammelt wurden. Die wirklich schwierigen Dinge sind konzeptionell so schwer vorstellbar, dass Mathematiker lächerliche Analogien erfinden, wie unendlich viele Affen an Schreibmaschinen oder Stapel über Stapel von Schildkröten, damit wir Normalsterblichen sie verstehen.
Damit will ich sagen, dass wir Menschen schlecht in Mathematik sind, weil wir versuchen, Muster zu erkennen, wo es keine gibt, und auch nicht scharf genug sind, um kleine Muster zu erkennen, die tatsächlich existieren.
Wenn Sie das nächste Mal spazieren gehen, versuchen Sie, alles auf Ihrem Weg zu bemerken, was die Farbe Blau hat. Schnell könnten Sie denken, dass es ein Zufall ist, dass es überall viele blaue Dinge gibt, aber Sie bemerken blaue Dinge, weil Sie Ihre Aufmerksamkeit darauf vorbereitet haben.
Das ist wie beim Sammeln von Daten: Es ist hilfreich zu wissen, wo man nach Daten suchen muss und welche Arten von Dingen verfolgt werden müssen, aber mit einer Hypothese anzufangen und davon auszugehen, dass sie wahr ist, wird auf lange Sicht nur noch mehr Probleme verursachen und Ihre Führungsstrategie definitiv in die Irre führen.
Was gilt als schlechte oder irreführende Daten?
Die Vermeidung menschlicher Voreingenommenheit ist wahrscheinlich die wichtigste Voraussetzung für die Erhebung guter Daten.
Das bedeutet, dass man über das Sammeln hinausgehen muss. Viele Unternehmen sammeln haufenweise Daten über ihre Prozesse und Mitarbeiter, von Produktivitäts-KPIs über umfangreiche Umfragen bis hin zu Zeiterfassungsbögen. Das unvermeidliche nächste Problem für sie ist, was sie mit all diesen Daten tatsächlich TUN sollen.
In der Regel liegen sie irgendwo in einem vergessenen Ordner, und die Mühe, die mit dem Sammeln all dieser wichtigen Informationen verbunden war, ist umsonst.
Doch selbst wenn die gesammelten Daten "gut" sind, d. h. genau und im Allgemeinen frei von Verzerrungen, können sie von Menschen auf ganz falsche Weise interpretiert werden. Einer der häufigsten logischen Irrtümer, auf den sich Menschen verlassen, ist ein falsches Verständnis von Kausalität und Korrelation. Ein Abteilungsleiter vermutet vielleicht, dass Problem A durch Problem X verursacht wird, aber was ist, wenn es einen versteckten Faktor gibt, Problem Y, oder viele verschiedene Probleme, die zu dem Problem beitragen?
Wie man Daten von guter Qualität sammelt: Software und Automatisierung
Die einzige Möglichkeit, eine gute Datenqualität zu gewährleisten, besteht darin, ein automatisiertes Verfahren mit der Datenerfassung zu betrauen. Eine automatisierte Software zur Erfassung von harten Daten organisiert die Rohdaten so, dass sie analysiert werden können.
Wenn Sie z. B. jeden Tag auf dem Weg zur Arbeit das Wetter beobachten würden, würden Sie dann ein Notizbuch im Auto haben und aufschreiben, wie der Himmel Ihrer Meinung nach aussieht? Oder würden Sie einen automatischen Sensor und ein Thermometer an Ihrem Armaturenbrett anbringen und dann nach einem Monat auf die Minute genau eine Tabelle mit den Daten einsehen?
Letzteres ist definitiv genauer, aber auch einfacher. Was ist, wenn Sie an einem Tag zu spät kommen und das Wetter manuell 20 Minuten später als gewöhnlich aufzeichnen?
Was ist, wenn Sie einen Tag vergessen und die Daten aus dem Gedächtnis wiederherstellen müssen?
Und wer kann schon sagen, dass Sie sich nicht kälter oder wärmer fühlen, je nachdem, was Sie an diesem Tag anhaben?
Und wenn Sie mehr über Ihr morgendliches Wetter erfahren möchten, können Sie Ihre Tracking-Daten mit denen anderer Orte mit automatischen Thermometern vergleichen.
Jetzt können Sie sehen, wie groß der tatsächliche Unterschied in den Wettermustern ist, und nicht nur der gefühlte Unterschied, der Sie dazu veranlasst hat, das Experiment zu starten.
Die einfachste All-in-One-Lösung wäre die Investition in eine Softwareplattform, die bei der Prozessverfolgung viele Hüte trägt. Die VKS-eigene Pro-Version der Software kümmert sich um alle für die spätere Analyse notwendigen Routineaufgaben wie Drehmomentmessungen und visuelle Schritt-für-Schritt-Arbeitsanweisungen.
Auch TechCrunch ist der Meinung, dass eine Softwareplattform mit Cloud Computing für die moderne Industrie absolut notwendig ist: "Unternehmen, die eine Data Fabric implementieren wollen, sollten damit beginnen, Algorithmen des maschinellen Lernens in jede Datenebene zu integrieren - von der Datenerfassung bis zur Optimierung und Bereinigung der Daten. Sie sollten die Cloud-Technologie nutzen und flexible Konfigurationen, Vereinheitlichung und schnellen Zugriff auf Daten implementieren. Außerdem müssen sie ihre Datenbank-Orchestrationsprozesse und Datenflüsse verstehen und die End-to-End-Integration ihrer Datenbanken implementieren."
Die Lösung ist einfach, auch wenn die Arbeit kompliziert ist: Nutzen Sie die Möglichkeiten der Cloud-Software für eine möglichst genaue Datenerfassung.
Beispiele für gute Datenerfassung in der Fertigung
Viele Diskussionen über das Sammeln von Daten zielen darauf ab, diese Daten in verkaufbare Werte zu verpacken, um einen schnellen ROI zu erzielen. Viele Unternehmen, die nicht wissen, was sie mit ihren gesammelten Daten anfangen sollen, gehen diesen Weg. Die gesammelten Daten sind jedoch eher als strategische Investition wertvoll und nicht als verkäufliches Gut. Nutzen Sie Ihre datengesteuerten Erkenntnisse, um Ihre aktuellen Fähigkeiten zu verbessern, und nicht als endliche Einnahmequelle.
Ein großartiges Beispiel für den Einsatz von KI auf nicht-traditionelle Weise ist das Baugewerbe in Montreal, wo ein KI-fähiger Kran harte Daten über den Arbeitsablauf auf einem großen Bauhof sammelt. Die unter dem Kranhaken montierte Kamera "sammelt mithilfe von Hochleistungssensoren kontinuierlich Tausende von Datenpunkten. Nach der Analyse werden diese Informationen die Entscheidungsfindung auf der Baustelle rationalisieren, Prozesse optimieren, die Produktivität des Teams und die Sicherheit auf der Baustelle verbessern, Verzögerungen verhindern und den Zustand des Materials überprüfen."
Warum sollte man sich nicht auf eine quantitative Darstellung der Arbeitsabläufe verlassen, anstatt der qualitativen Meinung eines einzelnen Vorarbeiters zu vertrauen?
Der Vorarbeiter ist ohnehin besser dran, wenn er seinem Instinkt folgt, nachdem er sich unvoreingenommene Daten angesehen hat.
Und es ist auch wichtig, wie wir mit Daten umgehen. In dem oben verlinkten TechCrunch-Artikel heißt es: "Anstatt Nutzerdaten zu verkaufen, um Geld zu verdienen, haben sich datengetriebene Unternehmen dafür entschieden, diese Daten zu analysieren, um zu verstehen, wie sie die nützlichsten Erkenntnisse gewinnen können. Know-Your-Customer-Initiativen (KYC) sind datenabhängig und nutzen künstliche Intelligenz (KI) zur Analyse der Informationen, um Vorlieben aufzudecken, über die Nutzer in Online-Rezensionen möglicherweise nicht sprechen."
Die Anwendungsmöglichkeiten für das Verständnis der persönlichen Daten Ihres Unternehmens sind endlos. Warum sollten Sie einem fehlbaren Menschen vertrauen, wenn Sie eine bestimmte Aufgabe schneller, einfacher und genauer auslagern können? Halten Sie die Augen offen für die nächste Ausgabe von Eyes on Industrial AI, um weitere harte Wahrheiten aufzudecken (und ich verspreche, weniger Mathefragen!)
