Künstliche Intelligenz sorgt weiterhin für Furore, da ihre Fähigkeiten rasant zunehmen. Viele Unternehmen nutzen ihre Innovationen von Anfang an, indem sie KI in wesentliche Aspekte ihrer Geschäftsmodelle oder Produkte einbauen.
In der verarbeitenden Industrie im weiteren Sinne kann KI-Lösungen in der verarbeitenden Industrie für eine stabile Produktion etwas schwieriger zu implementieren sein. Einige sind der Ansicht, dass die Aussichten der KI die praktischen Vorteile in der Werkshalle bei weitem übersteigen.
Unabhängig davon, ob Sie in KI-Lösungen für Ihre Produktionssysteme investieren oder nicht, ist es klug, sich der Grenzen der künstlichen Intelligenz bewusst zu sein. Hier sind fünf Herausforderungen bei der Einführung von KI in Ihre Fertigungsabläufe, die Sie berücksichtigen sollten, bevor Sie auf den Zug des Hypes aufspringen.
1. mangelndes Fachwissen
Die verarbeitende Industrie sieht sich derzeit mit dem Beginn eines ernsthaften Arbeitskräftemangels konfrontiert, der zum Teil auf die massiven Renteneintritte der in diesem Sektor tätigen Babyboomer zurückzuführen ist. Dieser Mangel ist vor allem auf den nordamerikanischen Märkten zu spüren, insbesondere in den USA und Kanada, wo die Nachfrage nach qualifizierten Arbeitskräften in der verarbeitenden Industrie deutlich steigt.
Wie wir in unserer Einblicke in die Trends für kanadische Hersteller, versuchen Regierungsstellen nun, den Mangel an Arbeitskräften durch Ausbildungsprogramme zu lindern, die darauf ausgelegt sind, junge Menschen für die Industrie zu gewinnen.
Fertigungsfähigkeiten sind sehr gefragt, und erfahrene und qualifizierte Fabrikarbeiter sind rar. Der derzeit spürbare Mangel an Arbeitskräften ist für die Hersteller bereits eine ausreichend hohe Hürde, die es zu überwinden gilt.
Ganz zu schweigen von der Schwierigkeit, qualifizierte Arbeitskräfte zu finden, die KI-Anwendungen in einer Fabrik verwalten, die ebenso schwierig sein wird. Während junge Arbeitnehmer in Bereichen wie der Datenwissenschaft schneller aktiv werden als im Handwerk und in der Fertigung, wollen nur wenige von ihnen ihre KI-Erfahrung für eine Karriere in der Fertigungsindustrie nutzen.
Dafür gibt es viele Gründe - niedrigere potenzielle Gehälter, Bevorzugung der Forschung gegenüber der physischen Produktion, mangelndes Bewusstsein für die Anwendungen der Technologie im verarbeitenden Gewerbe usw.
Mit anderen Worten: Hersteller, die massiv in KI-Lösungen in der Fabrik investieren wollen, müssen sich darüber im Klaren sein, dass diese Lösungen viele Facharbeiter benötigen werden, die ihre Wartung überwachen. In der heutigen Zeit müssen die Hersteller auch diejenigen sein, die Talente anziehen und halten, durch Vergütung, Wachstumsmöglichkeiten, Investitionen in Technologie und andere Methoden.
Es gibt keine einfache Lösung, wie z. B. die Schulung der derzeitigen Fabrikarbeiter in KI, da dies eine teure und zeitaufwändige Investition wäre, selbst wenn die Unternehmen ihre Arbeiter davon überzeugen könnten, ihre Karriere auf eine völlig andere Art von Industriearbeit umzustellen.
2. Integrationen
Die nächste Herausforderung ist den meisten Herstellern wohlbekannt, da sie ihr bei der Entwicklung von IdO-Geräten begegnet sind: In Fertigungsumgebungen existieren viele alte Geräte, und die Integration neuer Technologien in bereits vorhandene kann frustrierend und kostspielig sein.
KI entwickelt sich größtenteils außerhalb des Fertigungskontexts, sodass es für Wissenschaftler nicht vorrangig ist, ihre KI-Erfindungen leicht auf die Anlagen in der Werkstatt übertragbar zu machen. Es ist unklar, ob die KI-Fähigkeiten in der Lage sind, die derzeitigen Produktionskapazitäten anzukurbeln, ohne teure Aufrüstungen vorzunehmen, damit alles reibungslos funktioniert.
Darüber hinaus würde dieser Mangel an Interoperabilität zwischen den verschiedenen Systemen noch mehr Arbeitskräfte erfordern, um all die zusätzlichen Geräte und provisorischen Lösungen zu verwalten, die nur zur Koordinierung der Maßnahmen eingerichtet wurden. Zweitens wären angesichts des rasanten Entwicklungstempos der KI weitere Aufrüstungen erforderlich, wenn die KI weit über die Fähigkeiten der vorhandenen Ausrüstung hinaus fortschreitet, und so weiter (Sie können hier sehen, worauf wir hinauswollen).
Einige Führungskräfte in der Fertigungsindustrie könnten einfach auf all diese Probleme verzichten und an den bewährten und zuverlässigen Maschinen festhalten, über die sie bereits verfügen.
3. Ungeeignete und unvollständige Daten
Einer der Gründe, warum ChatGPT es geschafft hat, sich so schnell zu entwickeln, ist, dass es auf massiven und teuren Sprachmodellen (LLM) aufgebaut ist. Anschließend musste die KI angepasst und verfeinert werden, um Halluzinationen und andere Fehler oder Wissenslücken zu begrenzen.
Die Qualität der KI hängt von den Eingabedaten ab, auf denen sie aufgebaut ist. Wenn die Datensätze, die sie analysiert, klein sind, werden die Ergebnisse ungenau oder verzerrt sein, wie unser Artikel über Ungleichheit automatisieren. Dies kann dramatische Auswirkungen auf die tatsächlichen Ergebnisse in Bezug auf die Qualität und Quantität der Produktion haben. Unzureichende Schlussfolgerungen, die von der KI gezogen werden, können im besten Fall Tonnen von Abfall in eine saubere Produktionsumgebung bringen und im schlimmsten Fall die Erwartungen der Kunden nicht erfüllen.
Außerdem müssen die Datenpools in einem kontinuierlichen Rhythmus ordnungsgemäß gepflegt werden; es reicht nicht aus, alle Produktionsmessungen lose in einer zentralen Datenbank zu speichern. Jemand (am besten mehrere) muss die zu sammelnden Daten, die Gründe für ihre Notwendigkeit sowie die Maßnahmen und Szenarien, in denen sie gesammelt werden sollen, definieren, damit die Übung sinnvoll ist.
Ein guter Zwischenschritt ist die Implementierung eines soliden Fertigungsausführungssystem (MES), um Arbeitnehmer- und Produktdaten wie Durchlaufzeiten, Fehlerquoten usw. zu sortieren. Gleichzeitig wissen Fertigungsexperten bereits, dass ein grundlegendes MES für eine einsichtsvolle Orientierung nicht völlig ausreichend ist.
4. Ungeplante Ausfallzeiten
Fabriken sind mit Schwierigkeiten wie plötzlichen Ausfallzeiten, Energieausfällen und Materialknappheit konfrontiert. Proaktive Fabriken verfügen über standardisierte Betriebsverfahren, um sich darauf vorzubereiten, auf solche unerwarteten Ereignisse zu reagieren, wenn sie eintreten, aber es ist unmöglich, sie vollständig zu vermeiden.
Ungeplante Produktionsstopps fallen nicht in den Zuständigkeitsbereich der KI. Das bedeutet, dass Teams, die sich auf KI verlassen, selbstgefällig werden können, wenn es darum geht, Unerwartetes zu antizipieren und sich darauf einzustellen.
Diese Herausforderung betrifft nicht Szenarien, in denen automatisierte Systeme Maschinenausfälle „vorhersagen“ können. In diesem Fall überwachen automatisierte Systeme den Zustand und das Alter der Anlagen und weisen die Arbeiter auf regelmäßig durchzuführende Reparaturen hin, wenn vernünftigerweise davon ausgegangen werden kann, dass Teile abgenutzt sind und ausgetauscht werden müssen. Dieser Ansatz unterscheidet sich von KI, da er sich weitgehend auf IoT-Geräte wie Sensoren stützt, um Daten über die Betriebsgeschwindigkeit und den Wartungsbedarf zu übermitteln.
KI kann das Unerwartete nicht vorhersehen oder „über den Tellerrand hinausschauen“ - und dieses Situationswissen ist eine Art von Kompetenz, die nicht auf automatisierte Systeme oder künstliche Intelligenz abgeladen werden kann. Für die Sicherheit und Effizienz Ihres Unternehmens in der Werkstatt wäre es ein Fehler, sich aufgrund der Bedrohung durch unerwartete Notfälle zu sehr auf KI zu verlassen.
5. Qualitätssicherung und Einhaltung industrieller Vorschriften
Schließlich ist der Einsatz von KI in der Fertigung ein potenzieller Fehltritt, da es nicht sicher ist, ob die Technologie die gleichen Qualitätsstandards versprechen kann, die derzeit in einigen Branchen erwartet werden. Mit anderen Worten: Man sollte es nicht übertreiben und den Pflug vor die Ochsen spannen.
Beispielsweise versprechen Unternehmen seit über zehn Jahren vollständig autonome und von KI gesteuerte Privatfahrzeuge, und die Technologie ist noch weit von dem entfernt, was versprochen wurde. Sie ist sicherlich viel besser als zu dem Zeitpunkt, als die Idee zum ersten Mal propagiert wurde, aber niemand kann sagen, dass die Realität den Erwartungen gerecht wird.
Zu viel zu versprechen und nicht zu halten, wenn es um KI geht, kann in Branchen mit hohen Compliance- und Qualitätsstandards wie Pharmazeutika, Autos und Konsumgütern wie Lebensmitteln und Getränken verheerende Folgen haben.
Die Lösung könnte darin bestehen, die KI im Herstellungsprozess einzusetzen und ihre Arbeit dann am Ende des Produktionsprozesses durch eine zusätzliche Qualitätssicherungsprüfung erneut zu überprüfen - aber das Hinzufügen eines weiteren Schritts im Produktionsprozess läuft darauf hinaus, dem Herstellungszyklus Verschwendung hinzuzufügen.
Das bringt uns zurück zur effektivsten Methode der Qualitätssicherung: den Prozess von Anfang an durch eine Software für Arbeitsanweisungen zu integrieren. Es ist zu viel Arbeit - und nicht präzise genug - zu versuchen, die Qualität als zusätzlichen Schritt in den Produktionszyklus einzubauen. Besser ist es, wenn die Hersteller dafür sorgen, dass die Qualität in die Herstellung des Produkts integriert wird, indem sie die Arbeiter auffordern, präzisen und interaktiven Anleitungen zu folgen, die sicherstellen, dass die Handlungen jedes Mal korrekt ausgeführt werden.
KI steht dem Scharfsinn erfahrener Arbeiter, die die Hintergründe der Produktion kennen und ihr Stammeswissen durch Arbeitsanweisungen normalisiert haben, in nichts nach.
Insgesamt ist es wichtig, dass die Fertigungsindustrie technologische Innovationen wie KI erforscht und sich mit ihnen weiterentwickelt, insbesondere an der Schwelle zur Industrie 5.0, die den Schwerpunkt auf die Zusammenarbeit zwischen Arbeiter und Maschine legt. Wer KI-Lösungen in seinen Fabriken einführen möchte, muss sich jedoch der vielen potenziellen Fallstricke sowie der Ressourcen bewusst sein, die für eine ordnungsgemäße Umsetzung des Einsatzes erforderlich sind.
