Implementierung Körber Digital

Data Science muss im täglichen Betrieb Mehrwerte liefern und einfach zu implementieren sein. - Bild: Körber Digital

Data-Science-Projekte sind für viele Unternehmen der ideale Einstieg in die Industrie-4.0-Zukunft – schließlich lassen sie sich relativ einfach implementieren und mit verhältnismäßig geringen Investitionsaufwand umsetzen. Am Anfang steht dabei eine umfassende Problem- und Datenanalyse.

Darauf aufbauend entwickeln Experten verschiedene Machine-Learning-Modelle, die sie vergleichend evaluieren und im Rahmen einer Ergebnispräsentation den Verantwortlichen vorstellen. Erst danach kommt es zur Implementierung des erfolgversprechendsten Modells – also der Etablierung einer Künstlichen Intelligenz innerhalb des Maschinenbaus oder der Produktion.

Vom Prototyp zum fertigen Code

Wie genau erfolgt dieser Implementierungs-Prozess? „Wir gehen schrittweise vor“, erklärt Sven Warnke, IoT Engineer Data Science bei Körber Digital. „Arbeitsbasis ist ein Machine-Learning-Modell, das in den vorherigen Schritten entwickelt und immer wieder mit alten Daten getestet wurde. Es ‚lebt‘ bis zu diesem Schritt auf einem Laptop.“

Nun gilt es also, diesen Prototyp in die echte Cloud- und/oder Hardware-Umgebung zu implementieren und verschiedene Dinge auszuprobieren – immer unter der Fragestellung, ob das Machine-Learning-Modell vollumfänglich funktioniert, fehlerfrei arbeitet und die gewünschte Analyseleistung erbringt. Anschließend wird es sukzessive perfektioniert, wenn kontinuierlich mehr Daten zur Verfügung stehen. Gleichsam wichtig ist die Frage, auf welchem Weg die benötigten Maschinen- und Sensordaten überhaupt zur KI innerhalb der Cloud gelangen.

Die Entwicklung einer „Datenpipeline“ (sofern noch nicht vorhanden) stellt somit eine weitere Aufgabe in der Implementierungsphase dar. In vielen Fällen benötigt man automatisierte Lösungen, bei denen der Datenstrom kontinuierlich fließt und den Produktionsprozess abbildet. Auf der anderen Seite gibt es aber auch Anwendungsfälle mit unkomplizierteren Anforderungen, bei denen Mitarbeiter einfach Excel-Listen per App hochladen.

„Wir passen uns den Wünschen, Gegebenheiten und Aufgabenstellungen unserer Kunden an. Die Etablierung des Datenflusses erfolgt auf sehr unterschiedliche Weise“, sagt Warnke.

Darüber hinaus ist es unverzichtbar, dass jede Lösung ihren praktischen Wert in der Produktionsumgebung nachweist. Und das heißt: Bediener und Produktionsverantwortliche müssen die Software nutzen, verstehen und anwenden.

„Dieser Punkt ist nicht zu unterschätzen. Schließlich macht es keinen Sinn, wenn die Beteiligten den Prozess nicht leben. Deshalb sprechen wir von Anfang an mit den Betroffenen, führen ihnen Prototypen vor und nehmen ihre Vorschläge auf.

Selbst kleine Dinge wie eine Farbänderung an einem Software-Button spielen dabei eine Rolle, um die User Experience der KI-Lösung signifikant verbessern zu können“, erklärt Warnke. Nicht zuletzt gleicht die anschließende Nutzung von KI in der Produktion einem dauerhafter „Work in Progress“. Schließlich ist der wachsende „Datenschatz“ eine ideale Grundlage für einen kontinuierlichen Verbesserungsprozess. Data Scientists nutzen diese anwachsenden Datenmengen, um das Modell weiter zu „trainieren“ und zu perfektionieren.

Vielseitiges Beispiel aus der Praxis

Was für Möglichkeiten eine umfassende Datenanalyse und -nutzung eröffnet, konnten die Spezialisten von Körber Digital in jüngster Zeit bei verschiedenen Kunden demonstrieren: So haben sie etwa das Materialhandling eines Industriegreifers optimiert – wohlgemerkt ohne Investition in neue Produktionstechnologie. Jetzt nimmt der Greifer feinfühliger als zuvor diverse Bauteile auf und führt sie weiter.

Für einen Hersteller von Melkmaschinen entstand ein Algorithmus, mit dessen Hilfe man die Gesundheit der Kühe anhand der gemolkenen Milch bestimmen kann. Interessant ist auch der Beispielfall eines Tissue-Produzenten. Für ihn entwickelte Körber Digital eine Data-Science-Lösung zu Reduzierung der Stillstandzeiten eines Maschinentyps. Dazu benennt die KI die Ursache der „Downtime“ – und der „richtige“ Instandhaltungs-Experte kann schneller informiert werden.

Bleibt am Ende die Frage nach dem konkreten wirtschaftlichen Nutzen dieser und ähnlicher Anwendungen: Lässt sich eine Veränderung anhand von KPI’s auch messen und längerfristig dokumentieren? 

Lesen Sie dazu mehr im sechsten und letzten Teil dieser Data-Science-Artikelreihe.  

Sie wollen die Welt der Industrie verstehen?

Erfahren Sie alles zu Industrie 4.0, Smart Manufacturing und der weiten Welt der Technik.

  • exklusive Inhalte
  • professionelle Berichterstattung
  • kostenlose Freemium Mitgliedschaft

Newsletter gratis bestellen!