Wenn KI Daten versteht, aber die falschen Schlüsse zieht

Mehr ist nicht automatisch besser

Je weiter die Digitalisierung in der Produktion voranschreitet, desto größer werden die verfügbaren Datenmengen. Maschinen liefern Informationen über Betriebszustände, Sensoren erfassen Prozessdaten in Echtzeit und Planungssysteme dokumentieren jeden Auftragsschritt. Obwohl diese Daten in KI-Anwendungen einfließen, stellen viele Unternehmen fest, dass die KI nicht das erfüllt, was sie soll. Die Systeme erkennen zwar Auffälligkeiten, liefern Prognosen oder melden Abweichungen. Die eigentliche Frage beantworten sie jedoch nicht: Warum passiert etwas? Der Grund: KI sieht nur Daten, aber nicht automatisch den Kontext.

Perfektes Team: Daten und Kontext

Ein Beispiel: Eine Maschine zeigt während eines Fertigungsauftrags ungewöhnliche Temperaturschwankungen. Für die KI ist das erst einmal eine Aneinanderreihung von Messwerten. Erst, wenn die Werte in Zusammenhang gebracht werden, entstehen belastbare Informationen und beantworten Fragen wie:

• Welcher Auftrag wurde produziert?

• Welches Material wurde eingesetzt?

• Welche Werkzeugkonfiguration war aktiv?

• Welche Qualitätsmerkmale wurden später gemessen?

• Trat das Muster bereits bei ähnlichen Produkten auf?

Für die KI müssen Zusammenhänge digital verfügbar sein – nur dann sind sie nutzbar. Fehlt der Kontext, erkennt die KI zwar Muster, versteht aber nicht deren Bedeutung für die Produktion.

Warum viele KI-Piloten nicht skalieren

Zusammenhangslosigkeit ist einer der häufigsten Gründe, weswegen KI-Projekte im Produktionsalltag scheitern.

Viele Pilotprojekte arbeiten mit klar abgegrenzten Datensätzen und eng definierten Anwendungsfällen. Die Ergebnisse sind oft vielversprechend. Sobald dieselbe Lösung jedoch auf weitere Anlagen, Linien oder Werke übertragen werden soll, treten Probleme auf. Im Realitätscheck sind Daten häufig unvollständig, schwanken oder sind veraltet. Sie liegen in unterschiedlichen Systemen, verwenden verschiedene Bezeichnungen oder besitzen keine einheitliche Struktur. Was auf einer Maschine funktioniert, lässt sich deshalb nicht ohne Weiteres auf andere Produktionsbereiche übertragen. Die KI stößt durch die fragmentierte Informationslandschaft an Grenzen.

Die Marktforscher von SR Analytics haben in einer Untersuchung herausgefunden, dass 95 Prozent der Unternehmen vor diesem Problem stehen. Auch die Research-Institute MIT, Gartner und RAND kommen zu einem ähnlichen Ergebnis. Ihrer Aussage nach, würden nur die Unternehmen, die ihre Datenbasis kontextualisiert verbessert hätten, KI-bedingte Gewinnsteigerungen verzeichnen.

Wie Produktionskontext entsteht

Die entscheidende Frage lautet: Wie lässt sich Produktionswissen für eine KI nutzbar machen? Die Antwort: Nicht mehr Sensoren oder leistungsfähigeren Algorithmen sind nötig. Vielmehr braucht es eine digitale Struktur, die Informationen aus unterschiedlichen Quellen miteinander verknüpft – und diese sind vielfältig. In modernen Produktionsumgebungen stammen relevante Daten unter anderem aus:

• Maschinen und Anlagen

• ERP-Systemen

• Qualitätsmanagement

• Feinplanung

• Instandhaltung

• Personal- und Schichtplanung

Erst wenn diese Informationen miteinander verbunden werden, entsteht ein digitales Abbild der tatsächlichen Produktion. Diese Aufgaben übernehmen Produktionsmanagementsysteme und Integrationsplattformen. Während ein Manufacturing Execution System (MES) Informationen aus dem Shopfloor erfasst, strukturiert und mit Aufträgen, Materialien oder Qualitätsdaten verknüpft, sorgt die Integrationsplattform dafür, dass auch Daten aus unterschiedlichen Systemen kontextualisiert und zusammengeführt werden.

Erst dadurch erkennt eine KI, dass beispielsweise Ausschuss entstanden ist, aber auch unter welchen Bedingungen er aufgetreten ist, welche Materialien verarbeitet wurden und welche Prozessparameter dabei eine Rolle gespielt haben. Die KI betrachtet nun, anstatt isolierter Datenpunkte, die gesamte Produktionssituation.

Digitales Produktionsmodell

Die Entwicklung vieler Unternehmen folgt derzeit einem ähnlichen Muster. In einer ersten Phase stand die Digitalisierung einzelner Prozesse im Mittelpunkt. Dann wurden große Mengen an Daten gesammelt. Nun beginnt die nächste Entwicklungsstufe: der Aufbau eines durchgängigen digitalen Produktionsmodells.

Es geht jetzt nicht mehr um die Frage, ob Daten vorhanden sind, sondern um ihre eindeutige Bedeutung. Eine Temperaturangabe etwa bekommt erst dann einen verlässlichen Wert, wenn sie einem konkreten Auftrag, einer Materialcharge, einem Werkzeug und einem Qualitätsmerkmal zugeordnet werden kann – einen Kontext hat. Daten werden somit in Wissen verwandelt und bilden die Grundlage für intelligente Entscheidungen.

Erfolgreiche KI-Projekte beginnen vor dem ersten Algorithmus

Die Diskussion über Künstliche Intelligenz konzentriert sich häufig auf Modelle, Rechenleistung oder Algorithmen. Für nachhaltigen Erfolg ist aber eine andere Frage viel wichtiger: Sind die Produktionsdaten überhaupt in der Lage, der KI die notwendigen Zusammenhänge zu vermitteln?

Wer Produktionsdaten strukturiert, Systeme integriert und Prozesse digital abbildet, schafft die Grundlage für skalierbare KI-Anwendungen in der Produktion. KI entwickelt sich dann vom Hilfsmittel zu einem Instrument für bessere Produktionsplanung, höhere Qualität und effizientere Prozesse. Der erfolgreiche Einsatz von KI entscheidet sich deshalb auf dem Shopfloor anstatt in einem Rechenzentrum. Dort entsteht der Kontext, den intelligente Systeme benötigen, um aus Daten echte Entscheidungen abzuleiten. Letztendlich kommt es auf die Qualität an und nicht auf die Quantität.

Dieser Beitrag wird präsentiert von:

MPDV Mikrolab GmbH
Römerring 1
74821 Mosbach
Deutschland

+49 6261 9209-0
info@mpdv.com

www.mpdv.com