Künstliche Intelligenz wird inzwischen als Allzwecktechnologie wie die Elektrizität oder der Verbrennungsmotor betrachtet. Sie ist gekommen, um zu bleiben – und sie wird auch die Produktion nachhaltig verändern. Ein Forbes Artikel beschreibt, warum Manufacturing Execution Systeme dafür nicht die richtige Basis sind und was die Alternativen charakterisiert. In diesem Artikel wird die Argumentation um Lösungen mit KI-Unterstützung ergänzt.
Manufacturing Execution Systeme sind ein Produkt der 80er und 90er Jahre, das sich im Denken auch der aktuellen Managementgeneration erstaunlich gut festgesetzt hat. Man fokussiert verständlicherweise das, was man aus der Vergangenheit kennt.
Warum die Implementierung eines Manufacturing Execution Systems in den 2020er Jahren keine gute Idee mehr ist, hat inzwischen sogar das Forbes Magazin thematisch aufgegriffen. Auch wenn der Artikel nicht einfach zu lesen ist, ist er sehr wertvoll für alle Manager, die sich im Auswahlprozess einer Shopfloor-Software befinden, also dabei sind, eine strategische, langfristige Entscheidung zu treffen.
Im Kern sagt der Artikel, dass eine moderne Digitalstrategie nicht auf veralteter Technologie und Architektur aufgebaut werden kann. Die Zukunft der Softwareunterstützung der Produktion besteht aus zusammensetzbaren, App-basierten Lösungen.
Diese Position teilen wir bei oee.ai leidenschaftlich und wollen den Forbes-Artikel um eine Perspektive ergänzen: Künstliche Intelligenz.
Fragt man eine KI, mit welchen Top 10 Use Casen ihre Technologie den Shopfloor der Zukunft unterstützen kann, erhält man folgende Liste – für den schnellen Leser reichen die ersten Worte jeder Aufzählungszeile aus:
- Vorausschauende Wartung: KI-Algorithmen können Sensordaten von Maschinen analysieren, um vorherzusagen, wann Geräte wahrscheinlich ausfallen. Durch die Erkennung von Problemen, bevor sie auftreten, kann die Wartung proaktiv geplant werden, was Ausfallzeiten minimiert und kostspielige Ausfälle verhindert.
- Optimierung der Produktionsplanung: KI kann historische Produktionsdaten, Marktnachfrage und Ressourcenverfügbarkeit analysieren, um Produktionspläne zu optimieren. Dadurch wird sichergestellt, dass Ressourcen effizient genutzt werden, Leerlaufzeiten reduziert und die Leistung maximiert werden.
- Verbesserung der Qualitätskontrolle: KI-gestützte Computer-Vision-Systeme können Produkte in Echtzeit prüfen, während sie sich entlang der Produktionslinie bewegen. Dadurch können Fehler genauer und schneller erkannt werden als durch eine manuelle Inspektion, wodurch Abfall reduziert und die Produktqualität verbessert wird.
- Energiemanagement: KI-Algorithmen können Energieverbrauchsmuster innerhalb der Fabrik analysieren und Optimierungsmöglichkeiten identifizieren. Dies kann die Anpassung der Geräteeinstellungen, die Planung der Produktion außerhalb der Spitzenzeiten oder die Implementierung energieeffizienter Technologien zur Reduzierung von Kosten und Umweltbelastungen umfassen.
- Bestandsoptimierung: KI kann Bedarfsprognosen, Produktionspläne und Lieferantenvorlaufzeiten analysieren, um die Lagerbestände zu optimieren. Indem Unternehmen sicherstellen, dass die richtige Menge an Lagerbeständen zum richtigen Zeitpunkt verfügbar ist, können sie die Lagerkosten senken und gleichzeitig Fehlbestände und Nachbestellungen vermeiden.
- Prozessautomatisierung: KI-gestützte robotergestützte Prozessautomatisierung (RPA) kann sich wiederholende und alltägliche Aufgaben in der Fabrikhalle automatisieren, wie z. B. Dateneingabe, Montage und Verpackung. Dadurch wird den menschlichen Mitarbeitern die Möglichkeit gegeben, sich auf komplexere und wertschöpfendere Tätigkeiten zu konzentrieren, wodurch die Gesamtproduktivität verbessert wird.
- Workforce Management: KI-Algorithmen können Planungsdaten, Fähigkeiten und Leistungskennzahlen der Mitarbeiter analysieren, um den Personaleinsatz zu optimieren. Indem sichergestellt wird, dass die richtigen Personen zur richtigen Zeit mit den richtigen Aufgaben betraut werden, können Unternehmen ihre Effizienz und Arbeitsmoral verbessern.
- Nachfrageprognose: KI-Algorithmen können historische Verkaufsdaten, Markttrends und externe Faktoren (wie Wetter oder Wirtschaftsindikatoren) analysieren, um die zukünftige Nachfrage genauer vorherzusagen. Dies hilft Herstellern, Produktionspläne und Lagerbestände zu optimieren, um die Kundennachfrage zu erfüllen und gleichzeitig Überbestände oder Fehlbestände zu minimieren.
- Simulation und Modellierung: KI-gesteuerte Simulations- und Modellierungstools können virtuelle Nachbildungen der Fabrikumgebung erstellen, um verschiedene Szenarien zu testen und Prozesse zu optimieren. Hersteller können diese Simulationen nutzen, um Engpässe zu identifizieren, mit Prozessverbesserungen zu experimentieren und datengesteuerte Entscheidungen zur Steigerung der Produktivität zu treffen.
- Manufacturing Analytics: KI kann große Mengen an Produktionsdaten analysieren, um Möglichkeiten für Prozessoptimierung und Innovation zu identifizieren. Durch die kontinuierliche Überwachung und Analyse von Leistungskennzahlen können Unternehmen Trends, Muster und Anomalien erkennen, die im Laufe der Zeit zu Produktivitätssteigerungen führen können.
Die Entwicklung in KI-Feldern der Large Language Models hat im November 2023 mit der Veröffentlichung von ChatGPT gerade erst begonnen und die Entwicklung – auch und insbesondere unter den Open Source Modellen – überschlägt sich. Im Frühjahr 2024 werden Open Source Time Series Foundational Model veröffentlicht, die speziell auf die Analyse von Zeitreihendaten trainiert sind und damit den obigen Use Cases noch weitere Möglichkeiten eröffnen – what a time to be alive.
Und jetzt muss man sich als Entscheider zwangsläufig die Frage stellen, ob man glaubt, dass EIN Softwareanbieter auf Basis seiner alten Technologie und Architektur (siehe oben, Forbes) in all diesen Feldern die beste – oder auch nur eine gute und zukunftsorientierte – Lösung anbieten kann.
Die alternative Architektur besteht, wie schon im Forbes Artikel formuliert, aus der Auswahl von spezifisch besten Manufacturing Execution Support Apps, aus denen das, was man in der Vergangenheit Manufacturing Execution System genannt hat, zusammensetzt wird.
Damit sind alternative Anbieter, die, die sich tief in einen der Lösungsräume graben und dort den Fortschritt – u.a. mit Hilfe der aktuellen und zukünftigen Möglichkeiten der KI – vorantreiben. Dies tut oee.ai im Feld der letzten Aufzählung – “Manufacturing Analytics”.
In der Ziel-Architektur hat man in seiner Software-Landschaft dann eine App für Manufacturing Analytics, eine App für Predictive Maintenance, eine App zur Bestandsoptimierung, usw. – jeweils von einem Anbieter, der sich wirklich auf den Lösungsraum und seine aktuellen und zukünftigen Möglichkeiten konzentriert.
Die Transformer-Technologie, auf der ein größerer Teil der aktuell in Diskussion befindlichen KI-Lösungen basiert, ist noch sehr jung. Der Fortschritt der Anbieter wie OpenAI, Google, Meta oder Mistral ist sehr groß. Wenn Sie diskutieren wollen, wie diese Technologie Eingang in das Themenfeld “Manufacturing Analytics” erhält, kontaktieren Sie uns gerne unter info@oee.ai.
Autor: Linus Steinbeck