Im Laufe der letzten zwei Jahrzehnte hat maschinelles Lernen (ML), als Teilgebiet der künstlichen Intelligenz (KI) Einzug in unser Leben gehalten. Die Technologien begegnen uns nun zunehmend auch im täglichen Leben, beipielsweise in Form personalisierter Empfehlungen von Produkten bei Amazon oder der dynamischen Routenplanung bei Google Maps. Im Zuge der voranschreitenden Digitalisierung industrieller Prozesse wird ML vermehrt auch in der Fertigung und der Logistik eingesetzt und gehört zu den Technologien, welche die vierte industrielle Revolution maßgeblich unterstützen.
Die Ursprünge des ML führen auf die späten 1940er Jahre zurück, als erste Konzepte von künstlichen neuronalen Netzen erforscht wurden. Auf den Grundlagen der Statistik basierend und Hand in Hand mit ausgefeilten Algorithmen sowie Big-Data führte der Entwicklungsweg zum heutigen Stand der Technik, indem ML Computersysteme befähigt, Wissen zu verarbeiten und zu erweitern. Aktuelle Anwendungsbereiche reichen von der Bilderkennung und -analyse, über die vorausschauende bzw. zustandsorientierte Instandhaltung bis hin zum Supply Chain Management.
Im Anwendungsbereich der Bilderkennung und -interpretation kann ML in einer Fabrik oder Lagerhalle eingesetzt werden, um Bauteile oder Produkte zu erkennen und im zweiten Schritt, den Mitarbeitenden Vorschläge zum weiteren Vorgehen zu unterbreiten. In der Instandhaltung komplexer Anlagen wird ML immer häufiger eingesetzt: Mit detaillierten Sensordaten und Algorithmen lassen sich Anzeichen der Abnutzung erkennen, Gegenmaßnahmen können daraufhin getroffen werden. Dank des Verfahrens muss weder vorbeugend noch erst, nachdem ein Defekt auftritt, agiert werden. Dies spart Ressourcen und verhindert Betriebsstörungen. Nicht zuletzt in der modernen Logistik kommt ML zum Einsatz, um präzisere Prognosen über Lagerbestände und -auffüllungen zu ermöglichen, was wiederrum zu besseren Bedarfsschätzungen führt.
Diese Beispiele zeigen auf, dass die technologische Entwicklung im Bereich des ML und der KI eine Vielzahl an Potenzialen für industrielle Geschäftsprozesse eröffnet. Zu beachten ist dabei allerdings, dass maschinell lernende Systeme immer nur so gut funktionieren, wie die dafür bereitgestellten Daten sind. Um einen marktwirtschaftlichen Mehrwert zu erzeugen, muss die Funktionalität der Systeme sichergestellt und gleichzeitig die Datensicherheit gewährleistet werden. Denn nur, wenn Beides gelingt, kann ML im industriellen Kontext erfolgreich genutzt und in Geschäftsprozesse eingebunden werden. Dies sind maßgebliche Rahmenbedingungen für Unternehmen, die sich im Zeitalter von Industrie 4.0 auf dem Markt innovativ und wettbewerbsfähig positionieren wollen. Einige Tipps und Beispiele, wie das gelingen könnte, finden Sie in dieser Ausgabe von Industrie 4.0 Management.
