Machine Learning in der Industrie

Machine Learning in der Industrie – Wie Verfahren der künstlichen Intelligenz zum elementaren Digitalisierungsbaustein der globalen Industriekonzerne werden.

foto-cc0-pixabay-geralt-computer-mensch

Mit der zunehmenden Digitalisierung steigt auch in der Industrie der wertschöpfende Anteil der IT. Mit dem Einzug des Internet der Dinge werden immer mehr Daten produziert, die gesammelt, analysiert und nutzbar gemacht werden wollen. Industrieunternehmen werden immer mehr zu IT- und Software-Unternehmen. Wer nicht mitmacht, wird abgehängt. Mit steigender Datenmenge und fortgeschrittener Automatisierung nehmen Machine Learning und Künstliche Intelligenz immer mehr Einzug in die Industrie.

Machine-Learning-Anwendungsfälle in der Industrie

Die Anwendungsfälle sind bereits vielfältig und es kommen weitere hinzu. Längst sind intelligente Tools für Marketing und Sales im Einsatz. Zum Beispiel nutzen Unternehmen Tools, die es ermöglichen die Stimmung gegenüber der eigenen Marke in den sozialen Netzwerken zu überprüfen. Der Kundensupport wird zunehmend durch Technologie unterstützt. Chatbots gewinnen an Popularität. In absehbarer Zeit dürfte eine künstliche Intelligenz im Call-Center unterstützen (etwa IPSoft). Predictive Analytics hilft im Bereich Logistik die Nachfrage zu prognostizieren. In der Werkslogistik kommen fahrerlose Lösungen zum Einsatz, die zunehmend intelligenter werden – ebenso wie Roboter. Da, wo Menschen und Maschinen miteinander in Kontakt kommen, kann durch den Einsatz intelligenter Lösungen die Sicherheit erhöht werden. Die intelligente Fabrik der Zukunft produziert eine Vielzahl an Daten, die in Echtzeit ausgewertet werden. Intelligente Software erkennt Anomalien, sagt wann Maschinen gewartet werden müssen und zeigt Optimierungspotenziale auf. Im Folgenden werden einige Anwendungsgebiete aufgezeigt in denen Machine Learning eine Rolle spielt und Beispiele angeführt.

Predictive Maintenance

Durch den Einsatz von Sensoren und vernetzten Anlagen können Unternehmen in Echtzeit Informationen zu Ihren Anlagen sammeln und auswerten. So kann zum Beispiel der Verschleiß von Bauteilen überwacht werden und der Wartungsplan automatisiert optimiert werden. Predictive Maintenance kann dabei helfen die Lebensdauer von Maschinen zu verlängern und ungeplante Stillstände zu vermeiden.

Rolls Royce setzt zum Beispiel für seine Flugzeugtriebwerken auf Predictive Maintenance. Dabei werden während des Betriebs eine ganze Reihe von Triebwerksdaten wie Temperaturen, Öldruck oder Vibrationsintensität gemessen. Die Daten werden dann in Echtzeit oder nach dem Flug an das zentrale Cloud-Backend übertragen und ausgewertet. Neben der Optimierung des Wartungsplans ist ein weiteres Ziel den Treibstoffverbrauch zu reduzieren. Dafür werden zusätzlich zu den Triebwerksdaten weitere Daten zum Flug wie Flughöhe, Geschwindigkeit und Lufttemperatur erfasst und ausgewertet.

Das Münchner Start-up Konux entwickelt Sensoren sowie intelligente cloud-basierte Software zum Überwachen von Bahninfrastruktur und Maschinen wie etwa industriellen Pumpen. Die durch die Sensoren produzierten und in der Cloud gesammelten Daten dienen unter anderem der Optimierung von Wartungsplänen. So entwickelt Konux gemeinsam mit der deutschen Bahn eine Lösung zur Überwachung der Bahninfrastruktur in Echtzeit sowie ein optimiertes Wartungskonzept.

Smart Manufacturing

Unter Smart Manufacturing versteht man den Einsatz von Informationstechnologie, um Daten über den gesamten Produktionsprozess zu sammeln und zur Optimierung zu verwenden. Hierbei geht es zum einen darum, die Produktion aktueller Produkte effizienter zu gestalten, zum anderen aber auch darum, die gewonnenen Erkenntnisse dazu zu nutzen künftige Produkte so zu gestalten, dass sie effizient produziert werden können. Die flexible Reaktion auf eine geänderte Nachfragesituation und die Verbesserung der Qualität der Produkte sind ebenfalls Ziele die mit dem Ansatz verfolgt werden.

Mit der Speedfactory in Ansbach möchte adidas die Zeit zwischen Bestellung und Auslieferung auf wenige Stunden reduzieren – Produktion inklusive. Damit das funktioniert, wurde ein neuer Schuhtyp entwickelt, der komplett von Robotern hergestellt wird.

Die Kerntechnologien für Industrie 4.0 sind Big Data, Roboter, Sensoren und natürlich die technische Infrastruktur (Netzwerk, Computer Ressourcen) die benötigt wird, um die Daten zu sammeln und zu verarbeiten. Bei derart komplexen Technologievorhaben ist es daher wenig verwunderlich, wenn hierbei Unternehmen ihre Kompetenzen bündeln und zusammenarbeiten.

So tut sich der Roboter- und Automatisierungsspezialist KUKA mit dem Kommunikationstechnologie-Unternehmen Huawei zusammen, um gemeinsam an einer cloud-basierten Smart Manufacturing Platform zu arbeiten. Hierzu werden gemeinsame Forschungsaktivitäten stattfinden, um die benötigten Technologien (weiter)zuentwickeln. Machine-Learning-Technologie spielt hierbei eine wichtige Rolle.

Smart Cars & Autonomes Fahren

Durch den Einsatz von maschinellem Lernen und künstlicher Intelligenz werden Fahrzeuge mit Technologie ausgestattet, die immer mehr Fähigkeiten hat den Fahrer zu unterstützen bis hin zu Fahrzeugen die komplett ohne menschlichen Fahrer auskommen. Populärstes Beispiel ist sicherlich Tesla mit seinem Autopilot (der nach wie vor einen Menschen als Aufpasser braucht). Mit jedem gefahrenen Kilometer wächst der Datenbestand, der den Algorithmen zum Lernen zur Verfügung steht. Es gibt allerdings neben Tesla weitere spannende Entwicklungen auf dem Gebiet des autonomen Fahrens. Nahezu alle größeren Autohersteller haben bereits Assistenzsysteme im Einsatz und entwickeln diese weiter beziehungsweise investieren in neue intelligente Technologien. Es gibt auch viel Dynamik im Bereich Gütertransport. Ebenso wie bei Pkws gibt es verschiedene Akteure die an selbstfahrenden Lkws arbeiten. Auch hier werden die bestehenden Branchengrößen durch Start-ups herausgefordert. Während wirklich autonomes Fahren auf öffentlichen Straßen aufgrund der Komplexität sicher noch etwas Zeit braucht, gibt es allerdings in kontrollierten Umgebungen bereits vollständig automatisch fahrende Fahrzeuge und auch hier spannende Entwicklungen. Automatisierte Containertransportfahrzeuge werden längst schon in Häfen (etwa Hamburg) eingesetzt. Das Start-up Komatsu hat einen Lkw vorgestellt, der im Bergbau selbstständig Lasten transportieren soll.

Damit wirklich autonomes Fahren auf öffentlichen Straßen Realität wird, werden die Systeme zur Verarbeitung der Umgebungsdaten weiter entwickelt. Spezielle für künstliche Intelligenz ausgerichtete Hardware beschleunigt die Verarbeitung der Sensor und Kamera-Daten in Echtzeit. Deep Learning kommt momentan für Erkennung von Objekten (Passanten, Schilder, gegnerische Fahrzeuge) und Bewegung zum Einsatz.

Smart Farming

Auch vor der Landwirtschaft macht die Automatisierung und Digitalisierung nicht Halt. Die smarte Farm ist hochgradig vernetzt. Software sammelt Sensordaten, Umweltdaten und überwacht beziehungsweise steuert die eingesetzten Landmaschinen. Das Ganze mit dem Ziel der Optimierung. So laufen alle Daten in Echtzeit zusammen und bieten tiefe Einblicke in den aktuellen Zustand. Mithilfe der Daten können Vorhersagen getroffen oder Empfehlungen zur Optimierung angebracht werden. Moderne Landmaschinen sind bereits hochgradig technologisiert und beinhalten Assistenzsysteme. So werden zum Beispiel mithilfe von GPS die Landmaschinen präzise über die Anbaufläche gesteuert. Mehrere Anbieter wie. etwa Claas, John Deere, Fendt, ATC und Case IH arbeiten an selbstfahrenden Traktoren.

 

Strategische Investments & Akquisitionen

Während die Digitalisierung weiter voran geht und Machine Learning vermehrt zum Einsatz geht, lassen sich strategische Investments und Akquisitionen mit Technologiefokus beobachten.

Im Dezember 2015 hat Toyota in Prefered Networks Inc. investiert, ein Unternehmen welches sich auf Machine Learning-Technologie spezialisiert hat. Toyotas Bestrebungen im Bereich autonomes Fahren sowie die Robotics-Sparte könnten von den Deep-Learning-Technologien von Prefered Networks profitieren.

General Electric hat schon 2014 in Meridium, einen Anbieter für Asset Performance Management Software, investiert und im September 2016 vollständig akquiriert. Die Software hilft Industriekunden wie etwa Öl und Gasfirmen effizienter zu operieren. Unter anderem können mit Meridiums Software Voraussagen gemacht werden, wann Maschinen möglicherweise ausfallen könnten, um entsprechend proaktiv tätig zu werden (Predictive Maintenance). Damit ergänzt General Electric sein bestehendes, auf der eigenen Predix-Plattform aufsetzendes, Angebot. Predix ist ein cloud-basiertes Plattform-as-a-Service (PaaS) Angebot zum Sammeln und Auswerten von Daten, die von Industriemaschinen generiert werden.

Bosch hat mit Prosyst, inubit und weiteren Akquisitionen wichtige Technologiebausteine für den Aufbau seiner umfassenden IoT-Suite und zukünftigen IoT-Cloud zusammengekauft.

In Nauto haben kürzlich BMA, Allianz und Toyota investiert. Die vernetzte kamerabasierte Fahrassistenz des Startups beobachtet das Geschehen auf der Straße aber auch im Fahrzeug, um das Fahrverhalten zu analysieren und Unfälle zu vermeiden.

Partnerschaften

In der Welt von Industrie 4.0 entstehen zunehmend Partnerschaften zwischen Unternehmen, die sich gemeinsam den komplexen Herausforderungen stellen. So gibt es zum einen gemeinsame Unternehmungen von Unternehmen aus dem gleichen Industriezweig, zum anderen Kooperationen zwischen Industrie- und Technologieunternehmen.

So haben die drei deutschen Automobilhersteller Audi, BMW und Daimler den Kartendienst Here im Jahr 2015 übernommen und sich so Schlüsseltechnologie für Fahrassistenzsysteme und Autonomes Fahren gesichert.

In der 2016 gegründeten 5G Automotive Association sind diese drei Hersteller ebenso zu finden wie die IT- und Telekommunikationsfirmen Ericsson, Huawei, Intel, Nokia, und Qualcomm. Hierbei geht es darum, die Möglichkeiten des zukünftigen Mobilfunkstandards für die Vernetzung von Fahrzeugen auszuschöpfen.

Partnerschaften zwischen Industrieunternehmen und Technologieunternehmen drehen sich nicht selten um Cloud-Infrastruktur und Machine Learning-Technologie. Zum Beispiel arbeiten General Electric und Microsoft zusammen. Die Predix-Plattform von General soll auf Microsofts Azure Cloud laufen können.

Rolls Royce arbeitet für seine Predictive Maintenance ebenfalls mit Microsoft zusammen. Hierbei kommt die Azure Public Cloud mit seinen Services für IoT sowie Machine Learning (Cortana) zum Einsatz.

Der Automobil und Industrie Zulieferer Schaeffler hat mit IBM eine strategische Partnerschaft vereinbart, um ein digitales Ökosystem rund um Maschinendaten zu bauen. Die Basis hierfür bildet eine globale, hybride Cloudinfrastruktur. Mit Huawei hat sich das Roboter und Automatisierungsunternehmen KUKA einen Partner gesucht, um in den Bereichen Cloud Computing, Big Data, Mobile und Robotik zusammenzuarbeiten.

Industrie wird Cloudanbieter?

Die Anforderungen, die Industrie 4.0 mit sich bringt, machen Industrieunternehmen verstärkt zu Softwareunternehmen. Für die Verarbeitung der teils geschäftskritischen, in zunehmendem Umfang anfallenden Daten, ist eine solide IT-Infrastruktur unerlässlich. Die Unternehmen wählen dazu unterschiedliche Ansätze. Während sich einige Technologiepartner suchen und deren Infrastruktur nutzen, wählen andere hybride Ansätze oder bauen die eigene Infrastruktur aus. Ein Beispiel für Akteure mit eigener Infrastruktur ist Bosch. Bosch bietet mit der IoT Cloud sowohl Infrastructure-as-a-Service, als auch Plattform-as-a-Service und Software-as-a-Service Angebote, die aus einem eigenen Rechenzentrum heraus angeboten werden (ab 2017).

Empfehlungen an den Industrie-CTO von Morgen

Agilität und Effizienz machen in hart umkämpften Märkten unter Umständen den Unterschied aus. Die Möglichkeiten der Digitalisierung und der Automatisierung auszuschöpfen, ist damit längst nicht mehr optional. Digital First ist daher die Lösung in vielen Industrieunternehmen.

»If we don’t start becoming and behaving like a true software company we don’t have a future« – Abhi Kunte, General Electric –

Die Transformation vom Industrie- zum Softwarekonzern und die Integration von Verfahren der künstlichen Intelligenz in den Produktentwicklungsprozessen verlangt von den Industriekonzernen á la Bosch, GE, Siemens, ABB oder Toyota vor allem:

Ein neues Denken (»Digital Mindset«) und eine neue Art und Weise IT bereitzustellen und die IT zum festen Bestandteil der Product Experience (IT ist Teil des Produktes und des Kundennutzens!)

Einen Chief Technology Officer (CTO), wie in einem klassischen Software-Unternehmen, der über ein tiefes Verständnis moderner Cloud-Architekturen und Technologie-Stacks («Stackology”) verfügt.

Ein auf software- und service-basierte Geschäftsmodelle ausgelegtes Product Lifecycle Management – hier haben die Industriekonzerne bislang wenig Erfahrung und können im Hinblick auf Entwicklung, Testing, Release Management, Operations, Maintenance, Licensing, Support etc. viel von den erfolgreichen Cloud Providern lernen (die wiederum wenig Erfahrung im Kontext Industrie 4.0 haben).

Daniel Klemm

Senior Analyst, Crisp Research

Daniel Klemm ist Senior Analyst bei Crisp Research mit Fokus auf Big Data, Machine Learning, Cloud Computing und Customer Journey. Er hat mehr als 12 Jahre Erfahrung im Bereich verteilter Systeme und dem Gewinnen von Erkenntnissen aus großen Datenmengen. Als CTO eines Cloud Native Start-ups konzentrierte sich seine Arbeit unter anderem auf die Bereiche skalierbare Cloud-Architekturen, Marketing Automation sowie Programmatic Advertising. Daniel Klemm hat im Laufe seiner Karriere mehrfach den Prozess von Idea-To-Market für digitale Produkte und Start-ups auf technischer Seite verantwortet. Er ist einer der Initiatoren der Amazon Web Services User Groups in München und Kassel. Darüber hinaus ist Daniel Klemm Co-Author diverser wissenschaftlicher Publikationen im Bereich Agent-Based Modeling. Hierbei lag der Schwerpunkt auf der Simulation menschlichen Verhaltens (u. a. Konsumverhalten) im Kontext von Endscheidungsunterstützungssystemen.

 

Schreiben Sie einen Kommentar