Inzwischen besitzen die meisten Unternehmen eine Digitalstrategie und sind sich der Notwendigkeit bewusst, ihre Produkte, Dienstleistungen, aber auch internen Prozesse auf der Grundlage von intelligenten, digitalen Lösungen weiterzuentwickeln. Doch die praktischen Erfahrungen mit den Technologien sind oft noch sehr gering. Daher probieren viele Unternehmen erste Ansätze in Proof of Concepts aus, um die neuen Kompetenzen schnell auszubauen und ggf. positive Fehlerkulturen zu leben. 

So sind in der Praxis häufig Digitalstrategie kombiniert mit dem Starten von kleinen, überschaubaren Pilotprojekten in nicht geschäftskritischen Bereichen. Dadurch lassen sich mit geringem Risiko relativ schnell Technologiewissen sowie weitere organisatorische Fähigkeiten wie agiles Projektmanagement im Unternehmen aufbauen. Dabei sollten sie jedoch so früh wie möglich spezialisierte Partner einbinden, die sowohl mit IoT- als auch KI-Projekten sowie innerhalb der Branche ausreichend Expertise aufweisen. Sie helfen dabei, Themen schneller umzusetzen und eigene Expertise im Unternehmen zu festigen. 

Machine Learning in der Qualitätssicherung

Wie dies funktionieren kann, zeigt ein Praxisbeispiel zu Machine Learning in der Qualitätssicherung. Am Ende einer Produktionsstraße durchlaufen Produkte Prüfstände zur Fehlererkennung. In einer gewissen Anzahl der Prüfungen werden jedoch Fehler gemeldet, obwohl das Produkt einwandfrei funktioniert – sogenannte Pseudofehler. Die erweiterte Diagnose sowie die erneute Prüfung kosten Zeit und binden Ressourcen in der Produktion.  

Daher hat ein industrieller Hersteller gemeinsam mit Campana & Schott sowie Studenten der Goethe-Universität in Frankfurt am Main Machine-Learning-Algorithmen erprobt, um mögliche Korrelationen zur Mustererkennung mit Hilfe von maschinellen Lernverfahren zu untersuchen. Die Beteiligten wollten erste Hinweise zur Erkennung von Pseudofehlern erlangen. Dies ist ein vielversprechender Ausgangspunkt, um mit vertiefenden Untersuchungen einen optimierten Prozess zu entwickeln.

Umsetzung und Ergebnisse 

Als Technologieplattform für die Untersuchungen wurde die Microsoft Azure Suite gewählt, die mit dem Azure Machine Learning Studio eine benutzerfreundliche Modellierungsumgebung für diesen Anwendungsfall bietet. Ein agiler Entwicklungsprozess stellte die adäquate Methode für die schrittweise Evaluierung dar. Die Kernelemente der agilen Softwareentwicklung sind Sprints, die aus dem inkrementellen Entwickeln und Verfeinern des jeweiligen Entwicklungsstandes bestehen. In diesem Projekt dauerte ein Sprint zwei Wochen, wobei dem Team pro Sprint etwa 10 Personentage zur Verfügung standen. Insgesamt belief sich der Entwicklungsprozess auf 4 Sprints.

Die erstellten ML-Algorithmen erreichten eine Prognosegüte von über 95 Prozent. So können auf dieser Basis durch eine geeignete Erkennung von Pseudofehlern die Mehrkosten für zusätzliche Prüfungen reduziert werden. Dies bindet weniger Menschen-Kapazität in der Produktion und reduziert den Personaleinsatz. Das Projekt hat außerdem gezeigt, dass sich durch eine funktionsstarke und gleichzeitig einfach zu bedienende Cloud-Plattform zahlreiche vielversprechende Anknüpfungspunkte ergeben. Dazu zählt zum Beispiel, die Maschinen direkt an einen zentralen IoT-Hub anzubinden, um damit Prognoseinformationen in Echtzeit zu erhalten und unmittelbar in den Prüfprozess einfließen zu lassen.   

Fazit 

Die entwickelte ML-Lösung erkennt mehr als 95 Prozent der Pseudofehler frühzeitig. Das Modell lernt auf Basis vorhandener Daten, in denen Pseudofehler markiert sind, und kann so eine Analyse der Ergebnisse in Echtzeit vornehmen.