Machine Learning ist die Basis für Schlüsseltechnologien wie Predictive Maintenance oder Condition Monitoring genauso wie für neuartige Geschäftsmodelle. Jürgen Kitzler, Automation Sales Engineer bei der Weidmüller GmbH, erklärt wie KMUs rasch Eigenständigkeit im Bereich Industrial Analytics erlangen können.
Jürgen Kitzler
Automation Sales Engineer der Weidmüller GmbH
Wie werden Künstliche Intelligenz und Machine Learning von heimischen Unternehmen implementiert?
Der Weg zur Umsetzung wird oft noch zaghaft beschritten. Gründe gibt es viele: fehlende Erfahrung, begrenztes Wissen um die technischen Möglichkeiten, Unsicherheit über den Kundenbedarf, Zweifel an den Geschäftsmodellen und so weiter. Dabei sollte sich jedes Unternehmen fragen, welche Bedeutung z.B. das Thema Maschinendaten für den zukünftigen Geschäftserfolg haben könnte. Man ist sicherlich schlecht beraten, untätig zu bleiben und einfach nur abzuwarten. Daten gewinnen immer mehr an Bedeutung. In der Automobilindustrie ist es zunehmend so, dass die Datenhoheit und weniger der physische Bau von Fahrzeugen das Geschäft antreibt. Aber auch andere Maschinen- und Anlagenbauer sind nicht untätig und stellen ihe Geschäftsmodelle längst um. So wird beispielweise Maschinendurchsatz wie Druckluft statt Kompressoren verkauft. Dies ist durch die Erhöhung der Verfügbarkeit, der Reduzierung der Wartungskosten und der vorausschauenden Analyse der Maschinen und Anlagen ein durchaus lukrativer und für alle Seiten vorteilhafter Ansatz.
So können Sie selbst passende Modelle erstellen und schließlich auf ihre Maschine oder Anlage bringen, ohne auf umfassende Vorerfahrungen im Bereich Data Science oder KI/ML angewiesen zu sein.
Künstliche Intelligenz und Machine Learning (kurz ML) sind vielversprechend. Wie können auch KMU von diesen Technologien profitieren?
Das klappt nur dann, wenn Themen wie Daten, Machine Learning oder Digitale Services eine zusätzliche Kernkompetenz eines Unternehmens werden, vergleichbar mit Produktentwicklung, Anwendungserfahrung oder Automatisierungs-Kompetenz. Dafür muss ein Unternehmen aber über die Möglichkeiten und Ressourcen verfügen, diese Kompetenzen eigenständig umsetzen zu können. Hier bietet sich Automated Machine Learning an. Prozessexperten eines Unternehmens bringen dabei selbst ihr umfangreiches Wissen über Maschinen und Anwendungen ein, nutzen aber Tools und Software, die sie durch den Prozess der ML-Modellerstellung führen. Dabei wird der Anwender durch eine automatische Auswahl an Algorithmen und die Möglichkeit, Genauigkeit und Geschwindigkeit der Modelle mittels aussagekräftiger Key-Performance-Indikatoren zu bewerten, unterstützt. So können sie selbst passende Modelle erstellen und schließlich auf die Maschine oder Anlage bringen, ohne auf umfassende Vorerfahrungen im Bereich Data Science oder KI/ML angewiesen zu sein. Damit werden sie in die Lage versetzt, Machine Learning als regelmäßiges Feature in ihre Produkte und Prozesse einzubringen. Auf solche praktischen Lösungen hat die Industrie bisher verzichten müssen.
Für wen ist Automated Machine Learning (Auto-ML) besonders gut geeignet?
Manche KundInnen haben nicht nur einen Anwendungsfall, der innerhalb eines Projekts abgebildet werden soll. Das Maschinen-, Anlagen- und Dienstleistungsportfolio ist oft umfangreich. Wenn man als Kunde nicht für jeden Fall komplett von externen Firmen abhängig sein möchte und kein mehrköpfiges Team unterhalten kann, dass sich mit der mathematischen Modellbildung befasst, schafft Auto-ML da Abhilfe.
Wie kommen Unternehmen zu relevanten Anwendungsszenarien?
Häufig gibt es bereits konkrete Kundenwünsche. Eine strukturierte Analyse kann in vielen Fällen intern erfolgen und bei Bedarf mit externer Kompetenz unterstützt werden. Besonders bewährt haben sich dabei von unseren Kunden-Teams moderierte Kreativ-Workshops. Bei diesen werden mit ausgewählten Stakeholdern – Digital-Verantwortliche, Vertrieb, Service, Produktmanagement, Automatisierung, IT – mögliche Use Cases gesammelt. Diese werden geordnet und anhand relevanter Kriterien – Marktinteresse, Umsatzpotenzial, Aufwand/Nutzen-Verhältnis, Datenlage, verfügbare Kompetenzen – möglichst exakt gewichtet. Darauf basierend werden zwei bis drei ausgewählt, die als erstes umgesetzt werden sollten. Wichtig ist, abschließend noch einmal explizit zu hinterfragen, ob und wie die ausgewählten Use Cases die strategische Ausrichtung des Unternehmens unterstützen. Das kann natürlich vielfältig sein: überhaupt erst einmal digitale Kompetenzen aufzubauen, digital-unterstützte Geschäftsmodelle voranzutreiben oder konkrete Kundenbedürfnisse zu bedienen.
Warum ist Weidmüller dafür der richtige Partner?
Wir stellen hardware- und softwaretechnisch alles bereit, um Daten zu sammeln, vorzuverarbeiten, zu verteilen und zu speichern. Wir verfügen über ein umfassendes Produkt-Portfolio von Sensortechnik bis zu Cloud-Diensten. Unsere KundInnen profitieren zudem von unserem Analytics- und Industrie-Know-how: Unser Angebot reicht von kundenspezifischen Projekten über Auto-ML Software-Tool bis hin zum gezieltem Data Science Support – oder der passenden Kombination daraus. Wir können nicht nur Referenzen in verschiedensten Branchen und bei unterschiedlichsten Applikationen vorweisen, wir sind auch selbst weltweit aktiver Maschinenbetreiber. Wir bieten Know-how aus der Industrie für die Industrie.
Mehr Informationen finden Sie unter industrial-analytics.weidmueller.com/de.