AI Value Talk

Einordnung und Perspektive zu Industrial AI

Der Gast erläutert die disruptive Kraft von KI in der Industrie und vergleicht deren Entwicklung mit früheren Technologien wie dem Internet. Es wird betont, dass KI sinnvoll eingesetzt werden muss und nicht als Allzwecklösung verstanden werden darf. Industrie 4.0 wird im Kontext von KI neu bewertet und als Weg gesehen, Prozesse gezielt zu optimieren, statt Datenmonstren unkritisch zu nutzen.

Anwendungsspektrum: Analytische und generative KI in der Praxis

Es wird unterschieden zwischen analytischer KI, die Steuerung, Bildverarbeitung und Prozessanalyse unterstützt, und generativer KI, die noch am Anfang steht. Smarte Assistenten auf HMIs sollen Nutzerführung und Fehleranalyse verbessern. Sprachsteuerung wird als möglicher Weg gesehen, ist aber kulturell unterschiedlich akzeptiert und noch nicht breit etabliert.

Häufiges Muster ist vorhandene, aber kontextlose Datenbasis. Für KI-Modellierung braucht es Labels und saubere Kontextualisierung. Das Team setzt auf Consulting-Unterstützung, um Datensätze zu bereinigen, und betont den engen Zusammenhang von KI-Engineering mit dem Alltag von Automatisierungstechnikern.

Kernpunkte sind Hardware-Erweiterung, Edge- und Cloud-Optionen, sowie eine modulare KI-Strategie in drei Säulen: Physical AI, AI Digital Services und AI Engineering. Die Bedeutung von MLOps, funktionaler Sicherheit und Cybersecurity wird anerkannt, mit Pilotprojekten und Workshops zu KI-Sicherheit; Roadmaps sollen agil bleiben, um neue Entwicklungen berücksichtigen zu können.

Agentic AI und vielseitige Blickwinkel

Im Fokus stehen Industrial AI und das Konzept Agentic AI, das nicht nur Empfehlungen liefert, sondern kontextbezogene Aufgaben plant, Entscheidungen vorbereitet und verschiedene Systeme koordiniert. Betrachtet werden mehrere Sichtweisen auf KI in der Produktion, von analytischen über agentische bis hin zu Emotional AI, wobei der Schwerpunkt auf realen Anwendungsfällen liegt.

Praxisbeispiele aus Abfüllung, Chipsproduktion und Planung

Der Einsatz von Agentic AI wird am Beispiel einer Flaschenabfüllung demonstriert, mit einem Agentennetzwerk, das Maschinendaten, Wissensdatenbanken und Service-Historie verknüpft und fehlerhafte Abläufe analysiert. Ergänzend zeigen Projekte von Kronis mit KI-Simulationen in Verbindung mit 3D-Visualisierung und Nanovernetzung, wie digitale Zwillinge die Anpassung an neue Designs beschleunigen.

Weitere Fallstudien und Partnerperspektiven

Pringles setzt auf KI-gestützte Prozessoptimierung, bei der rund 300 Messpunkte kontinuierlich analysiert werden, um Bedienern datenbasierte Entscheidungsunterstützung zu geben. Siemens, Microsoft und German Edge Cloud tragen mit Methoden der Datenkonsolidierung, digitalen Arbeitskarten und Multi-Agenten-Systemen zur Effizienzsteigerung und Nachhaltigkeit bei.

Herausforderungen, Sicherheit und Perspektiven

Herausforderungen bleiben Datenqualität, Schnittstellen, Verantwortlichkeiten und Sicherheitsaspekte. Datenhoheit wird betont, während der Fortschritt von Predictive Maintenance, Open-Source-Analysen und Industrial DevOps neue Wege eröffnet. Der Blick richtet sich auf Physical AI, adaptive Cloud-Edge-Intelligence und vernetztes, KI-gesteuertes Manufacturing.

Digitaler Zwilling und Leuchtturmprojekt

Das Vorhaben fokussiert die Entwicklung einer digitalen Zwilling-Strategie in einer neuen Lithium-Ionen-Zellenproduktion, realisiert als umfassende Greenfield-Architektur. Ziel ist eine hochklassige Fertigung auf internationalem Niveau, unterstützt durch ein cloudbasiertes Abbild der gesamten Produktion. Als zentraler Erfolgsfaktor gilt ein integrierter digitalen Zwilling der Fertigung, der Echtzeitdaten zur Verfügung stellt und Prozesse simuliert.

Software-Defined Manufacturing und Standardisierung

Der Ansatz basiert auf Software-definierter Produktion, cloud-nativen Architekturen und vorkonfigurierten SAP-Komponenten. Es werden Standards wie OPC-UA, MQTT und branchenspezifische Modelle genutzt, um Schnittstellen konsistent zu gestalten und Skalierbarkeit zu ermöglichen. Ziel ist eine einheitliche, bereichsübergreifende Umsetzung, ohne proprietäre Zwischenlösungen.

Daten, Qualität und KI-gestützte Erkenntnisse

Alle Maschinen- und Prozessdaten fließen in Echtzeit in einen Data Lake und das MES-System. Regeln validieren Attributwerte, Ausschuss wird vermieden und Qualitätsnachweise sichergestellt. Die Architektur schafft eine solide Datenbasis für KI-Anwendungen, um Prozesse zu analysieren, Muster zu erkennen und Optimierungen zu unterstützen.

Zusammenarbeit, Transferfähigkeit und Zukunftsausblick

Das Projekt vereint OEM, Werkzeugbau und Beratung, wobei klare Kommunikationsroutinen und gemeinsame Zielbilder essenziell waren. Die Bausteine lassen sich auf andere Branchen übertragen, insbesondere das agile Vorgehen, Architekturbausteine und der Software-Defined-Ansatz. Zukünftig stehen selbstoptimierende Fabriken im Fokus, mit weitreichender Automatisierung und KI-gesteuerten Regelkreisen.