KI in der Fertigung: Eigenentwicklung oder Zusammenarbeit mit einem KI-Entwicklungsunternehmen?

Die Hersteller führen KI-Projekte über den Demonstrationsstadium hinaus in die Produktionsumgebung ein. Vorausschauende Instandhaltung, Computer Vision, Anomalieerkennung, Produktionsoptimierung, Nachfrageprognosen, Energiemanagement und intelligente Workflow-Automatisierung entwickeln sich zu praktischen technischen Initiativen mit unzähligen Anwendungsmöglichkeiten in der Fertigung.

Diese Entwicklung führt zu einer strategischen Entscheidung: Sollten Sie KI-Kompetenzen intern aufbauen, eine Partnerschaft mit einem KI-Entwicklungsunternehmen eingehen oder beide Ansätze kombinieren?

Für die meisten Fertigungsunternehmen sollte die Entscheidung nicht auf der Begeisterung für KI oder dem niedrigsten Angebotspreis basieren. Sie sollte vielmehr auf dem geschäftlichen Problem, der Datenbereitschaft, der Komplexität der Integration, den internen Fachkräften und technischen Kompetenzen, den Sicherheitsanforderungen, der Bereitstellungsumgebung sowie der Frage beruhen, wer die Lösung nach der Einführung betreiben wird.

Dieser umfassende Leitfaden vergleicht die drei Optionen und bietet einen praktischen Rahmen für die Wahl des richtigen Weges.

Die kurze Antwort: Setzen Sie auf ein Hybridmodell, wenn die Leistungsfähigkeit wichtig ist, aber auch die Geschwindigkeit eine Rolle spielt.

Hersteller sollten KI intern entwickeln, wenn KI eine langfristige Wettbewerbsfähigkeit darstellt, das Unternehmen bereits über starke Software- und Datenteams verfügt und es in der Lage ist, Algorithmen für maschinelles Lernen sowie den Modellbetrieb langfristig zu unterstützen.

Die Zusammenarbeit mit einem auf KI spezialisierten Entwicklungsunternehmen ist oft sinnvoller, wenn der Hersteller spezielle Fachkenntnisse, eine komplexe industrielle Integration oder einen schnelleren Weg vom validierten Anwendungsfall zum Produktionssystem benötigt.

Ein Hybridmodell ist häufig die beste Option. Der Hersteller behält die Verantwortung für das geschäftliche Problem, die Datenverwaltung, operative Entscheidungen und die langfristige Strategie. Ein technischer Partner bringt spezielle Kompetenzen ein, beispielsweise in den Bereichen Datenpipelines, maschinelles Lernen, Computer Vision, Cloud- oder Edge-Bereitstellung, fortgeschrittene Analytik und Integration in Anlagensysteme.

Die entscheidende Frage lautet nicht einfach: „Wer erstellt das Modell?“, sondern: „Wer kann diesen Anwendungsfall auf der Grundlage zuverlässiger Daten in ein messbares betriebliches Ergebnis umsetzen?“

Warum KI in der Fertigung mehr erfordert als nur ein Modell für maschinelles Lernen

In der Fertigung wird KI auf physikalische Prozesse, Anlagen, Produkte und betriebliche Entscheidungen angewendet. Damit unterscheidet sie sich von einem eigenständigen Analyseexperiment oder einem Chatbot, der mit einer Dokumentenbibliothek verbunden ist.

Eine industrielle KI-Lösung muss möglicherweise mit Sensordaten, speicherprogrammierbaren Steuerungen, Fertigungssteuerungssystemen, ERP-Plattformen wie SAP, Qualitätsaufzeichnungen, technischen Dokumenten, Wartungshistorien und Bediener-Workflows arbeiten. Möglicherweise muss sie auch am Edge betrieben werden, da eine Produktionsentscheidung nicht immer auf einen Hin- und Rücklauf in die Cloud warten kann.

Die IBM-Überblick über KI in der Fertigung nennt Anwendungsbereiche wie vorausschauende Instandhaltung, digitale Zwillinge, Computer Vision, Optimierung der Lieferkette, Bestandsmanagement, Energiemanagement und Dokumentensuche. Diese Anwendungsfälle haben ein wichtiges gemeinsames Merkmal: Die KI muss mit den Daten und Arbeitsabläufen verknüpft sein, in deren Rahmen die operativen Entscheidungen getroffen werden.

Aus diesem Grund umfasst eine produktionsreife KI-Initiative im Fertigungsbereich in der Regel mehr als nur die Modellentwicklung:

• Definition der geschäftlichen Problemstellung und Priorisierung der Anwendungsfälle
• Datenermittlung, -aufbereitung und -qualitätsprüfung
• Datenverarbeitung und Entwicklung von Datenpipelines
• Entwicklung von Algorithmen für maschinelles Lernen oder Computer Vision
• Software- und API-Entwicklung
• Integration mit ERP-, MES-, SCADA-, PLM-, IoT- oder Instandhaltungssystemen
• Bereitstellung in der Cloud, am Edge oder als Hybridlösung
• Sicherheit, Zugriffskontrolle und Verwaltung sensibler Daten
• Tests und Modellvalidierung
• Überwachung, Umschulung und kontinuierliche Unterstützung
• Nutzerakzeptanz und Gestaltung von Arbeitsabläufen

Monarch Innovation’s Dienstleistungen im Bereich Softwareentwicklung Dazu gehören KI- und Machine-Learning-Lösungen, Systemintegration, Cloud-Entwicklung, eingebettete Software, IoT sowie Anwendungen für die Fertigung. Diese Kompetenzen sind dann von Bedeutung, wenn eine KI-Initiative nicht nur ein isolierter Proof-of-Concept bleiben, sondern Teil eines umfassenderen Betriebssystems werden soll.

Häufige Anwendungsfälle für KI in der Fertigungsindustrie

KI kann die Fertigung in allen Bereichen des Werks, der Lieferkette, der Logistik, des Produktlebenszyklus und der Konstruktionsabteilung unterstützen. Der beste Ausgangspunkt ist in der Regel ein klar definiertes betriebliches Problem mit einer konkret identifizierbaren Entscheidung, einem Verantwortlichen und einem Erfolgskriterium.

Vorausschauende Instandhaltung

Ein System zur vorausschauenden Instandhaltung analysiert Anlagendaten, um Muster zu erkennen, die mit Ausfällen oder Leistungseinbußen in Zusammenhang stehen. Das Ergebnis kann eine Risikobewertung, eine Instandhaltungsempfehlung, eine Warnmeldung oder die Auslösung eines Arbeitsauftrags sein.

Die Schwierigkeit liegt selten in der Auswahl eines Modells. Das Projekt muss Sensorwerte, Anlagenhierarchien, Wartungsprotokolle, Fehlercodes, Betriebsbedingungen und Arbeitsabläufe der Techniker miteinander verknüpfen. Sind diese Quellen inkonsistent, ist möglicherweise eine Datenstandardisierung erforderlich, bevor mit der Modellentwicklung begonnen werden kann. Eine Ursachenanalyse kann den Teams zudem helfen, die Gründe für Ausfälle zu verstehen und Wartungsentscheidungen zu verbessern.

Automatisierte Sichtprüfung

Mithilfe von Computer Vision können Prüfer Oberflächenfehler, fehlende Bauteile, Maßabweichungen oder Montagefehler erkennen. Ein leistungsfähiges System muss Faktoren wie Beleuchtung, Kameraposition, Produktabweichungen, zulässige Toleranzen, Fehlalarme sowie die weiteren Schritte berücksichtigen, die erfolgen, nachdem das System einen möglichen Fehler gemeldet hat.

Auch die Entscheidung über den Einsatzort spielt eine Rolle. Einige Inspektionssysteme erfordern eine Edge-Verarbeitung mit geringer Latenz in unmittelbarer Nähe der Produktionslinie, während andere auf eine zentralisierte Infrastruktur und an das Werksnetzwerk angeschlossene Kameras zurückgreifen können.

Produktions- und Prozessoptimierung

KI kann dabei helfen, Zusammenhänge zwischen Prozessparametern und Ergebnissen wie Ausbeute, Zykluszeit, Ausschuss, Energieverbrauch oder Durchsatz zu erkennen. Das System kann Anpassungen vorschlagen, Szenarien simulieren oder Bediener während der Produktion mit Echtzeit-Feedback unterstützen.

Die Optimierung birgt Risiken, wenn das Modell ohne klare Vorgaben eingesetzt wird. Hersteller sollten Sicherheitsgrenzen, Genehmigungsabläufe, Rollback-Verfahren und eine menschliche Aufsicht festlegen, bevor sie einem System erlauben, Einfluss auf die Produktionseinstellungen zu nehmen. Dies ist besonders wichtig bei Massen- oder Chargenprozessen.

Unterstützung bei Bedarf, Bestandsverwaltung und Terminplanung

Maschinelles Lernen kann die Auftragsentwicklung, saisonale Schwankungen, Lagerbestände, die Leistung der Lieferanten, Produktionskapazitäten, Verkaufsdaten, externe Daten und weitere Variablen analysieren, um die Prognoseerstellung und Terminplanung zu unterstützen. Diese Systeme sind am nützlichsten, wenn die Prognosen direkt in die tatsächliche Produktionsplanung und die Logistikabläufe einfließen, anstatt lediglich ein weiteres Dashboard zu sein, das die Planer manuell auswerten müssen.

Technische und wissensbasierte Arbeitsabläufe

Generative KI kann Ingenieuren dabei helfen, technische Dokumentationen zu durchsuchen, Wartungsprotokolle zusammenzufassen, Spezifikationen zu vergleichen, frühere Konstruktionsdaten abzurufen und erste Entwürfe für Berichte oder Arbeitsanweisungen zu erstellen. Diese Anwendungen können den Produktentwicklungsprozess unterstützen und bieten oft einen risikoärmeren Ausgangspunkt, da sie Menschen unterstützen, anstatt Anlagen direkt zu steuern.

Energie- und Ressourcenmanagement

KI kann den Energieverbrauch, Betriebsmodi, Produktionspläne und das Verhalten der Anlagen analysieren, um Ineffizienzen aufzudecken oder Änderungen zu empfehlen. Zu den potenziellen Vorteilen zählen geringere Energiekosten, eine verbesserte Auslastung und ein nachhaltigerer Betrieb. Der Nutzen hängt von zuverlässigen Messdaten und der Fähigkeit ab, Empfehlungen mit dem Anlagenbetrieb zu verknüpfen.

Weitere Informationen zum Thema Fertigungsautomatisierung finden Sie bei Monarch Innovation unter Einblicke in die Fertigungsautomatisierung, darunter Smart Factories, industrielle KI, vorausschauende Betriebsabläufe, digitale Zwillinge und vernetzte Produktionssysteme. Diese Technologien unterstützen Industrie-4.0-Initiativen und die Entwicklung effizienter Fabriken der Zukunft.

Option 1: Die KI-Fähigkeiten intern aufbauen

„Intern aufzubauen“ bedeutet, die Mitarbeiter, Prozesse, Technologien und Betriebsmodelle einzustellen bzw. zu entwickeln, die für die Bereitstellung und Wartung von KI in der Fertigung erforderlich sind.

Vorteile der Eigenentwicklung

Langfristiger Besitz: Ihr Team baut institutionelles Wissen über den Fertigungsprozess, die Daten, die Systeme und die geschäftlichen Prioritäten auf.

Direkte Zusammenarbeit: Interne KI-Spezialisten können eng mit den Teams aus den Bereichen Anlagenbetrieb, Technik, Qualität, Instandhaltung, IT und Führung zusammenarbeiten.

Strategische Kompetenz: Wenn KI zahlreiche Produkte, Anlagen oder Prozesse unterstützt, kann eine interne Kompetenz zu einem festen Bestandteil des Engineering-Modells und des ERP-Portfolios des Unternehmens werden.

Kontrolle über Architektur und Roadmap: Interne Teams können Technologieentscheidungen auf der Grundlage der langfristigen Anforderungen des Unternehmens, der Sicherheitsrichtlinien und der Produktstrategie treffen.

Schnellerer Zugriff auf den geschäftlichen Kontext: Mitarbeiter, die den Prozess verstehen, können nützliche Hinweise und Einschränkungen erkennen, für deren Erfassung ein externes Team Zeit benötigen würde.

Herausforderungen beim Aufbau einer eigenen Lösung

Ein KI-Programm für die Produktion kann verschiedene Rollen erfordern, darunter Dateningenieure, ML-Ingenieure, Softwareentwickler, Cloud- oder Edge-Spezialisten, Cybersicherheitsexperten, Produkt- oder Projektleiter sowie Experten aus dem Fertigungsbereich.

Die Herausforderung bei der Personalbeschaffung ist nur der Anfang. Das Unternehmen muss außerdem folgende Aufgaben bewältigen:

• Gewinnung und Bindung von Fachkräften
• Kosten für Datenplattformen und Infrastruktur
• Integration mit älteren Geräten und Anwendungen
• Modellüberwachung und Nachtraining
• Sicherheit und Zugriffskontrollen
• Dokumentation und Wissenssicherung
• Prüfung unter wechselnden Produktionsbedingungen
• Unterstützung, nachdem das ursprüngliche Projektteam das Projekt verlassen hat

Ein internes Team kann zwar starke Kompetenzen aufbauen, benötigt jedoch ein ausreichendes Projektvolumen und die Unterstützung der Führungskräfte, um das fortlaufende Betriebsmodell zu rechtfertigen. Die Einstellung einiger weniger Spezialisten ohne die dazugehörigen Daten, die entsprechende Software und die Unterstützung durch die Fertigung kann zu einem Team führen, das zwar effektiv Prototypen entwickelt, bei der Umsetzung jedoch Schwierigkeiten hat.

Option 2: Zusammenarbeit mit einem KI-Entwicklungsunternehmen

Ein KI-Entwicklungspartner ermöglicht den Zugang zu einem interdisziplinären Team, ohne dass der Hersteller bereits vor Beginn des ersten Projekts die gesamte Kompetenz selbst aufbauen muss.

Vorteile einer Partnerschaft

Schnellerer Zugang zu Fachwissen: Ein etabliertes Team kann bereits aus Dateningenieuren, ML-Ingenieuren, Softwareentwicklern, IoT-Spezialisten und Experten für die Bereitstellung bestehen.

Geringerer Personalbedarf zu Beginn: Sie können mit einem fokussierten Projektteam beginnen, anstatt eine komplette KI-Organisation aufzubauen.

Umfassendere technische Abdeckung: Der richtige Partner kann KI mit Anwendungen, Geräten, APIs, Cloud-Infrastruktur, Edge-Umgebungen und industriellen Arbeitsabläufen verknüpfen.

Flexible Kapazität: Das Team kann je nach Projektphase angepasst werden – von der Konzeptions- und Machbarkeitsphase bis hin zur Implementierung und zum Support.

Geringeres Lieferrisiko: Ein Partner mit einschlägiger Erfahrung kann Probleme in den Bereichen Daten, Integration, Validierung und Bereitstellung frühzeitig erkennen.

Wissenstransfer: Ein gut strukturiertes Projekt kann dem Hersteller Unterlagen, Betriebsanweisungen und geschulte interne Mitarbeiter hinterlassen.

Mögliche Herausforderungen bei Partnerschaften

Die Auslagerung von Aufgaben ersetzt nicht die interne Eigenverantwortung. Hersteller sollten festlegen, wie der Partner folgende Punkte handhaben soll:

• Eigentumsrechte an Daten und Zugriff auf Daten
• Rechte an geistigem Eigentum
• Cybersicherheit und Identitätsmanagement
• Eigentumsrechte an Dokumentation und Quellcode
• Erklärbarkeit und Validierung von Modellen
• Erwartungen hinsichtlich Support und Service-Level
• Änderungswünsche und zukünftige Erweiterungen
• Wissenstransfer und Nachfolgeplanung
• Verantwortung für die Modellüberwachung nach dem Start

Das wichtigste Auswahlkriterium ist nicht, ob ein Unternehmen ein beeindruckendes Modell vorweisen kann. Entscheidend ist vielmehr, ob das Unternehmen dieses Modell in einen realen Fertigungsablauf integrieren und nach der Einführung unterstützen kann.

Eigenentwicklung oder Partner: Was sollten Sie vergleichen?

Entscheidungsfaktor

Selbst entwickeln

Partner für KI-Entwicklung

Anfängliche Personalausstattung

Erfordert eine Neueinstellung oder interne Besetzung

Nutzt ein bereits bestehendes interdisziplinäres Team

Projektstart

Es kann zu Verzögerungen kommen, während die Rollen und die Architektur festgelegt werden.

Oft schneller, wenn Umfang und Daten bereitstehen

Langfristiger Besitz

Direkte interne Beteiligung

Kann durch Verträge und Wissenstransfer festgelegt werden

Fachkenntnisse

Muss ausgebildet oder eingestellt werden

Verfügbar je nach Kapazitäten des Partners

Fertigungskontext

Stark, wenn interne Teams über Prozesskenntnisse verfügen

Hängt von der Branchenerfahrung des Partners ab

Skalierbarkeit

Hängt von der Personalbesetzung und der Arbeitsbelastung ab

Lässt sich je nach Projektphase und Anforderungen skalieren

Wartung

Vollständig interne Verantwortung

Kann weitergegeben, übertragen oder ausgelagert werden

Strategische Übereinstimmung

Stark für ein langfristig angelegtes Kompetenzzentrum für KI

Ideal für Beschleunigungsphasen, Spezialaufgaben oder bei Kapazitätsengpässen

Ein Hybridmodell verbindet unternehmensinterne Eigenverantwortung mit externen technischen Kapazitäten. Es bietet drei wesentliche Vorteile: eine schnellere Umsetzung, einen intensiveren Wissenstransfer und eine bessere Abstimmung zwischen der technischen Umsetzung und den betrieblichen Prioritäten.

So kann es beispielsweise sein, dass der Hersteller für die Use-Case-Roadmap, die Datenrichtlinien, die Prozessdefinitionen und die operativen Entscheidungen zuständig ist. Der Partner kann die Datenpipeline, das Machine-Learning-System, die Benutzeranwendung, die Integrationsschicht und die Bereitstellungsarchitektur entwickeln. Interne Mitarbeiter können während des gesamten Projekts mitwirken und nach und nach festgelegte Aufgaben übernehmen.

Ein praktischer Hybrid-Einsatz könnte wie folgt ablaufen:

1. Definieren Sie das betriebliche Problem. Legen Sie fest, welche Entscheidung das System verbessern soll und wer für die Umsetzung der Ergebnisse verantwortlich ist.
2. Die Datenbereitschaft bewerten. Überprüfen Sie die Datenquellen, den Verlauf, die Qualität, die Kennzeichnung, den Zugriff, die Latenz und die Eigentumsverhältnisse.
3. Machbarkeit prüfen. Prüfen Sie, ob die verfügbaren Daten eine sinnvolle Vorhersage, Klassifizierung, Empfehlung oder Sucherfahrung ermöglichen.
4. Entwickeln Sie einen zielgerichteten Produktionsablauf. Entwickeln Sie das kleinstmögliche vollständige System, das Daten, Modell, Integration, Benutzer-Workflow, Werkzeuge und Validierung umfasst.
5. Mit geeigneten Kontrollmaßnahmen bereitstellen. Entscheiden Sie, ob das System in der Cloud, am Netzwerkrand oder in einer Hybridarchitektur betrieben wird. Legen Sie Verfahren für die manuelle Freigabe und die Rücknahme fest.
6. Geben Sie Wissen gezielt weiter. Dokumentarchitektur, Datenflüsse, Modellverhalten, Überwachung, Supportprozesse und bekannte Einschränkungen.
7. Erst nach Vorliegen von Beweisen skalieren. Erweitern Sie das Konzept auf weitere Produktionslinien, Werke, Produkte oder Anwendungsfälle, sobald die erste Lösung ihren betrieblichen Nutzen und ihre branchenführende Leistung unter Beweis gestellt hat.

Dieser Ansatz vermeidet zwei häufige Fehler. Der erste besteht darin, ein teures Team einzustellen, bevor das Unternehmen weiß, welche Anwendungsfälle eine Investition rechtfertigen. Der zweite besteht darin, die gesamte Initiative auszulagern, ohne eine interne Eigenverantwortung für den Prozess und die Daten aufzubauen.

Wann sollte ein Hersteller KI selbst entwickeln?

Eine interne Entwicklung kann sinnvoll sein, wenn die meisten der folgenden Bedingungen zutreffen:

• KI ist für Ihr Produkt oder Ihren langfristigen Wettbewerbsvorteil von zentraler Bedeutung.
• Sie rechnen mit einem anhaltenden Zustrom von KI-Projekten.
• Sie verfügen bereits über starke Teams in den Bereichen Software, Daten, Sicherheit und Technik.
• Sie können Fachkräfte gewinnen und an Ihr Unternehmen binden.
• Sie können den Modellbetrieb nach der Bereitstellung unterstützen.
• Ihre Daten und Systeme sind ausgereift genug, um die weitere Entwicklung zu unterstützen.
• Sie benötigen direkte Kontrolle über die Architektur, die Roadmap und das geistige Eigentum.
• Sie haben die Zeit und das Budget, um diese Fähigkeit ordnungsgemäß aufzubauen.
• Sie möchten KI in allen Bereichen der Geschäftswelt einsetzen, die mit der Fertigung in Verbindung stehen.

Wenn das Unternehmen nur einen einzigen ungewissen Anwendungsfall und kein internes KI-Betriebsmodell hat, könnte der sofortige Aufbau eines kompletten Teams mehr Risiken als Nutzen mit sich bringen.

Wann sollte ein Hersteller eine Partnerschaft mit einem KI-Entwicklungsunternehmen eingehen?

Eine Partnerschaft ist oft der bessere Ausgangspunkt, wenn eine oder mehrere der folgenden Bedingungen zutreffen:

• Sie müssen schnell von der Idee zum Pilotprojekt übergehen.
• Ihrem internen Team fehlt es an Erfahrung in den Bereichen maschinelles Lernen, Data Engineering, Computer Vision oder Bereitstellung.
• Das Projekt erfordert eine Anbindung an IoT-, ERP-, MES-, SCADA-, PLM-, SAP- oder Altsysteme.
• Sie benötigen sowohl Fachwissen im Bereich Fertigung als auch im Bereich Softwareentwicklung.
• Sie testen einen Anwendungsfall für KI, bevor Sie eine größere Investition tätigen.
• Sie benötigen flexible Kapazitäten für ein bestimmtes Projekt oder eine bestimmte Lieferphase.
• Sie möchten den anfänglichen Aufwand bei der Personalbeschaffung und beim Aufbau der Infrastruktur reduzieren.
• Sie benötigen Unterstützung bei der Erstellung einer Roadmap und der Entwicklung einer Produktionsarchitektur.
• Sie möchten verschiedene Möglichkeiten zum Einsatz von KI in unterschiedlichen Anlagen- und Prozesstypen miteinander vergleichen.

Ein Partner sollte Ihre internen Fähigkeiten stärken und nicht dazu führen, dass Ihr Unternehmen dauerhaft von undokumentiertem externem Wissen abhängig wird.

So wählen Sie einen KI-Entwicklungspartner für die Fertigungsindustrie aus

Bewerten Sie den Partner in fünf Bereichen, anstatt sich nur auf sein Machine-Learning-Portfolio zu beschränken.

1. Erfahrung in den Bereichen Fertigung und Ingenieurwesen

Fragen Sie nach, ob das Team die Produktionsbeschränkungen, Anlagendaten, Qualitätsprozesse, Wartungsabläufe, industrielle Vernetzung sowie die Folgen von „False Positives“ oder „False Negatives“ versteht. Erfahrung mit Lieferketten – Tecnomatix und ähnliche Fertigungstools können ebenfalls nützlich sein, wenn die digitale Produktionsplanung Teil des Auftrags ist.

2. Full-Stack-Entwicklungsfähigkeiten

Eine Produktionslösung kann Data Engineering, Modellentwicklung, Backend-Dienste, Frontend-Anwendungen, APIs, Cloud- oder Edge-Infrastruktur, eingebettete Systeme und Integration umfassen. Klären Sie, wer für die einzelnen Schichten verantwortlich ist und wie die Komponenten mit anderen Technologien zusammenarbeiten werden.

3. Daten- und Bereitstellungsdisziplin

Fragen Sie, wie der Partner die Datenqualität bewertet, die Kennzeichnung verwaltet, mit fehlenden Daten umgeht, Modelle validiert, Abweichungen überwacht und das erneute Training unterstützt. Fragen Sie außerdem, wann er eine Bereitstellung in der Cloud, am Netzwerkrand oder in einer Hybridumgebung empfiehlt, insbesondere wenn der aktuelle Stand der Anlagenvernetzung uneinheitlich ist.

4. Unternehmensführung und Eigentumsverhältnisse

Klären Sie den Datenzugriff, das geistige Eigentum, den Quellcode, die Eigentumsverhältnisse an den Modellen, die Dokumentation, Sicherheitstests, die Nachvollziehbarkeit sowie das Verfahren zur Beendigung oder Übertragung des Auftrags. Dies ist besonders wichtig, wenn Systeme sensible Daten verarbeiten oder mit betrieblichen Kontrollmechanismen verbunden sind.

5. Unterstützung nach dem Einsatz

Ein Modell kann an Qualität einbüßen, wenn sich Ausrüstung, Materialien, Lieferanten, Betriebsbedingungen oder Produktkonstruktionen ändern. Fragen Sie nach, wer die Leistung überwacht, Fehler untersucht, das System aktualisiert und die Nutzer nach der Markteinführung unterstützt.

Fragen, die vor dem Start eines KI-Fertigungsprojekts zu klären sind

Anhand dieser Fragen können Sie prüfen, ob die Initiative bereit für die Umsetzung ist:

• Welche konkrete Fertigungsentscheidung oder welchen Fertigungsprozess verbessern wir?
• Wer ist für das operative Ergebnis verantwortlich?
• Welche Datenquellen gibt es, und wie zuverlässig sind sie?
• Gibt es genügend historische Beispiele und dokumentierte Ergebnisse?
• Lässt sich die Lösung mit den bestehenden Anlagen- und Unternehmenssystemen verbinden?
• Benötigt das System eine Cloud-, Edge- oder Hybrid-Bereitstellung?
• In welchem Umfang ist eine menschliche Zustimmung erforderlich?
• Wie werden Genauigkeit, Fehlalarme, Reaktionszeit und Auswirkungen auf den Betrieb gemessen?
• Wer wird die Lösung warten, wenn sich die Produktionsbedingungen ändern?
• Wie werden Cybersicherheit, Zugriffskontrolle und Datenverwaltung geregelt?
• Was muss ein erfolgreicher Pilot nachweisen?
• Welche Unterlagen und Kenntnisse müssen beim Hersteller verbleiben?
• Welche externen Datenquellen, Vertriebsdaten und Produktionssignale könnten datengestützte Entscheidungen verbessern?

Die NIST-Leitlinien zur Informationssteuerung für die intelligente Fertigung betont, dass vertrauenswürdige KI in der Fertigung von konsistenten, wiederholbaren und zuverlässigen Datenpraktiken abhängt. Die Datenbereitschaft sollte daher als eigenständiger Projektarbeitsstrang behandelt werden und nicht als Selbstverständlichkeit angesehen werden.

Wie Monarch Innovation KI-Initiativen in der Fertigung unterstützen kann

Monarch Innovation verbindet KI und maschinelles Lernen mit maßgeschneiderter Softwareentwicklung, eingebetteten Systemen, IoT, industrieller Automatisierung und Ingenieurdienstleistungen. Das Unternehmen Kompetenzen in den Bereichen Embedded- und IoT-Entwicklung kann Projekte unterstützen, bei denen Geräte und Betriebsdaten mit Cloud-Anwendungen, Analysen oder KI-Workflows verknüpft werden müssen.

Dieses multidisziplinäre Modell erweist sich als nützlich, wenn die Initiative über ein eigenständiges Modell hinausgeht. KI in der Fertigung erfordert unter Umständen Datenintegration, industrielle Konnektivität, Anwendungsentwicklung, Bereitstellungsarchitektur, technisches Fachwissen und Produktionsunterstützung, um zuverlässige Ergebnisse zu liefern. Es kann zudem neue Anwendungsbereiche unterstützen, die autonome Fahrzeuge, Smart-Home-Technologien und andere vernetzte Systeme umfassen, sofern diese mit industriellen Abläufen in Verbindung stehen.

Monarch Innovation bietet außerdem Maßgeschneiderte Softwareentwicklung für Anwendungen in der Fertigung, einschließlich Lösungen in den Bereichen Produktionsprozesse, Lieferkettenmanagement und Qualitätskontrolle. Das geeignete Kooperationsmodell hängt vom Anwendungsfall, dem internen Team, der Datenumgebung und den langfristigen Anforderungen an die Eigenverantwortung ab.

Den richtigen Weg für Ihre KI-Strategie in der Fertigung wählen

Die interne Entwicklung von KI sorgt für direkte Eigenverantwortung und kann eine dauerhafte strategische Kompetenz schaffen. Sie erfordert zudem nachhaltige Investitionen in Fachkräfte, Infrastruktur, Governance, Integration und den Modellbetrieb.

Eine Partnerschaft mit einem auf KI spezialisierten Unternehmen kann einen schnelleren Zugang zu Fachkompetenzen ermöglichen und den anfänglichen Aufwand für den Aufbau eines kompletten Teams verringern. Dies erfordert sorgfältige Vereinbarungen in Bezug auf Sicherheit, Eigentumsverhältnisse, Dokumentation, Support und Wissenstransfer.

Für viele Hersteller bietet ein stufenweises Hybridmodell die beste Balance. Die geschäftlichen Herausforderungen, das Prozesswissen, die Datenverwaltung und die strategischen Entscheidungen bleiben innerhalb des Unternehmens. Ein technischer Partner wird hinzugezogen, um die Machbarkeitsprüfung, die Systementwicklung, die industrielle Integration und die Einführung zu beschleunigen. Anschließend werden die Zuständigkeiten übertragen oder erweitert, sobald die internen Kapazitäten ausgereift sind.

Wenn Sie einen Anwendungsfall für KI prüfen, Kontaktieren Sie Monarch Innovation um Ihre Anforderungen in den Bereichen Fertigung, Software, IoT oder Technik zu besprechen. Ein sinnvolles erstes Gespräch sollte sich auf das operative Problem, die verfügbaren Daten, die bestehenden Systeme und das von Ihnen angestrebte Ergebnis konzentrieren.

Häufig gestellte Fragen

Sollten Hersteller KI-Lösungen selbst entwickeln oder mit einem KI-Entwicklungsunternehmen zusammenarbeiten?

Die richtige Entscheidung hängt von der strategischen Bedeutung, den internen Kompetenzen, der Datenreife, der Komplexität der Integration, dem Zeitplan und der langfristigen Eigenverantwortung ab. Entwickeln Sie die KI intern, wenn sie eine dauerhafte Wettbewerbsfähigkeit darstellt und Sie sie kontinuierlich unterstützen können. Greifen Sie auf Partner zurück, wenn Sie Fachwissen oder eine schnellere Umsetzung benötigen. Ein Hybridmodell kombiniert häufig interne Eigenverantwortung mit externen Umsetzungskapazitäten.

Was ist der beste erste Anwendungsfall für KI in der Fertigung?

Der beste erste Anwendungsfall zeichnet sich durch einen klar definierten Verantwortlichen, zuverlässige Daten, ein messbares Ergebnis und einen Arbeitsablauf aus, in dem die Beteiligten auf das Ergebnis reagieren können. Vorausschauende Instandhaltung, Sichtprüfungen, Dokumentensuche, Anomalieerkennung und technische Analysen können hierfür geeignete Kandidaten sein. Vermeiden Sie es, einen Anwendungsfall nur deshalb auszuwählen, weil er technisch interessant oder beliebt ist.

Welche Fähigkeiten sind erforderlich, um KI für die Fertigung im eigenen Haus zu entwickeln?

Ein Produktionsteam benötigt möglicherweise Kompetenzen in den Bereichen Data Engineering, maschinelles Lernen, Softwareentwicklung, Cloud- oder Edge-Infrastruktur, Cybersicherheit, Integration, Projektleitung sowie Fachwissen im Fertigungsbereich. Die genaue Zusammensetzung hängt vom jeweiligen Anwendungsfall ab. Ein Inspektionssystem auf Basis von Computer Vision erfordert möglicherweise andere Kompetenzen als eine Plattform zur Nachfrageprognose oder ein KI-Assistent für technische Dokumentation.

Was sollten Hersteller bei einem KI-Entwicklungspartner erfragen?

Erkundigen Sie sich nach Erfahrungen in der Fertigung, ähnlichen Anwendungsfällen, Datenaufbereitung, Modellvalidierung, industrieller Integration, Cloud- und Edge-Bereitstellung, Cybersicherheit, geistigem Eigentum, Dokumentation, Wissenstransfer, Überwachung und Support nach der Bereitstellung. Fragen Sie außerdem, wem der Quellcode, die Modelle, die Datenpipelines und die Betriebsverfahren nach Beendigung des Auftrags gehören.

Kann ein KI-Entwicklungspartner mit älteren Fertigungssystemen arbeiten?

Ein Partner kann KI möglicherweise über APIs, Datenbanken, Historien, Middleware, Edge-Gateways, Dateiaustauschsysteme oder andere genehmigte Schnittstellen in Altsysteme integrieren. Die Machbarkeit hängt von den Systemen, der Dokumentation, den Zugriffskontrollen, der Datenqualität und den Anforderungen an die Latenz ab. In einer technischen Analysephase sollten Integrationsbeschränkungen ermittelt werden, bevor mit der Entwicklung begonnen wird.

Muss KI für die Fertigung in der Cloud laufen?

Nein. Das geeignete Bereitstellungsmodell kann in der Cloud, am Netzwerkrand, vor Ort oder in einer Hybridumgebung liegen. Eine Cloud-Infrastruktur kann die zentralisierte Datenverarbeitung und das Modellmanagement unterstützen. Eine Bereitstellung am Netzwerkrand oder vor Ort kann vorteilhafter sein, wenn Latenz, Konnektivität, Datensensibilität oder Anforderungen an die Anlagensteuerung eine wichtige Rolle spielen. Die Architektur sollte sich nach den betrieblichen Erfordernissen richten.

Wie können Hersteller die Risiken von KI-Projekten verringern?

Beginnen Sie mit einem klar definierten betrieblichen Problem, prüfen Sie frühzeitig die Datenverfügbarkeit, legen Sie messbare Erfolgskriterien fest, beziehen Sie die Verantwortlichen aus den Bereichen Betrieb und Technik mit ein und validieren Sie den gesamten Arbeitsablauf und nicht nur das Modell. Legen Sie vor der Einführung die Verantwortlichkeiten für die menschliche Überwachung, die Sicherheit, die Zuständigkeiten, die Überwachung und den Support fest. Skalieren Sie das System, sobald die erste Implementierung den betrieblichen Nutzen belegt hat.