Zwei Seiten einer Medaille

Dies wird nicht im Alleingang funktionieren: nur in Kooperation mit Partnern des gesamten Wertschöpfungsnetzwerks, in der jeder seine Stärken ausspielt, können KI-Modelle Mehrwerte für alle Beteiligten schaffen. Datenökosysteme sind dabei die Basis für den nutzbringenden Einsatz von industrieller KI, besonders für kleine und mittlere Fertigungsbetriebe. Sie nutzen Daten aus unterschiedlichen Quellen, bieten über standardisierte Konnektoren einfachen Zugang zum Datenökosystem und ermöglichen damit wiederverwendbare KI-Anwendungen. Im Folgenden sind weitere zentrale Aspekte und Vorteile aufgeführt.

Warum offene Standards wichtig sind

Datenökosysteme erleichtern einfache Datenzugänglichkeit und -qualität, auch über Unternehmensgrenzen hinweg, beispielsweise durch Zugriff auf Maschinen-, Prozess-, Qualitäts- und/oder Wartungsdaten aus verschiedenen Quellen. Standardisierte Formate und ‚Metadaten‘, die die Datenökosysteme festlegen, erleichtern die gezielte Nutzung von Stamm- und Laufzeitdaten. Offene Standards, die bereits beginnen, sich flächendeckend in der produzierenden Industrie durchzusetzen, erleichtern die Kombination von Daten aus unterschiedlichen Systemen, beispielsweise ERP-, MES-, SCADA- oder PLM-Systemen.

Oftmals zögern Unternehmen beim Datenaustausch über Unternehmensgrenzen hinweg, weil sie befürchten, kostbares, langjährig aufgebautes Know-how mit den Daten preiszugeben. Datenökosysteme bieten genau dafür maximalen Schutz durch festgelegte Governance und Datensicherheit: Rollen-, Zugriffs- und Nutzungskontrollen, vertrauenswürdige Datenquellen und automatisierbare Datenverträge (Datenzugriffsvereinbarungen) erleichtern und unterstützen den Datenaustausch im Netzwerk. Damit können Ökosystempartner – beispielsweise Lieferanten, Kunden, Dienstleister –Daten kompletter Wertschöpfungsketten integrieren und zum Nutzen aller Potenziale ausschöpfen, die sie allein niemals heben könnten.

So ergeben sich wesentliche Vorteile beim Einsatz von Künstlicher Intelligenz und Maschinellem Lernen:

• Bereits vorhandene, vorbereitete Datensätze sind für mehrere KI-Anwendungen nutzbar, beispielsweise Predictive Maintenance, Prozessoptimierung, Qualitätssicherung, et cetera.
• Die KI-Modelle haben höhere Modell-Qualität und sind vertrauenswürdig, weil saubere, konsistente Daten die Modellgenauigkeit verbessern und damit zu Stabilität und Verständlichkeit der KI-Anwendungen führen.
• Das Teilen von Daten in vertrauenswürdigen Datenökosystemen vermeidet teure Insellösungen und ermöglicht schrittweisen und damit risikoreduzierten Einsatz von KI vom Piloten bis zur Skalierung. Die Standards führen zu weniger Datenaufbereitung pro Projekt und damit zu schnelleren Prototypen und deren iterativer Optimierung.
• Partnerschaftliche Wertschöpfung entsteht, weil Unternehmen einer Wertschöpfungskette Daten kooperativ nutzen, beispielsweise gemeinsam trainierte Modelle mit Zulieferern, und so gemeinsam ihre Wettbewerbsfähigkeit stärken. Am Ende profitiert jeder Teilnehmer des Datenökosystems.

Typische Nutzungsszenarien sind:

• Predictive Maintenance, indem die KI frühzeitig erkennt, wenn Ausfälle von Maschinen oder Komponenten drohen, wann Wartung im komplizierten Fertigungsplan optimal eingeplant werden kann, ohne die Endtermine zu gefährden oder es werden einfach Stillstandzeiten reduziert.
• Prozessoptimierung, beispielsweise bei der Feinjustierung von Prozessparametern, beispielsweise Temperatur, Geschwindigkeit, Druck, um Ausschuss zu senken.
• Qualitätsvorhersagen durch frühzeitige Erkennung von Abweichungen oder Reduzierung von Ausschuss und Nacharbeit.
• Energie- und Ressourceneffizienz, indem die KI-Modelle Verschwendung erkennen und Verbrauchskurven verbessern und Lastspitzen vermeiden.
• Digitale Zwillinge einzelner Anlagen oder Linien, in denen reale Daten aus Maschinen und Anlagen mit Daten aus physikalischer Simulation kombiniert werden, um die Modelle anzureichern oder einfach mehr Daten zum Lernen zu generieren.

So lassen sich KI-Anwendungen schneller, kostengünstiger und mit geringerem Risiko realisieren, was zu reduzierten Stillstandzeiten, besserer Qualität, effizienterer Produktion und letztlich mehr Wettbewerbsfähigkeit führt.

Datenraumwerkstätten fungieren als KI-Inkubatoren

Viele Fabrikbetreiber und ihre Ausrüster sind kleine und mittelständische Unternehmen, die meist keine große IT-Abteilung, wenig Hallenfläche für Prototypen, kaum freie Kapazitäten zur Datengewinnung aus laufenden Maschinen oder kaum Personalkapazität für Forschungsprojekte haben.

Die oben beschriebenen Arbeiten, um künstliche Intelligenz und maschinelles Lernen im Datenökosystem zu nutzen, schafft kaum ein Unternehmen allein: Der tatsächlich existierende Wissensrückstand sollte gemeinsam mit vertrauenswürdigen Partnern aufgeholt werden. Der sichere Austausch von Daten fördert Kooperation und Innovation innerhalb des Ökosystems und ermöglicht es so, Geschäftsmodelle wirtschaftlich umzusetzen, die bislang nicht einträglich waren.

Genau darum bereitet das Fraunhofer IOSB seine bekannten und kooperationsbewährten Forschungsfabriken und KI-Reallabore in Karlsruhe und Lemgo darauf vor, Datenraumwerkstätten zu werden: Hier finden produzierende Unternehmen alle Elemente, um schnell und einfach Datenraumtechnologien zu entwickeln und zu erproben.

Was ist eine Datenraumwerkstatt?

Eine Datenraumwerkstatt muss alle Elemente anbieten, die erforderlich sind, um kollaborativ schnell einen Datenraum aufzubauen, heterogene Daten aus verschiedenen Quellen zu gewinnen, zu standardisieren und zu verarbeiten sowie allgemein Mehrwerte für Unternehmen aus dem Datenökosystem anschaulich und verständlich zu machen. Zu diesen Elementen gehören beispielsweise

• Möglichkeiten zur Instrumentierung von Maschinen, Anlagen und Produktionsprozessen für die Fälle, in denen die von Unternehmen vorgesehene oder existierende Sensorik zur Datenerfassung nicht ausreicht. Die Datenraumwerkstätten verfügen über diverse Sensorik um Prozesse schnell zu instrumentieren.
• Verarbeitung von Produktionsdaten im ‚Edge-Cloud-Kontinuum‘, das heißt Vor-Ort-Rechenkapazität sowie Anbindung an eine leistungsfähige und sichere Cloud-Infrastruktur, beispielsweise um KI- und ML-Modelle von Komponenten und Maschinen zur Demonstration von Prädiktion bezüglich Qualität, Verfügbarkeit oder Ausbringung zu trainieren und zu erstellen.
• MX-Port-Konfigurationstools zur schnellen Anbindung von Assets an den Datenraum über die verschiedenen Ausprägungen der Datenraumkonnektoren (derzeit Hercules – EDC, Leo – Asset Admin. Shell AAS und Orion – OPC UA).
• Kompetenzen im IT-Sicherheitsmanagement (IEC 62443) und in der IT-Sicherheit (Netzwerk, Kommunikationsprotokolle, IT/-OT-Kopplung, Zugriffs-/Nutzungskontrolle et cetera), systematische Entwicklung von KI-Anwendungen und deren Betrieb in industriellen Datenräumen gemäß der Methodik des KI-Engineering.

Unter Nutzung dieser Elemente bieten Datenraumwerkstätten unterschiedliche Formate an, von der bilateralen Unterstützung einzelner Unternehmen über Hackathons, beispielsweise zur kollaborativen Erprobung von Konnektoren bis zu Governance-Workshops, in der die Teilnehmer sich über Regeln, Rollen und Verantwortlichkeiten in einem Datenraum austauschen und verständigen. Auch Standardisierungsinitiativen können durch die Datenraumwerkstatt angestoßen werden.