KI-Projekt oder Standardlösung – welche KI nützt schneller?

Weniger Stillstände, passgenaue Planung und mehr Effizienz in der Fertigung – mit KI werden diese Ziele erreichbar. Vor der Integration beschäftigt Produktionsverantwortliche aber oft eine Frage: Brauche ich eine individuell trainierte KI-Anwendung oder besser eine Standardlösung? Die Antwort überrascht.

Von der Datenbasis zur Wertschöpfung

Den meisten Produktionsunternehmen ist inzwischen klar, dass KI kein Selbstzweck ist. Sie soll vielmehr Mitarbeitende bei Entscheidungen unterstützen oder konkrete Probleme lösen. In Schritt 1 der KI-Einführung geht es deshalb darum, eine saubere Datenbasis zu schaffen. Produktionsdaten müssen erfasst, strukturiert und kontextualisiert werden. Das Fundament dafür bildet ein Manufacturing Execution System (MES) und eine Integrationsplattform. Danach – und damit in Schritt 2 – stellt sich die nächste Frage: Welche KI-Lösung passt zur Produktion?

Der Irrtum des KI-Eigenbaus

Ist von industrieller KI die Rede, denken viele Produktionsverantwortliche an komplexe KI-Projekte, die von KI-Spezialisten umgesetzt werden. Damit liegen sie richtig: Data Scientists entwickeln individuelle Modelle, trainieren Algorithmen mit historischen Produktionsdaten und optimieren sie kontinuierlich für meistens einen oder mehrere spezifische Anwendungsfälle. Predictive Maintenance ist so ein Beispiel. Um eine Lösung zu entwickeln, arbeitet der KI-Experte eng mit Prozessingenieuren zusammen. Dabei macht er sich auf die Suche, nach Parametern, die auf Verschleiß hinweisen und sammelt Messwerte wie Temperatur-, Druck- und Drehzahlangaben sowie Wartungsprotokolle aus der Vergangenheit. Nach der Datenbereinigung sucht er nach aussagekräftigen Merkmalen und wählt eine passende KI-Methode für das Training aus.
Neben Predictive Maintenance lassen sich aber auch andere Applikationen für beispielsweise Wissensvermittlung, Qualitätsprüfung oder Ablaufoptimierung entwickeln.  Für solche Aufgaben liefern maßgeschneiderte KI-Lösungen oft eine hohe Präzision. Gleichzeitig sind sie jedoch mit erheblichem Aufwand verbunden, durch:

• lange Projektlaufzeiten

• hohem Bedarf an Data-Science- und MLOps-Know-how (Machine Learning Operations)

• aufwendige Modellpflege

• regelmäßiges Retraining bei Veränderungen der Produktionsumgebung

Gerade mittelständische Produktionsunternehmen und nicht nur sie unterschätzen häufig den Aufwand, der nach einem erfolgreichen Pilotprojekt beginnt. Zudem vergessen sie gerne: Produktionsanlagen entwickeln sich weiter, Prozesse ändern sich und neue Produkte kommen hinzu. Die Folge: Das trainierte Modell verliert schrittweise an Aussagekraft und muss kontinuierlich angepasst werden, wofür Geld und Zeit vorgehalten werden müssen.

Die Alternative: KI mit Produktionskontext

Ein anderer KI-Ansatz ist deswegen für viele industrielle Anwendungsfälle in Produktionsstätten deutlich attraktiver: die KI-Standardlösung.

Sie bezieht bereits kontextualisierte Daten aus dem MES oder einer Integrationsplattform. Dadurch liegen sie einheitlich und damit auswertbar vor. Die KI bezieht somit genau die Informationen, die sie beispielsweise zur Beantwortung einer Frage oder zur Unterstützung einer Entscheidung benötigt. Liegt das Wissen verteilt in Maschinensteuerungen, ERP-Systemen, MES-Lösungen, Wartungsprotokollen und Excel-Dateien, kann auch eine leistungsfähige KI keinen konsistenten Mehrwert liefern. Die Integrationsplattform aber schon, da sie die Datengrundlage dafür schafft.  Die Umsetzung einer Standardlösung ist deshalb mit einem wesentlich geringeren zeitlichen und finanziellen Aufwand verbunden.

Warum Standardlösungen an Bedeutung gewinnen

Die eigentliche Stärke moderner KI-Standardlösungen liegt also weniger im Algorithmus als im Produktionskontext. Ein Produktionsleiter möchte beispielsweise wissen: "Warum ist die OEE auf Linie 3 in den vergangenen zwei Wochen gesunken?" Eine KI-Lösung kann dazu aktuelle Produktionsdaten, Störgründe, Schichtinformationen, Qualitätsdaten und Wartungsereignisse zusammenführen und Ursachen transparent machen.

Die entscheidenden Unterschiede zu speziell trainierten Systemen sind: Es musste diese spezifische Fragestellung nicht monatelang trainieren. Stattdessen greift es in Echtzeit auf die vorhandenen Informationen zu. Dadurch ergeben sich klare Vorteile:

• Schneller produktiv: Statt monatelanger Entwicklungsprojekte können Unternehmen innerhalb weniger Wochen produktiv starten.

• Weniger Spezialisten erforderlich: Nicht jedes Unternehmen verfügt über eigene KI-Fachleute. Standardlösungen lassen sich meist durch bestehende IT- und Fachabteilungen betreiben.

• Anpassungsfähig bei Veränderungen: Ändern sich Prozesse, Maschinen oder Dokumentationen, müssen keine Modelle neu trainiert werden. Die KI arbeitet automatisch mit den aktuellen Informationen.

• Skalierbar über viele Anwendungsfälle: Einmal integriert, können dieselben Daten für unterschiedliche Szenarien genutzt werden – von Wissensmanagement über Instandhaltung bis hin zu Produktionsplanung und Qualitätsmanagement.

Die eigentliche Herausforderung liegt woanders

In der Praxis scheitern KI-Projekte deutlich häufiger an fehlendem Datenkontext als an fehlenden Algorithmen. Produktionsunternehmen besitzen zwar meistens genügend Daten. Doch was in der Regel fehlt, ist deren strukturierte Verknüpfung.

Maschinendaten existieren in einem System, Qualitätsinformationen in einem anderen, Wartungsdaten in einer separaten Anwendung. Ohne Integration bleibt der Gesamtzusammenhang verborgen.

Deshalb verschiebt sich der Fokus vieler erfolgreicher KI-Projekte zunehmend weg von der Entwicklung hin zur intelligenten Nutzung vorhandener Daten.

Eine Plattform wie die Manufacturing Integration Platform (MIP) übernimmt dabei die Rolle der Datendrehscheibe. Sie verbindet Maschinen, MES, ERP, Qualitätssicherung und weitere Anwendungen zu einem durchgängigen Informationsraum. Erst dadurch entsteht der Kontext, den moderne KI-Systeme benötigen.

Dieser Beitrag wird präsentiert von: