Eine strategische Schritt-für-Schritt-Anleitung Machine Learning in der Fertigung

Autor / Redakteur: Dr. Carsten Riggelsen* / Elke Witmer-Goßner

Offensichtlich trägt Cloud-Technologie in Unternehmen enorm dazu bei, eine Ära unglaublichen Wachstums einzuläuten. Weniger offensichtlich ist, wie genau die Fertigung oder die Automobilindustrie von der Public Cloud profitieren. Dabei werden gerade dort Produkte, Prozesse und Maschinen entwickelt, um die intelligente Fabrik zu erschaffen.

Firmen zum Thema

Machine Learning basiert auf Daten – guten Daten. Deren Qualität lässt sich für erfolgreiche ML-Projekte mit cloud-basierten Lösungen optimieren.
Machine Learning basiert auf Daten – guten Daten. Deren Qualität lässt sich für erfolgreiche ML-Projekte mit cloud-basierten Lösungen optimieren.
(Bild: © AndSus - stock.adobe.com)

Natürlich stehen auch hier Daten im Mittelpunkt. Daten können im Rahmen von Machine Learning (ML) für Machine Vision oder Predictive Maintenance verwendet werden, aber auch dafür, strategische Geschäftsentscheidungen zu treffen und bisher unbeantwortete Fragen zu beantworten, wie z. B. „Welche Maschinen bringen die beste Leistung?“, „Wo sollte ich mehr Ressourcen investieren?“ oder „Wie kann ich Leerlaufzeiten bekämpfen?“. Auch offene Fragen, die sehr vage sind, beispielsweise „Wie kann ich diesen Prozess verbessern?“, können nun erstmals beantwortet werden.

Cloud nutzen, anstatt eigener Infrastrukturen

Die Möglichkeit, auf bisher ungenutzte Daten zuzugreifen und sie mittels Machine Learning zu nutzen, ist einer der Treiber für Industrie 4.0. Zum Glück brauchen Unternehmen keine eigene Infrastruktur mehr, um die Daten zu speichern und auszuwerten. Sie können die Daten beim Cloud-Computing-Anbieter AWS sammeln und dort direkt nutzen, und so ohne eigene kostspielige Rechenzentren vom riesigen Potenzial des Machine Learning profitieren.

Immer mehr Unternehmen erstellen bereits Data Lakes bei AWS, in denen sie alle Daten – mit oder ohne Struktur – aggregieren. Auch wenn sie heute vielleicht noch keine Verwendung für diese Daten haben, stehen sie für die auf ML basierenden Innovationen von morgen bereit.

Hersteller sollten sich im Klaren sein, dass sie für Data Lakes und ML zwei Schritte auf ihrer Digitalisierungs-Journey bereits getan haben sollten: die Cloud-Migration ihrer IT und die Vernetzung der Maschinen. Sind diese Milestones genommen und nimmt der Data Lake Form an, muss als nächstes die Datenqualität sichergestellt werden.

Die Grundlage für den Erfolg: gut kuratierte Daten

Machine Learning braucht ein sauberes Fundament an Daten. Die Daten müssen in digitaler Form vorliegen, zugleich vollständig und nicht fehlerbehaftet sein. Algorithmen können schließlich nur das zuverlässig erkennen und vorhersagen, was ihnen vorher beigebracht wurde.

Der Prozess der Kuratierung und Aufbereitung der Daten bleibt derzeit niemandem erspart. Wenn Daten nicht ordentlich aufbereitet sind, entsteht bei der Kuratierung ein erheblicher Aufwand für die Data Scientists. Es ist dann keine Seltenheit, dass 80 Prozent des Projektaufwands allein in die Datenvorbereitung fließen. Leider kann hier kein Algorithmus helfen, denn der Aufwand hängt von der Datenqualität und ordentlich annotierten Daten ab. In diesem Kontext kommt es auch darauf an, Verantwortlichkeiten für die Daten festzulegen: Es braucht also einen Data Owner, Stichwort „Data Governance“.

Daten nutzen leicht gemacht

Wenn die Cloud-Migration abgeschlossen ist, alle Maschinen vernetzt wurden und ein Data Lake mit hoher Datenqualität bereitsteht, können ML-Lösungen integriert werden. Doch dazu fehlt es vielen Unternehmen an Data Scientists. Daher sollten Unternehmen einen Blick auf End-to-End-Lösungen werfen.

Den Bedarf danach hat AWS erkannt und bietet – kundenzentriert wie immer – ML-Lösungen in Form von „Low-Code/No-Code”-Ansätzen an, die verschiedene industrielle Anwendungsfälle abbilden. Damit lassen sich ML-Lösungen sehr schnell einführen und der Bedarf nach Data Scientists sinkt. AWS hat mittlerweile etliche Services im Angebot, in die ihre Praxisexpertise aus vielen Projekten eingeflossen sind. Das ist zum Beispiel rund um die Objekterkennung der Fall.

Qualitätsmanagement mit Machine Vision

Amazon Lookout for Vision ist eine No-/Low-Code-Lösung für die Anomalie-Erkennung auf Basis von Computer Vision in Bild- und Videodaten. Der ML-Service hilft bei der Erkennung und Vermeidung von Fehlern und Problemen in der Produktherstellung. Insbesondere Qualitätsmanagement-Prozesse können so deutlich beschleunigt und bisher manuelle Inspektionsabläufe automatisiert werden. Neben Fehlern in Materialien oder Oberflächen lassen sich auch fehlende Komponenten zum Beispiel in Baugruppen erkennen.

Der Clou: Lookout for Vision ist äußerst nutzerfreundlich und kann auch von Mitarbeitern eingerichtet werden, die keine Ausbildung zum Data Scientist haben. Auf einer dafür ausgelegten GUI oder per API werden zunächst Bilder hochgeladen. Mit einigen Services von Lookout for Vision ist der Start bereits ab 30 Bildern möglich. Der Nutzer kann dann angeben, welche der Bilder gute oder schlechte Qualität zeigen. Das Modell wird anschließend mit diesem Input automatisch trainiert. Die ansonsten aufwändige Entscheidung, welche Parameter und welche Algorithmen am besten geeignet sind, übernimmt der Service. Dazu gehören auch die Einbindung von Data Pipelines und die Transformation der Daten. Das ist zwar etwas teurer – letztlich lässt sich so allerdings oft der Einsatz eines Data Scientists vermeiden und der Experte bleibt frei für komplexere Aufgaben.

Ist Lookout for Vision live, werden erkannte Anomalien in einem übersichtlichen Dashboard angezeigt und der Produktionsleiter kann schnell reagieren. Last but not least: Der Service ist komplett gemanagt, also Wartung und Upgrades werden automatisch abgedeckt. Und wenn neue Versionen entwickelt werden, erfolgt eine nahtlose Integration.

Schritt für Schritt zum Ziel

Je nach Stand der Digitalisierung ist der Weg zu ML-Lösungen in der Fertigung kürzer oder länger. Viele Unternehmen legen auch eine Pause ein oder geben auf, wie die unzähligen abgebrochenen ML- und Datenprojekte sowie Proof of Concepts beweisen. Einige Milestones sind zu erreichen: die Cloud-Migration, die Vernetzung der Maschinen, Data Lakes mit einer guten Datenqualität und anschließend die Integration der ML-Services.

Wo und wie fängt man da an? Ein afrikanisches Sprichwort sagt: Wenn du schnell gehen willst, dann gehe allein. Wenn du weit gehen willst, dann gehe zusammen. Das gilt auch hier: Unternehmen können ihre Digitalisierungs-Journey zusammen mit zuverlässigen Partnern enorm beschleunigen, ja sogar Boden gegenüber Mitbewerbern gut machen, die zwar früher gestartet sind, aber ohne externe Expertise an Fahrt verloren haben.

Dr. Carsten Riggelsen, AllCloud GmbH.
Dr. Carsten Riggelsen, AllCloud GmbH.
(Bild: AllCloud)

* Der Autor Dr. Carsten Riggelsen ist Lead AI Practice bei AllCloud. Die Data Practice von AllCloud hat jahrelange Erfahrung in der strategischen Planung und Umsetzung für Industrieunternehmen, die die digitale Transformation in der Cloud nutzen wollen.

(ID:47528659)