KI für profitable Nachhaltigkeit

Für viele produzierende Unternehmen standen die beiden Ziele der Verbesserung der Gewinnmargen und der Steigerung der Nachhaltigkeit bisher im Widerspruch zueinander. Aber könnte die KI-Technologie das ändern? Mein Gast heute ist Berk Birand, CEO von Fero Labs, einem Unternehmen, das sich darauf konzentriert, mit Hilfe von KI profitable Nachhaltigkeit zu erreichen. Ich werde ihn heute bitten, das Durcheinander widersprüchlicher Prioritäten zu entwirren, damit wir herausfinden können, ob es heute wirklich möglich ist, in der Fertigung sowohl nachhaltig als auch profitabel zu sein.

Was in Ihrem Werdegang hat Sie zu KI für profitable Nachhaltigkeit gebracht?

Berk Birand: Ich habe einen Hintergrund als Ingenieur. Zuletzt habe ich an der Columbia University in New York im Bereich Elektrotechnik und Informatik promoviert. Ich habe mich allgemein mit Telekommunikation befasst und an der Entwicklung von Algorithmen gearbeitet, die 5G-Basisstationen dabei helfen, effektiver zu arbeiten. Ich habe an der Entwicklung von Algorithmen gearbeitet, die dazu beitragen, die Infrastruktur des Internets zuverlässiger zu machen und weniger Energie zu verbrauchen. Und natürlich gibt es derzeit eine große Debatte um KI und insbesondere um generative KI, die viel Energie verbraucht. Deshalb habe ich Algorithmen entwickelt, die dazu beitragen, dass Glasfasernetzwerke effektiver arbeiten.

Gegen Ende meiner Promotion suchten wir nach einem Bereich, in dem wir unsere Kenntnisse anwenden konnten. Mein Mitbegründer hat einen Hintergrund in der KI-Forschung, insbesondere in der Forschung im Bereich maschinelles Lernen. Der andere Mitbegründer kommt selbst aus der Industrie. Letztendlich haben wir drei uns mit dem Ziel zusammengetan, einen Bereich zu finden, in dem wir unser Fachwissen mit der größten potenziellen Wirkung anwenden können. Ich erinnere mich, dass ich mich mit dem Bereich Smart Home beschäftigt habe, der zu dieser Zeit gerade im Aufschwung war. Aber das Ausmaß der Probleme im industriellen Bereich war einfach unglaublich.

Als verantwortungsbewusste Bürger versuchen wir, das Richtige zu tun. Wir achten beispielsweise darauf, dass wir zu Hause die Klimaanlage nicht laufen lassen. Aber in einem einzigen Stahlwerk sind die Einsparungen, die man in einer Sekunde erzielen kann, um ein Vielfaches größer als die Einsparungen, die Tausende von Menschen erzielen könnten, wenn sie ihre Klimaanlagen ausschalten würden. Das Ausmaß der Auswirkungen, die wir erzielen könnten, war also enorm. Und insbesondere die Nachfrage nach der Art von Technologie, auf die wir uns spezialisiert hatten, nämlich KI- und Datentechnologien, stieg immer mehr und wurde für Hersteller zu einem dringenden Bedürfnis, um die ihnen zur Verfügung stehenden Daten für eine bessere Prozessoptimierung nutzen zu können.

Anwendungsfall in der Fertigung: Seit Jahren steht Nachhaltigkeit im Widerspruch zur Rentabilität. Ändert sich das gerade?

Berk Birand: Das ist eine sehr gute Frage, eine schwierige Frage, denn es gibt verschiedene Arten von Nachhaltigkeit und verschiedene Wege, Nachhaltigkeit zu erreichen. Ich würde zwischen hardwarebasierten Nachhaltigkeitsansätzen und softwarebasierten Nachhaltigkeitsansätzen oder datenbasierten Nachhaltigkeitsansätzen unterscheiden. Auf der Hardware-Seite gibt es viele Technologien wie Solar- und Windenergie und andere Technologien wie vielleicht die Kohlenstoffabscheidung, die in naher Zukunft eher zum Einsatz kommen werden. Und diese erfordern hohe Investitionen. Das Ziel ist natürlich, dass sich diese Vorabinvestitionen durch die erzielten Einsparungen letztendlich amortisieren.

Der softwarebasierte oder datengesteuerte Ansatz ist etwas subtiler. Der Vorteil dabei ist, dass er bereits heute verfügbar ist. Das Ziel dieser Art von Technologien ist es, Ihre Fabrik in ihrer jetzigen Form effizienter zu machen. Natürlich hat jede Fabrik schon immer versucht, effizienter zu werden. In den letzten 50 Jahren wurden verschiedene Arten von Tools entwickelt, um Ingenieuren zu helfen, ihre Fabriken effizienter zu betreiben. Six Sigma ist ein Beispiel für das Toyota-Produktionssystem. Wir stellen jedoch fest, dass diese Technologien häufig nicht die Verbesserungen erzielen, die moderne Fabriken benötigen.

Insbesondere sind diese Ansätze nicht darauf ausgelegt, mit der Komplexität einer typischen Fabrik und der komplizierten Datenlandschaft einer Fabrik umzugehen. Wenn es also unser Ziel ist, Fabriken dabei zu helfen, so effektiv wie möglich zu arbeiten, glauben wir, dass Rentabilität und Nachhaltigkeit tatsächlich Hand in Hand gehen können und dass es nicht entweder das eine oder das andere sein muss.

Lassen Sie mich mit einem sehr konkreten Beispiel beginnen. Eine der gängigen Methoden zur Herstellung von Stahlprodukten wie Stahlträgern oder Stahlcoils für die Automobilindustrie ist heutzutage das Schmelzen von Stahlschrott und dessen Umwandlung in neue Produkte. Aus Sicht der Nachhaltigkeit ist dies ideal, da es sich effektiv um 100 % recycelte Produkte handelt.

Das ist ideal, weil die chemische Industrie und andere Branchen versuchen, so recycelbar oder, anders ausgedrückt, so zirkulär zu werden, wie es die Stahlindustrie seit 20 bis 30 Jahren ist.

Allerdings ist es, auch wenn es aus Sicht der Nachhaltigkeit großartig ist, sehr schwierig, eine Fabrik auf diese Weise zu betreiben, indem man die Abfälle eines Systems zur Energieversorgung eines anderen Systems nutzt. Es ist sehr schwierig, auf diese Weise komplexe Stahlprodukte herzustellen. Und selbst wenn es möglich ist, Stahlprodukte mittlerer Komplexität herzustellen, ist es sehr schwierig, dabei nicht eine Menge Ressourcen zu verschwenden. In diesem Zusammenhang ermöglicht das Konzept der profitablen Nachhaltigkeit in der Stahlherstellung den Fabriken, weiterhin auf diese Weise Stahl herzustellen, aber gleichzeitig den Abfall an Rohstoffen und das Produktionsvolumen zu reduzieren und komplexere, hochwertigere Stahlprodukte herzustellen, die dann auch den Umsatz steigern, da sie nun zu einem höheren Preis verkauft werden können.

Wir glauben, dass es mit dem datengesteuerten Softwareansatz etwas einfacher ist, diesen Kompromiss zwischen Rentabilität und Nachhaltigkeit zu finden.

Wie hilft KI dem Stahlhersteller, weniger Ausschuss zu produzieren?

Berk Birand: Zunächst einmal benötigt man ein KI-Modell für maschinelles Lernen, das genau weiß, wie sich die einzelnen Parameter auf die endgültige Qualität der Produktion auswirken. Einige dieser Zusammenhänge sind den Ingenieuren natürlich bekannt. Wer in einem Stahlwerk arbeitet, weiß, wie sich Kohlenstoff auf die Festigkeit des Stahls auswirkt. Aber es gibt Hunderte von Eingaben, von denen einige viel weniger gut verstanden werden. Sie können für ein einzelnes Werk einzigartig sein. Sie können für eine bestimmte Produktart, die ein Werk herstellt, oder für eine bestimmte Schrottquelle, von der es Schrott kauft, einzigartig sein.

Da sie das Ziel der Daten und die Kosten kennen, können Ingenieure selbst bei einem mittelgroßen Stahlwerk kleine Einsparungen in siebenstelliger Höhe pro Jahr erzielen und dennoch sicherstellen, dass sie ihre Qualitätsziele erreichen und ihre Kosten senken.

In diesem Fall geht diese Kostenreduzierung auch mit einem Nachhaltigkeitsvorteil einher. Wenn ich im Laufe eines Jahres Rohstoffe einsparen kann, summiert sich das zu einer beträchtlichen Summe. In der Nachhaltigkeitsgemeinschaft würde dies also einer Emissionsreduzierung der Stufe 3 entsprechen, die gleichzeitig mit einer Steigerung der Rentabilität einhergeht.

Für uns bedeutet profitable Nachhaltigkeit also, Software zu entwickeln, die sowohl die Nachhaltigkeit als auch die Rentabilität gleichzeitig fördert, indem sie die in vielen Werken verfügbaren Einsparungen nutzt. Wir schätzen, dass Unternehmen ihre EBITDA-Gewinne um etwa 5 % steigern können, wenn sie Tag für Tag, rund um die Uhr, ihre Abläufe verbessern und KI als unterstützendes Teammitglied in ihren Teams einsetzen.

Was ist der Unterschied zwischen KI für das Engineering und dem Chatten mit einem LLM?

Berk Birand: Ich würde den Unterschied zwischen einem LLM-Produkt so beschreiben, dass KI-Modelle für das Engineering entwickelt wurden, um mit Zahlen zu arbeiten und diese zu verarbeiten, um Phänomene zu berechnen und Zahlen zu berechnen. So kann die KI beispielsweise einige Grafiken anzeigen, die zeigen, wie ich all diese 100 Parameter einschätze und wie sie sich auf Ihre Ziele auswirken. Ein Ingenieur kann sich das ansehen und sagen: „Okay, das ist interessant. Helfen Sie mir, das zu optimieren.“ Dann kann die KI im Hintergrund laufen, und wenn der Ingenieur um 9 Uhr morgens zur Arbeit kommt, sieht er eine E-Mail von der KI, in der steht: „Ich habe herausgefunden, dass Sie mit diesen kleinen Änderungen so viel Geld sparen und außerdem so viel an Scope-2-Emissionen einsparen könnten.“

Fertigungsunternehmen sind in der Regel keine Early Adopters für neue Technologien, und das aus gutem Grund. Sie haben es mit einem sehr komplexen System zu tun, betreiben eine Anlage in drei Schichten und müssen Sicherheitsaspekte berücksichtigen. Es handelt sich also um einen sehr komplexen Prozess. Anfangs stießen wir auf große Skepsis. Zwei Dinge haben dies geändert. Erstens hat die Welt einen unglaublichen Versorgungsschock erlebt. Und so ist jedem Hersteller klar geworden, dass wir nicht einfach weitermachen können wie in den letzten 30 Jahren und dann erwarten, dass wir auch in den nächsten 30 Jahren noch da sind.

Die Dinge ändern sich sehr schnell, und wir müssen uns anpassen. Die zweite Veränderung war die Verfügbarkeit von Tools wie ChatGPT von OpenAI, mit denen die Leute mit KI experimentieren konnten. Ich denke, die meisten Menschen können erkennen, dass es im Bereich der KI etwas Interessantes gibt. Letztendlich verändern diese beiden Phänomene die Wahrnehmung dieser Art von Technologien, sodass Fabriken offener für die Anwendung von KI in der Fertigung sind.