Wie werden sich künstliche Intelligenz (KI) und maschinelles Lernen auf die Fertigung auswirken?

Sie wissen es vielleicht noch nicht, aber die Fertigung verändert sich aufgrund der Auswirkungen von künstlicher Intelligenz und maschinellem Lernen. Mein heutiger Gast, Christopher Nguyen, ist der CEO und Mitbegründer von Aitomatic Incorporated. Er ist einer der weltweit führenden Verfechter der KI-Technik. In den letzten vier Jahren hat Christopher Nguyen die globalen KI-Bemühungen bei Panasonic angeführt und an der Implementierung von maschinellem Lernen in den Bereichen Fertigung, Avionik, Energie und Automotive gearbeitet. Heute sind wir hier, um über die Zukunft von KI und maschinellem Lernen in der Fertigung zu sprechen. Christopher Nguyen, herzlich willkommen zum Podcast.

Christopher Nguyen: Vielen Dank, Leah. Danke, dass ich dabei sein durfte.

Wie wird künstliche Intelligenz heute in der Fertigung eingesetzt?

Leah Archibald: Können Sie uns sagen, wie KI heute in der Fertigung eingesetzt wird?

Christopher Nguyen: Nun, die etwas leichtfertige Antwort lautet: nicht genug. [Es gibt so viele Möglichkeiten.

Leah Archibald: Das ist eine gute Antwort. Wie wird Künstliche Intelligenz heute eingesetzt? Und wie sollte sie in der Fertigung eingesetzt werden?

Christopher Nguyen: Oder wie könnte sie eingesetzt werden? Ich denke, was das Potenzial angeht, kann man es sich als mehrere Ebenen vorstellen. Die unterste Ebene ist die eigentliche Ausrüstung. Und dann die Ebene des Prozessmanagements und noch weiter oben der Produktmanagement-Zyklus – wie Menschen mit Hilfe von Daten und KI Entscheidungen treffen.

Leah Archibald: Vielleicht müssen Sie mir etwas genauer erklären, wie die KI funktioniert. Denn wenn ich mir KI vorstelle, denke ich an einen schwarzen Kasten, der Dinge tut. Ich weiß nicht, was sie tut, aber sie gibt hoffentlich die richtige Antwort.

Christopher Nguyen: Die Analogie, die ich gerne verwende – und jede Analogie hat eine gewisse Unvollkommenheit – ist die menschliche Intelligenz, die Muster abgleicht. Wenn man über diese Analogie nachdenkt, versteht man vielleicht 90 % dessen, was nötig ist, um das Wesentliche dessen zu erfassen, was KI und maschinelle Lerntechnologien für uns tun können. Wir sind ständig dabei, Muster abzugleichen. Wir würden als Menschen nicht existieren, wenn wir nicht in der Lage wären, Muster zu erkennen. Wir lernen aus Mustern, und auf der Grundlage dieser Muster sehen wir dann neue Dinge und ordnen sie in das Muster ein. Manchmal ganz falsch, was zu Unterscheidungen und Stereotypen und so weiter führt, aber im Großen und Ganzen funktionieren sie recht gut. Die künstliche Intelligenz hat also all diese Eigenschaften und auch ihre Grenzen. Dieser Musterabgleich wird in der Cybersicherheit für die Fertigung eingesetzt. Heutzutage sind Fabriken ein ziemlich vernetztes System, in dem Bits und Bytes fließen. Die Anlagen kommunizieren miteinander, sie kommunizieren mit den Steuerungssystemen und so weiter. Wenn Sie also im Laufe einer Woche den Netzwerkverkehr beobachten, werden Sie feststellen, dass er gewisse Schwankungen und Muster aufweist. Und wenn dann eines Tages ein Cyberangriff stattfindet, wenn jemand mit einem seltsamen Informationspaket hereinkommt, dann würden Sie das erkennen. Sie würden sagen: „Hey, das ist seltsam“. So wie eine fremde Person, die zu einer Party kommt. Sie haben die Gästeliste nicht, aber diese Person sieht eindeutig nicht so aus, als gehöre sie dazu. Sie sagen: „Nun, das ist eine Anomalie, irgendetwas stimmt nicht. Das ist ein Beispiel dafür, wie man am besten auf einer sehr hohen, aber sehr effektiven Ebene versteht, was KI ist und was sie für uns tun kann.

Leah Archibald: Im Hinblick auf die Cybersicherheit achtet die KI auf ein Muster, das vielleicht nicht passt, und kann so eine Sicherheitsbedrohung erkennen. Wie sieht es mit der Fertigungstechnologie selbst aus? Gibt es dort einen Platz für künstliche Intelligenz?

Christopher Nguyen: Nehmen wir das gleiche Konzept der Mustererkennung. Eine wichtige Anwendung, die gerade eingeführt wird, ist die Fehlererkennung. Man hat Tausende von Teilen, die alle gleich aussehen, und dann gibt es eines, bei dem, wenn es ein IC-Chip ist, ein Bein hochsteht. Ein Mensch würde das erkennen, aber nicht in dieser Geschwindigkeit und nicht mit dieser Zuverlässigkeit. Vielleicht kann man einen KI-Algorithmus einsetzen, der sich das ansieht und sagt: „Hey, irgendetwas ist hier anders.“ Und wenn er schlauer ist, kann er vielleicht sagen: „Das ist der Fehler“.

Nur 10 % der Hersteller nutzen die Vorteile der künstlichen Intelligenz

Leah Archibald: Und wie viel Prozent der Hersteller, würden Sie sagen, setzen KI-Technologie ein? Vorhin sagten Sie, dass es noch nicht genug sind, aber könnten Sie eine Schätzung wagen, um uns ein Gefühl dafür zu geben, wie viel von der Branche bereits betroffen ist?

Christopher Nguyen: Ich würde schätzen, dass es weltweit nicht mehr als 10 % sind.

Leah Archibald: Liegt es daran, dass diese Systeme sehr teuer in der Implementierung oder zu kompliziert sind?

Christopher Nguyen: Das ist eigentlich eine viel tiefere Frage. Lassen Sie mich Ihnen eine Erklärung geben. Es klingt etwas umständlich, aber ich bin ein Silicon-Valley-Typ. Als mein letztes Unternehmen von Panasonic übernommen wurde, übernahm ich die Verantwortung für die Implementierung von KI in der gesamten globalen Präsenz von Panasonic. Das waren 250.000 Menschen. Wir brauchten Monate, um herauszufinden, dass sich die Fertigung mit der Geschwindigkeit von Atomen bewegt, während das Silicon Valley mit der Geschwindigkeit von Bits arbeitet. Es ist viel einfacher, Informationen zu bewegen, als Dinge zu bewegen. Es gibt also einen Grund, warum die Einführung von KI in der Fertigung so gering ist. Das liegt nicht daran, dass es dort nicht viele sehr kluge Leute gibt. Es liegt einfach daran, dass die Fertigung ein gewisses Tempo vorlegen muss. Und Sie haben Recht, es kostet mehr. In der Öl- und Gasindustrie kostet ein Gerät, das eine Stunde lang ausfällt, 100.000 Dollar pro Stunde. Dabei geht es nicht um das Gerät selbst, sondern um die wirtschaftlichen Auswirkungen der Ausfallzeit.

Leah Archibald: Es gibt also wahrscheinlich viele Ängste vor der Einführung von KI-Systemen, auch wenn sie Ihnen in Zukunft viel Zeit und Geld sparen werden, weil sie Ihre Fertigungsstraße beschleunigen könnten. Es klingt, als ob die Einführung von KI in der Fertigung eine große Hürde darstellt. Was schlagen Sie also vor, damit die Hersteller die anfängliche Hürde der Einführung überwinden?

Christopher Nguyen: Zunächst einmal würde ich jetzt, da ich etwas schlauer bin als noch vor vier Jahren, das Wort Angst nicht mehr verwenden. Ich denke, dass diese Sorge in den meisten Fällen sehr berechtigt ist. Wenn man einen Haufen sehr kluger Leute in einen Raum setzt, würden sie sich bei diesem Problem immer noch mit der gleichen Geschwindigkeit bewegen, weil das Problem sie einschränkt.

Leah Archibald: Ich würde gerne etwas über eines dieser Demonstrationsprojekte hören, die Sie bei Panasonic durchgeführt haben.

Christopher Nguyen: Bei unserem ersten Projekt haben wir fast ein Jahr gebraucht, um herauszufinden, wie man es in der Praxis umsetzen kann. Panasonic ist sehr stark in die so genannte Kühlkette involviert, wie ein Fisch frisch aus dem Meer auf den Esstisch kommt. Auf dem Weg dorthin muss natürlich überall gekühlt werden, und Panasonic stellt eine Menge dieser Geräte her.

Leah Archibald: Wenn der Fisch an irgendeinem Punkt zu heiß wird, ist er verloren, oder?

Christopher Nguyen: Richtig. Und wenn Menschen vergiftet werden oder so, gibt es einen Prozess. Die validierte Lieferkette wird also immer wichtiger. Die Menschen sind bereit, mehr zu bezahlen, wenn sie die Herkunft der Produkte, die sie kaufen, sehen können. Ein Teil der Ausrüstung, der in diesen Kühlsystemen immer vorhanden ist, sind die Kompressoren und die Filter. Wenn diese Teile ausfallen, können sie leicht ausgetauscht werden, aber wie Sie andeuten, sind es die Auswirkungen, auf die es wirklich ankommt. Der neueste Stand der Technik ist also die vorbeugende Wartung, richtig?

Leah Archibald: In der Lage zu sein, vorherzusagen, welche Kompressoren ausfallen werden.

Christopher Nguyen: Nun, ja. Das ist der heilige Gral: Vorhersagbarkeit.

Leah Archibald: Es war so einfach für mich zu sagen, warum kann Ihr Team das nicht tun?

Christopher Nguyen:  Es hat sich herausgestellt, dass das digitale maschinelle Lernen in seiner heutigen Form dieses Problem nicht lösen kann. Und der Grund dafür ist sehr einfach. Maschinelles Lernen ist, wie ich bereits sagte, ein Mustervergleich. Um diese Fehler vorhersagen zu können, muss man also ein Muster von Fehlern haben. Das heißt, man muss eine Menge Beispiele für diese Dinge haben.

Leah Archibald: Die man nicht haben möchte.

Christopher Nguyen: Ganz genau. Also eine Zwickmühle. Was wir mit maschinellem Lernen machen können, ist die so genannte „Anomalieerkennung“. Das ist das Beispiel mit der Party, das ich vorhin genannt habe. Sie laden einen Haufen Leute ein, 100 Gäste, die zu Ihrer Hausparty kommen, jemand versucht zu stören und ist anders gekleidet…

Leah Archibald: Sie sagen: „Irgendetwas stimmt nicht mit diesem Typen. Es ist einfach nicht richtig. Ich kann nicht genau sagen, was, aber es ist einfach nicht richtig.“

Christopher Nguyen: Richtig. Sie können also die Anomalie identifizieren, aber Sie können nicht den Fehler identifizieren. Das sind zwei verschiedene Dinge. Wir lösen also im Grunde nur die Hälfte des Problems. Wir können alarmieren. Wir können sagen: „Hey, irgendetwas sieht bei diesem Kompressor oder diesen Kompressoren heute anders aus.“ Jetzt liegt es am menschlichen Bediener, herauszufinden, was er mit dieser Information anfangen soll. Es stellt sich also heraus, dass dies keine vollständige Lösung ist. Sie kann nämlich ziemlich kostspielig sein. Der Kompressor verhält sich möglicherweise anders, einfach weil die Arbeitslast anders ist. Wenn es sich also um einen Fehlalarm handelte, muss jemand einen neuen Arbeitsablauf für die Überprüfung der Daten erstellen. Wir mussten also unbedingt eine Lösung für die zweite Hälfte finden. Und das ist etwas, was wir mit Datenbanken und maschinellem Lernen noch nicht tun können, weil wir gerade darüber gesprochen haben, dass es keine Daten für diesen Zweck gibt. Also ging uns ein Licht auf, als wir sagten: „Was wäre, wenn wir einfach das Wissen der Betreiber einbeziehen?“ Denn sie können sich einen Kompressor ansehen und sagen: „Der ist in Ordnung.“ Oder sie können sagen: „Oh ja, wenn ich mir den Druck und die Temperatur an diesem Punkt ansehe, sieht es so aus, als ob der Kompressor ausfallen könnte.“ Wenn wir also dieses Fachwissen, dieses menschliche Wissen, erfassen und in dieses KI-System einbringen können, haben wir ein echtes Vorhersagesystem.

Kann künstliche Intelligenz die Arbeitskräftekrise in der Fertigung lösen?

Leah Archibald: Viele Führungskräfte, mit denen ich im Podcast gesprochen habe, sind nicht speziell an KI interessiert, aber sie sind daran interessiert, menschliches Wissen in ihren Modellen zu erfassen. Daher investieren viele Fertigungsunternehmen in einen digitalen Faden, bei dem sie ein Modell ihrer speziellen Komponente haben, das eine digitale Fabrik durchläuft, damit sie vorhersagen können, welche Maschinen kosteneffizienter sein werden.

Christopher Nguyen: Das ist richtig. Vom Konzept her sind diese Dinge sehr verständlich, aber es sind die Werkzeuge, die immer fortschrittlicher werden, um das zu realisieren, worüber Sie und ich hier sprechen.

Leah Archibald: Sie versuchen also, das isolierte Wissen der Menschen einzubeziehen und in das Modell einzubauen, denn das ist wirklich der entscheidende Schritt.

Christopher Nguyen: Ja, das ist genau das Richtige. Und unser Slogan lautet in der Tat: „Unsere Software überträgt menschliches Fachwissen in maschinelle Lernmodelle für Industrieunternehmen.“

Leah Archibald: Das ist es, was mir so viele Führungskräfte gesagt haben: dass die größte Herausforderung neben den Lieferkettenproblemen die Arbeitskräfte sind – qualifizierte Arbeitskräfte zu finden.

Christopher Nguyen: Das ist richtig.

Leah Archibald: Es geht um die Ausbildung von Fachkräften, um die Qualifizierung von Menschen, die vielleicht nicht über diese Fähigkeiten verfügen. Das ist also eine andere Art, über die Lösung nachzudenken. Im Gegensatz zu: „Wie bekomme ich mehr Leute?“ Sie sagen: „Wie kann ich den Arbeitskräftepool, den ich bereits habe, maximieren, indem ich künstliche Intelligenz einsetze, um sie mit dem zu ergänzen, was sie gerade tun?“

Christopher Nguyen: Genau. Und das ist ein perfekter Weg, um auch das langfristige Bild zu beschreiben. Ich verwende gerne den Begriff „IA“, Intelligent Augmentation, im Gegensatz zu AI.

Leah Archibald: IA, Intelligente Erweiterung. Das gefällt mir. Kehren wir also zu den Führungskräften in der Fertigung zurück, die dies vielleicht zum ersten Mal hören und sich fragen, wie sie KI in ihr Unternehmen einbinden können. Wie könnten sie in ihrer Rolle intelligent erweitert werden?

Christopher Nguyen: Das, was wir bei Panasonic gemacht haben, kann als Vorlage dienen, und zwar in Form eines zweigleisigen Vorgehens. Es gibt eine sechsmonatige Anstrengung und eine sechsjährige Anstrengung. Bei den sechsmonatigen Bemühungen geht es darum, niedrig hängende Früchte zu identifizieren, die man als Demonstrationsprojekt nutzen kann. Denn Unternehmen sind soziale Organisationen. Sie wollen Erfolg demonstrieren, und dann werden die Leute diesem Erfolg folgen. Beginnen Sie also nicht mit dem größten und schwierigsten Projekt. Machen Sie etwas, das vielleicht eine Gruppe von 10 oder 20 Personen betrifft. Sie werden die Evangelisten sein und den Bekanntheitsgrad erhöhen. Aber um das in einer Organisation zu erreichen, muss das Engagement von der Spitze kommen. Ich habe Gmail bei Google geleitet, wo die Budgets sehr wichtig waren. Bei diesen Anfangsbudgets muss man davon ausgehen, dass kleine KI-Projekte Investitionsprojekte sind. Mit einer normalen GuV kann man diese Dinge nicht messen. Man muss sich die effektive langfristige GuV ansehen.

Leah Archibald: Die Führungskraft muss wirklich zukunftsorientiert sein. Nicht nur: „Wie wird das ein Problem für mich jetzt lösen?“, sondern: „Wie wird das die Probleme mit den Arbeitskräften und der Instabilität der Lieferkette und die Probleme, die ich noch nicht kenne, lösen? Wie wird es diese Probleme sechs Monate, sechs Jahre oder 60 Jahre in der Zukunft lösen?“

Christopher Nguyen: Das ist richtig.

Leah Archibald: Christopher Nguyen, vielen Dank, dass Sie heute bei mir im Podcast sind.

Christopher Nguyen: Ich danke Ihnen. Es war mir ein Vergnügen.