Prozessoptimierung und Datenvernetzung -
Die zentralen Schlüsselthemen für kleine und mittlere Unternehmen
Der Einsatz künstlicher Intelligenz bedeutet für Unternehmen oft eine Umstellung ihrer Prozesse und stellt sie vor Herausforderungen. Künstliche Intelligenz ist nicht mehr nur für „Global Player“ relevant, sondern wird für mittelständische Unternehmen immer wichtiger. Künstliche Intelligenz ermöglicht, Produkte und Dienstleistungen an Kundenbedürfnisse anzupassen und neue Geschäftsmodelle zu schaffen. Es gibt großes Potenzial in Konstruktion, Vertrieb und vorausschauender Wartung.
Mittelständler stehen jedoch oft vor Herausforderungen bei Einführung von KI aufgrund fehlenden Know-Hows, Fachkräfte, hoher Investitionen, Komplexität und Datenmangel. Technische Kompetenzen, Infrastruktur und Ausrichtung des Unternehmens beeinflussen Vorbereitung auf KI-Einsatz. Bedenken zu hohen Einstiegshürden, Datensouveränität, Absicherung und Zertifizierung von KI-Systemen behindern Einführung. Es schlummert großes Potenzial in Daten des Mittelstandes, aber Einführung kann herausfordernd sein.
Für Unternehmen mit Fachkräftemangel oder geringer Datenbasis empfiehlt sich "KI-as-a-Service". NVIDIA und VMware bieten AI for Enterprise Plattform an, eine Cloud-native Software Suite für KI- und Datenanalyse optimiert, zertifiziert und unterstützt von NVIDIA. Die Suite beinhaltet wichtige NVIDIA-Technologien für schnelle Bereitstellung und Skalierung von KI-Workloads in der Hybrid Cloud.
KI in der Produktion
Fokus: Optimierung der Wertschöpfungskette unter Einsatz von KI-basierten Anwendungen
Der Einsatz von KI (KI-Anwendungen) in Unternehmen
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Potenziale entlang der WertschöPFungskette
Zu den Chancen für den Mittelstand zählen etwa Effizienzgewinne, Vorteile gegenüber Wettbewerbern sowie Gewinn- und Ertragssteigerungen.
Wer profitiert von KI-basierten Anwendungen? Experten sehen großes Potenzial für den Mittelstand in Bereichen wie Logistik, Vertrieb, Produktion, Einkauf und Kundenmanagement. Sensorik und Assistenzsysteme gelten als vielversprechende Technologien. Der Nutzen von KI kann von kleinen Marketing-Tools bis hin zur Optimierung von Fertigungsprozessen und neuen Geschäftsmodellen reichen. Mittelständische Unternehmen sollten den Einsatz von KI in ihre Investitionspläne aufnehmen und sich auf Schlüsselkomponenten konzentrieren, um den vollen Nutzen zu erzielen.
KI-Anwendungen nach verschiedenen Wertschöpfungsbereichen
Intelligente Assistenzsysteme
Sensorik
Robotik
Sprach-/
Text-verarbeitung
Text-verarbeitung
Bild-/Ton-erkennung
Dokumenten-analyse
Zeitreihen-/
Clusteranalysen
Clusteranalysen
Zeitreihen-/
Clusteranalysen
Clusteranalysen
Absatz & Logistik
- Lagerhaltung, Sortierung, Lieferung durch autonome Fahrzeuge/Roboter
- KI-basierte Bedarfs- und Routineplanung
- Tourenplanung & Auslieferung
- Lagerlogistik und Kommissionierung
Produktion
- Automatisierungstechnik
- Erkennung von Anomalien
- Vorausschauende Wartung
- Kognitive Assistenten
- Weiterentwicklung smarter Produkte für neue Geschäftsmodelle
- Robotik
- Instandhaltung
- Qualitätsmanagement und Kontrolle
- Prozessoptimierung und -steuerung
Lieferkette
- Optimierung der Lieferkette
- Intelligente Absatzvorhersagenprognosen
- Bedarfsprognosen zur Vorhersage von Umsätzen
Beschaffung/Einkauf und Bestellung
- Inventur & Bestandsmanagement
- Automatisierte Lagerhaltung durch autonome Fahrzeuge
- Lieferkettenabläufe/ KI-basierte Abwicklung: Übernahme von Bestellvorgang bis Lieferung
- Beschaffungsmarktforschung
- Ressourcenplanung
- Lieferantenmanagement
Unternehmensinfrastruktur, Administration und Personalwesen
- Übernahme von Routineaufgaben
- Teilautomatisiertes Bewerbermanagement
- Dokumentenmanagement
- Betrugserkennung
- Prognosen
- Automatische Belegerkennung
- Intelligente Mahnverfahren
- Energiemanagement
- Personaleinsatzplanung
- Personal Recruiting
- Gebäudemanagement
Service und Kundenmanagement
- Automatisierte Kunden-Review-Analysen
- Unterstützung bei Kundeninteraktion (z.B. Chatbots)
Forschung und Entwicklung
- KI-gestützte Simulation von Produktverhalten
- Analysen für Produktentwicklung
- Produkt- und Prozessentwicklung
Marketing und Vertrieb
- Automatisierte Datenerfassung und -auswertung
- KI-Unterstützung für Kundeninteraktion
- Dynamische Preisoptimierung, Optimierung von Produktportfolio
- Zielgenaue Werbung/Promotion
- Chatbot
- Visuelle Produktsuche
- Beratungs-/Verkaufsroboter
- Sentiment Analysis im Kundenservice
- Digitale Assistenzsysteme
Qualitätskontrolle und -sicherung
- Sichtprüfung von Bauteilen auf Fehlerhaftigkeit
- Predictive Quality; optische und akustische Qualitätssicherung
Disruptives Potenzial von KI in der Wertschöpfungskette (Quelle: Universität des Saarlandes, basierend auf Experteninterviews)
sysGen unterstützt Sie bei der Umsetzung von KI-Lösungen in Ihrem Unternehmen einfach und kosteneffizient. Nutzen Sie die Chance, nicht den Anschluss zu verpassen, denn KI ist keine Frage mehr des "Ob", sondern des "Wann". Der Einsatz digitaler Lösungen ist entscheidend für die Wettbewerbsfähigkeit des Mittelstands.
Wie können Unternehmen durch den Einsatz von KI
in der industriellen Wertschöpfung profitieren?
Fokus: Produktion
Ein sehr häufig genanntes Anwendungsbeispiel von KI in der Produktion ist die vorausschauende Wartung und Instandhaltung (Predictive Maintenance) von Maschinen und Anlagen. Dies ist jedoch nur ein kleiner Teil des Potenzials für produktionstechnische Anwendungen in Zukunft.
- Predictive Analytics (z. B. Überwachung und Wartung von Produktionsanlagen)
- Optimiertes Ressourcenmanagement (z. B. Optimierung von Produktions- und Fertigungsplänen)
- Qualitätskontrolle (z. B. Prüfung der Beschaffenheit von Bauteilen)
- Intelligente Assistenzsysteme (z. B. Unterstützung bei Fertigungsprozessen), Wertschöpfungspotenziale von KI in der Produktion
- Wissensmanagement (z. B. Datenmodelle für komplexe Engineeringprozesse)
- Robotik (z. B. lernende, selbstregulierende Greifersysteme)
- Autonomes Fahren und Fliegen (z. B. fahrerlose Transportsysteme)
- Intelligente Automatisierung (z. B. Automatisierung von Routineprozessen in Fertigung und Montage) sowie
- Intelligente Sensorik (z. B. Vorverarbeitung der Daten beim Monitoring von Produktionsanlagen).
Wartung nach Bedarf – nicht nach Planungsintervall
KI-basierte Überwachung ermöglicht es Unternehmen, den Zustand ihrer Anlagen und Maschinen in Echtzeit zu beobachten, indem sie große Mengen digitaler Informationen nutzen. Um jedoch Instandhaltung und Wartung effektiv durchzuführen, müssen die Daten sinnvoll genutzt werden, wofür KI eine große Hilfe sein kann.
Mit Predictive Maintenance (Vorausschauende Wartung) werden durch Datenanalyse und Algorithmen Vorhersagen zu drohenden Stillständen gemacht und optimale Wartungszeitpunkte errechnet, um Ausfallzeiten zu verhindern. Durch Kombination von früheren Wartungserfahrungen und aktuellen Datenanalysen entsteht eine computer- und KI-unterstützte Vorhersage von Wartungen. So können Techniker mit den richtigen Ersatzteilen zum richtigen Zeitpunkt ausgestattet werden, was zu reduzierten Wartungsaktivitäten führt.
Das Asset Performance Management (APM) umfasst drei Technologie-Komponenten: zustandsbasiertes Instandhalten (Asset Health Insights) basierend auf digitalen IoT-Daten, vorausschauende Wartung (Predictive Maintenance) mithilfe von Datenanalyse, und Equipment Maintenance Assistant, eine Unterstützung für Wartungstechniker durch KI.
Mit Predictive Maintenance (Vorausschauende Wartung) werden durch Datenanalyse und Algorithmen Vorhersagen zu drohenden Stillständen gemacht und optimale Wartungszeitpunkte errechnet, um Ausfallzeiten zu verhindern. Durch Kombination von früheren Wartungserfahrungen und aktuellen Datenanalysen entsteht eine computer- und KI-unterstützte Vorhersage von Wartungen. So können Techniker mit den richtigen Ersatzteilen zum richtigen Zeitpunkt ausgestattet werden, was zu reduzierten Wartungsaktivitäten führt.
Das Asset Performance Management (APM) umfasst drei Technologie-Komponenten: zustandsbasiertes Instandhalten (Asset Health Insights) basierend auf digitalen IoT-Daten, vorausschauende Wartung (Predictive Maintenance) mithilfe von Datenanalyse, und Equipment Maintenance Assistant, eine Unterstützung für Wartungstechniker durch KI.
Optimierte Lagerverwaltung und Haltung dank Einsatz von KI
Unternehmen nutzen bereits heute Software, um mittels Algorithmen in der Lagerhaltung die Effizienz zu steigern, dazu zählen verbesserte Lagerverwaltung, KI-Robotik zur Beschleunigung von Kommissionierung und autonome Transportsysteme. Die drei wichtigsten Gründe für die Anwendung von KI in der Logistik sind: Vorhersage von Verbrauchertrends, Automatisierung von Produktbewegungen im Lager und Optimierung von Transportwegen und -bewegungen innerhalb des Lagers.
Qualitätssicherung - Garant zum Erfolg
Qualitätsmanagement ist für produzierende Unternehmen von großer Bedeutung. KI-gestützte Oberflächeninspektion, mit Kamerasystemen und Sensoren, hilft, Abweichungen schneller zu erkennen. Maschinelles Lernen erleichtert die Suche nach Ursachen für Qualitätsschwankungen. Als Fehler diagnostizierte, unklare Produkte werden anschließend manuell von erfahrenen Mitarbeitern geprüft.
Der Einsatz von KI in der Planung hat zwei Hauptziele: Entlastung von Mitarbeitern durch Automatisierung von einfachen Planungsaufgaben mittels Planungsalgorithmen und Verbesserung von Planungsergebnissen bei komplexen Anwendungen durch den Einsatz von KI-Systemen, einschließlich maschinellem Lernen.
Zusammenhänge und Muster sichtbar machen mit Hilfe von KI
KI erkennt bei großen Datenmengen Zusammenhänge und Muster, die uns sonst verborgen bleiben. Die Analyse umfasst sowohl aktuelle als auch historische Daten und verbessert durch die Erweiterung des Informationsumfangs die Prozessergebnisse oder gleicht Prozessabweichungen aus. Die Automatisierung von Regelschleifen steht im Fokus, mit Algorithmen, die mehr Verfügbarkeit und schnellere Verarbeitung bieten.
Ein weiteres Anwendungsbeispiel für KI-Technologien in der Prozessoptimierung mittels maschinellem Lernen ist die Analyse von umfangreichen Datensätzen aus komplexen Systemen, wie beispielsweise aus verketteten Produktionslinien. Gerade in komplexen Systemen besteht das Potenzial, dass Zusammenhänge aufgedeckt werden, die sich menschlichen Beobachtern nicht direkt erschließen, da diverse Vorbedingungen eintreten, die sich dem Beobachter entziehen. Dies kann bspw. genutzt werden, um die Ursachen für wandernde Engpässe in der Produktion aufzudecken. Allerdings ist der erfolgreiche Einsatz der KI von der Qualität der Daten abhängig, mit der sie vorab trainiert wurde. Sie ist immer nur so gut, wie die Datengrundlage, auf der sie basiert.
Ein weiteres Anwendungsbeispiel für KI-Technologien in der Prozessoptimierung mittels maschinellem Lernen ist die Analyse von umfangreichen Datensätzen aus komplexen Systemen, wie beispielsweise aus verketteten Produktionslinien. Gerade in komplexen Systemen besteht das Potenzial, dass Zusammenhänge aufgedeckt werden, die sich menschlichen Beobachtern nicht direkt erschließen, da diverse Vorbedingungen eintreten, die sich dem Beobachter entziehen. Dies kann bspw. genutzt werden, um die Ursachen für wandernde Engpässe in der Produktion aufzudecken. Allerdings ist der erfolgreiche Einsatz der KI von der Qualität der Daten abhängig, mit der sie vorab trainiert wurde. Sie ist immer nur so gut, wie die Datengrundlage, auf der sie basiert.
Digitale Assistenzsysteme unterstützen Menschen etwa bei der Informationssammlung und -aufbereitung, dem Treffen von Entscheidungen sowie dem Ausführen und der Kontrolle von Menschen, Maschinen, Prozessen und Produkten. Ebenso können sie beim Lernen und Einüben von Tätigkeiten helfen. Sie gewinnen in Fabriken an Bedeutung. Gerade komplexe Fertigungsaufgaben lassen sich so schnell, mit weniger Fehlern und von geringer qualifizierten Mitarbeitern ausüben. Die Anwendungsbereichen von Assistenzsystemen reichen von Intralogistik, Montage oder Qualitätsprüfung bis hin zur Produktionsplanung.
Es wird zwischen Wahrnehmungs-Entscheidungs- und Ausführungsassistenzsystemen unterschieden;
Es wird zwischen Wahrnehmungs-Entscheidungs- und Ausführungsassistenzsystemen unterschieden;
- Wahrnehmungsassistenzsysteme verbessern die Informationsaufnahme, von klassischen Stücklisten bis zu digitalen Arbeitsanweisungen.
- Entscheidungsassistenten unterstützen bei komplexen Entscheidungen durch Priorisierung und Datenanalyse.
- Ausführungsassistenten erleichtern Arbeit durch maschinelle Unterstützung, von einfachen Handhubwagen bis zu Mensch-Roboter-Kooperation.
Produktionsplanung: Mit KI schneller vom Produktdesign zur Auslieferung.
KI-Technologien haben eine Vielzahl von Einsatzmöglichkeiten in der Produktentwicklung, abhängig von Produkt, Prozessen und Organisationsstruktur. Einige Anwendungen umfassen: Auswertung von Test- und Simulationsdaten durch maschinelles Lernen, Optimierung von Prozessen durch Planungs- und Optimierungsalgorithmen, automatisierte Generierung von Montageanweisungen oder Stücklisten, Unterstützung bei Designvorschlägen und Plausibilitäts- und Konsistenzprüfungen. KI-Systeme können auch die Übereinstimmung von CAD-Konstruktionen mit Stücklisten überprüfen. Es gibt jedoch bisher wenige Standardsoftware-Lösungen, die KI-Technologien nutzen und einen Mehrwert für den Nutzer bieten.
Die Einführung von Industrierobotern war durch den hohen Trainingsaufwand und die hohen Einrichtungskosten herausfordernd. Auch eine geringe Flexibilität machte sie nur für häufig wiederkehrende Prozesse wirtschaftlich. Dank KI-Technologien und Bildverarbeitung ist es jetzt möglich, Prozesse einfacher einzurichten und anzupassen. Durch Nachahmung der Bewegungen von Menschen, Übergabebereiche anstatt festgelegter Übergabepunkte, und dynamischer Bauteilerkennung kann Flexibilität und Stabilität erhöht werden. Mit geeigneter Sensorik und Natural Language Processing kann auch eine direkte Mensch-Roboter-Kollaboration und eine intuitiv gestaltete Mensch-Maschine-Schnittstelle realisiert werden.
Mittelständische Produzenten sind sich oft nicht bewusst, über welche Datenschätze sie verfügen – und wie sie diese mithilfe vom KI-Anwendungen nutzbar machen können. KI-Lösungen können den gesamten Prozess der Wertschöpfungskette – von der Ideenfindung bis zum Recycling – unterstützen, indem sie bei Ideenfindung, Ressourceneinsparung, Fehlerdiagnose, Energieeinsparung usw. helfen.
Generatives Design: Ideen entwickeln
Künstliche Intelligenz (KI) ermöglicht schnelle Erprobung vieler Designs durch generatives Design. Die künstliche Intelligenz kombiniert vorab definierte Produktparameter und liefert innerhalb von Minuten verschiedene Gestaltungsvorschläge. Das Designer-Team entscheidet, welche Vorschläge weiterverfolgt werden.
Digitale Assistenten: Wissen vermitteln
KI-gestützte digitale Assistenten sind bereits seit einigen Jahren in unserem Alltag präsent – sei es in Smartphones oder in Form von intelligenten Lautsprechern in vielen Haushalten. Auch in der Industrie können intelligente Assistenz-Systeme die Beschäftigten wirksam bei ihren Tätigkeiten unterstützen.
Intelligente Logistik: Warenströme optimieren
KI-Verfahren können die Logistik von Waren vereinfachen, indem sie kurzfristige Kundenaufträge und Stornierungen in Echtzeit erfassen, Transportrouten optimieren und schnell neue Routen berechnen. Dies führt zu pünktlichen Lieferungen für Kunden und Zeit- und Kosteneinsparungen für Transportunternehmen.
Ressourcen im Blick: umweltschoned produzieren
Unternehmen verbrauchen viel Energie und tragen zum Klimawandel bei. KI-Lösungen können den Energieverbrauch in Industrieanlagen optimieren und zum Umweltschutz sowie zur Verbesserung der Lebensqualität beitragen.
Circular Economy: Produktionskreisläufe schließen
Die "Wegwerfwirtschaft" verbraucht immer mehr Rohstoffe für Produkte, die später entsorgt werden. Die Circular Economy will dies durch eine Rücklauflogistik ersetzen: Produkte sollen länger nutzbar sein und am Ende recycelt werden.
Daten- und KI-basierte Wertschöpfungsnetzwerke: Potenziale für KMU
Durch die Verknüpfung und Analyse von Daten mithilfe von Methoden der Künstlichen Intelligenz lassen sich neue, individualisierbare Produkte und Dienstleistungen entwickeln. Doch insbesondere der Mittelstand verfügt selten allein über die notwendigen Daten und Technologien, um datengetriebene Geschäftsmodelle zu realisieren. Zudem mangelt es in den Betrieben oft an den nötigen Kompetenzen in den Bereichen Datenanalyse und KI. Eine Kooperation mit Anbietern von Daten, Technologien und digitalen Plattformen kann helfen, das benötigte Wissen innerhalb sogenannter digitaler Wertschöpfungsnetzwerke aufzubauen und daraus Mehrwert zu schaffen.
Plattform
Zulieferer
KMU oder Großunternehmen
Unternehmen
KMU oder Großunternehmen
Kunde
Cloud-Dienstleister
Wertschöpfungs-kreislauf:
- Datenströme
- Leistungsströme
- Zahlungsströme
Kontinuirlicher Austausch von Daten untereinander
Bedeutung von Wertschöpfungsnetzwerken
Was sind Wertschöpfungsnetzwerke?
Starre Wertschöpfungsketten werden durch das Entstehen von Wertschöpfungsnetzwerken aufgebrochen. Zusammenarbeit von unterschiedlichen Akteuren führt zur Schaffung innovativer Leistungsangebote. Ein sicherer und offener Datenzugang/Datenaustausch aus verschiedenen Quellen über Unternehmens- und Branchengrenzen ist dafür notwendig.
Wozu werden Daten ausgetauscht?
Zur Schulung von KI-Systemen ist der Datenaustausch unverzichtbar. Dies erfordert die Integration von Elektronik, Sensoren und Aktoren in Gegenstände wie Geräte, Maschinen und Fahrzeuge sowie die Vernetzung von Produktionsanlagen über das Internet, was das Internet der Dinge entstehen lässt und Gegenstände mit einem digitalen Zwilling ausstattet.
Wie entstehen neue Produkte und Dienstleistungen?
Der Einsatz von KI nutzt Daten aus digitalisierten Gegenständen, Systemen und Umgebungen, um in Echtzeit wertvolle Informationen zu gewinnen. Datenarten wie Betriebs-, Umgebungs- oder Nutzungsdaten werden bereitgestellt und auf digitalen Plattformen kombiniert, aufbereitet und analysiert. Dies ermöglicht skalierbare, individualisierte Angebote für Kunden durch direkte und indirekte Netzeffekte.
Warum sind Kooperationen nötig?
KI-basierte Datennutzung erfordert vielfältige Kompetenzen. Es ist wichtig, Lücken in Technik, Ökonomie und Daten zu erkennen, den eigenen Wertbeitrag zu definieren und passende Partner für Daten, Technologie und Kompetenz zu identifizieren, um Konfiguration und Anpassung zu ermöglichen.
Umsetzung eines Wertschöpfungsnetzwerks
Do's
Dont's
- Transparenter Netzwerkaufbau mit klar formulierter Wertbeitrag aller Beteiligten (Value Proposition)
- Definition einer klaren Datenstrategie, welche Qualität, Relevanz und Verfügbarkeit der für die Wertschöpfung nötigen Daten festlegt
- Strategisch und langfristig angelegte (Forschungs-) Kooperation zur Generierung von eigenen Kompetenzen im Bereich Data Science
- Agiler Roll-out des Produkts, um Hürden frühzeitig zu erkennen und das Produkt anpassen zu können
- Kontinuierliche Prüfung und Anpassung des Geschäftsmodells und geeigneter Finanzierungsmodelle, z.B. Aufteilung der Einnahmen (Revenue Sharing)
- Schlecht kommunizierte und abgestimmte Projekte
- Sammeln von Daten ohne klar definierte Kriterien und Methoden
- Komplette Auslagerung der KI-Kompetenzen an externe Unternehmen ohne kontinuierlichen Austausch und wechselseitiger Abstimmung
- Starre Festsetzung des Zeitplans und Festhalten am ursprünglichem Konzept
- Festhalten an klassischen Geschäftsmodellen und Überzeugen der Netzwerkteilnehmer, das Investitionsrisiko selbst zu tragen
Schon gewusst? Der Weg in die Digitalisierung wird vom Staat gefördert
„Digital Jetzt“- Neue Förderung für die Digitalisierung des Mittelstands
Digitale Technologien und Know-how entscheiden in der heutigen Arbeits- und Wirtschaftswelt über die Wettbewerbs- und Zukunftsfähigkeit von Unternehmen. Damit der Mittelstand die wirtschaftlichen Potenziale der Digitalisierung ausschöpfen kann, unterstützt das Bundesministerium für Wirtschaft und Energie (BMWi) kleine und mittlere Unternehmen (KMU) mit dem Programm „Digital Jetzt – Investitionsförderung für KMU“. Das Programm bietet finanzielle Zuschüsse und soll Firmen dazu anregen, mehr in digitale Technologien sowie in die Qualifizierung ihrer Beschäftigten zu investieren.
Zur Förderung des BMWI