Wo KI in der Produktion scheitert: Interview mit Philipp Gläßer

KI in der Produktion: Interview mit Philipp Gläßer

Bei uns war doch alles grün: Dieser Satz fällt oft genau dann, wenn eine Reklamation auf dem Tisch liegt. KI soll solche Fehler früher sichtbar machen. Wir haben mit Philipp Gläßer darüber gesprochen, was KI in der Produktion tatsächlich leistet und woran sie in der Praxis scheitert.

Es geht um Anomalieerkennung bei Schraubverbindungen, um Datensilos zwischen MES, ERP und Qualitätssystem, um die Kosten eines wachsenden Data Lake, um Fehlalarme, Haftung und die Rolle des Menschen. Das Gespräch führte Andrea für den Podcast Systemblick.

Fast jede Software wirbt heute mit KI. Woran erkenne ich, ob wirklich KI dahintersteckt, und was erkennt sie in der Produktion, was ein Mensch übersieht?

KI ist ein sehr weitläufiger Begriff, und man kann tatsächlich fast überall KI draufschreiben. Wichtig ist, was diese KI macht, welchen Mehrwert sie bringt und wie intelligent sie wirklich ist.

In der Produktion zeigt sich das am Beispiel der Anomalieerkennung. Dein Prozess verschlechtert sich bereits, ist aber noch nicht so schlecht, dass er ein rotes Kreuz oder ein n.i.O. zurückgibt. Er ist vielleicht hart an der Grenze, aber du hast immer noch den grünen Haken. Mit der Zeit verändert sich die Verbindung, das Teil wird schlecht, und am Ende kommt es zum Rückruf. Es kann auch sein, dass das Material verschleißt: Das Teil wurde gut produziert, wird aber mit der Zeit schlechter. Die KI hilft dabei, Fehler, die in der Produktion entstehen oder sich anbahnen, frühzeitig zu erkennen.

Kannst du ganz einfach erklären, was eine Anomalieerkennung ist? Und wie kann ein Teil schon kaputt sein und trotzdem als i.O. durchgehen?

Bei der Anomalieerkennung geht es darum, Veränderungen im Prozess frühzeitig zu erkennen und auch falsche Positivmeldungen aufzudecken. Nehmen wir eine Kurve, die eigentlich gerade nach oben verlaufen und in ihrem Zielkasten landen sollte. Sie kann trotzdem im Zielkasten landen, obwohl sie unten einen Absacker hat. Dann ist die Schraubverbindung, oder welche Verbindung es auch ist, eigentlich fehlerhaft, weil zu viel Kraft auf das Teil eingewirkt hat. Das Endergebnis zeigt okay an, aber das Teil ist schon beschädigt.

Dass es trotzdem durchgeht, liegt daran, dass es schlicht nicht auffällt. Am Ende wurden Kraft, Winkel und Drehmoment so aufgebracht, dass die Schraube im Zielfenster gelandet ist. Weil die Schraube aber vielleicht etwas eingefettet war, hat mehr Kraft auf das Gewinde gewirkt. Das Ergebnis liegt trotzdem im Zielfenster.

Viele Betriebe sammeln seit Jahren Daten, oft verteilt auf mehrere Systeme, aber kaum jemand schaut sie sich genauer an. Sitzen wir auf einem Datenfriedhof?

Ich würde es weniger als Friedhof, sondern mehr als Schatz bezeichnen. Es ist ein Datenschatz, der nicht genutzt wird. Das Hauptproblem ist, dass die gesammelten Daten in Silos landen. Ein MES sammelt Daten, ein ERP sammelt Daten, ein Qualitätssystem sammelt Daten. Jeder schaut in seinen Bereich, aber nichts wird zusammengeführt, um daraus Mehrwert zu ziehen. Vor diesem Problem stehen aktuell viele.

Der klassische Weg ist, alle Daten in einen großen Data Lake zu werfen. Darauf lassen sich Reports bauen, und auch eine KI kann mit diesen Daten arbeiten. Aber man hat dann einen Haufen unstrukturierter Daten, und die Frage ist, was mit ihnen passiert, wenn sie nicht mehr benötigt werden. Meist bleiben sie einfach liegen.

Das KI Modell muss an die Daten herankommen. Man könnte jede Maschine einzeln an das KI System anbinden, und die KI zieht sich die Daten selbst heraus. Funktionieren tut das. Ob das effizient ist, ist eine andere Frage. Sinnvoller ist es, alles in ein System zu bringen, in eine strukturierte Datenbank oder ein strukturiertes Archiv, und die Daten von dort zu nutzen.

Hast du einen Fall erlebt, in dem KI in der Produktion so richtig danebenlag?

So richtig daneben nicht. Was immer vorkommt: Am Anfang, wenn das Modell erst antrainiert werden muss, sind die Ergebnisse meist noch nicht so gut. Und es kommt auf den Use Case an. Wer Predictive Maintenance machen will, steht wieder vor den Datensilos. Ich kann keine Ausfälle vorhersagen, wenn ich nur die Prozessdaten habe, aber nicht weiß, wann die Maschine das letzte Mal ausgefallen ist. Dann liegen die Ergebnisse der KI unter Umständen völlig daneben. Es kommt immer auf die Datenqualität und die vorhandene Datenbasis an.

Wenn die Datenbasis passt, werden die Modelle mit der Zeit besser, und das Training funktioniert besser. Dasselbe gilt für Fehlalarme. Wenn ich ständig Fehlalarme bekomme, hat die KI ganz klassisch nach dem Prinzip Garbage in, garbage out gelernt: Es kamen schlecht qualifizierte Daten hinein, und entsprechend sind die Antworten. Wer beim Training darauf achtet, dass die Daten sauber und sinnvoll sind, vermeidet das von vornherein.

Systemblick auf Spotify anhören

Zurück zum Reklamationsfall: Wenn die Frage kommt, welche Teile noch betroffen sind, wie lange dauert die Suche, und was kann KI dabei verbessern?

Es kommt immer auf das System an. Wenn ich Datensilos habe und aus jeder Anlage einzeln heraussuchen muss, welches Teil wann wie produziert wurde und wo das Bauteil am Ende verbaut ist, ist das unter Umständen gar nicht rückverfolgbar. Dann muss im Zweifel deutlich mehr zurückgerufen werden, als eigentlich betroffen ist, weil sich die betroffenen Teile nicht sauber herausfiltern lassen.

Wenn alles bereits zusammengeführt und der gesamte Lebenszyklus eines fertigen Teils dokumentiert ist, wird es einfacher. Je nach System braucht man aber trotzdem Kenntnisse in SQL oder anderen Abfragesprachen. Hier kommt generative KI ins Spiel. Damit könnte ich in natürlicher Sprache fragen: Welche Bauteile sind von folgendem Fehler betroffen? Das System filtert die Informationen heraus und gibt mir eine genaue Liste zurück, was zurückgerufen werden muss.

Braucht ein Mittelständler echte Datenexperten, um KI einzusetzen, und verlernen die Fachleute mit der Zeit ihr Handwerk?

Der Mittelständler braucht nicht zwangsläufig einen Datenexperten, um KI Modelle sinnvoll zu nutzen. Das Training kann teilweise von der Software beziehungsweise den KI Modellen selbst durchgeführt werden. Der Kunde muss allerdings die Fachexpertise einbringen, und die hat er sowieso. Er stellt den Mitarbeiter ab, der die Daten kennt und weiß, was gut und was schlecht ist. Dieser Mitarbeiter bewertet Daten und Ergebnisse, legt fest, welche Daten ins Training gehen und was als gut gilt. So wird er selbst zum Datenexperten.

Die Gefahr, dass Handwerk verloren geht, ist meiner Meinung nach da. Aber man kann gegensteuern. Die Experten, die bewerten, was die KI anmerkt, muss es auch in zehn oder zwanzig Jahren noch geben. Heute sind sie alle noch im Dienst, aber nach und nach gehen sie in Rente. Die nachkommende Generation muss diese Expertise trotzdem in der Ausbildung lernen, um später beurteilen zu können: Stimmt das, was die KI sagt? Ist das ein schlechtes Teil? Verändert sich mein Prozess, und wie steuere ich gegen? Das Handwerk geht nicht verloren, es verändert sich.

Es geht nicht verloren, es verändert sich.

Philipp Gläßer

Wie zuverlässig ist ein fertig trainiertes Modell, und wer haftet, wenn doch ein falsch bewertetes Bauteil ausgeliefert wird?

Man sollte immer den Human in the Loop lassen. Am Ende sollte ein Mensch alles prüfen und abnicken. Ein KI System in der Produktion sollte nur assistierend eingesetzt werden. Es soll darauf hinweisen, wenn sich Prozesse verändern oder wenn Fehler, Anomalien oder Ausreißer erkannt werden. Es soll hinweisen und nicht gleich das Band stoppen. Dann schaut sich der Fachmitarbeiter, der die Daten kennt, den Fall an und bewertet: Ist das ein Fall für den Ausschuss, oder ist es doch ein gutes Teil und die KI hat sich geirrt?

An der Verantwortung ändert der Einsatz von KI aus meiner Sicht nichts. Die Produkthaftung liegt ganz klassisch weiterhin beim Unternehmen, das das Produkt ausliefert.

Viele KI Pilotprojekte scheitern. Woran liegt das, und was rätst du einem Produktionsleiter, der mit KI loslegen möchte?

Das hat mehrere Gründe. Der erste ist wieder die Datenbasis: Die Daten liegen in Silos, und es kommen keine sinnvollen Ergebnisse aus der KI. Der zweite Faktor ist der Mensch. Akzeptanz ist ein ganz starkes Thema, und daran scheitern sehr viele Projekte. Die Piloten waren vielleicht erfolgreich, kommen aber nie an der Linie an. Oft spielt auch das Budget eine Rolle, denn gerade das Training ist aufwendig, und ich muss Mitarbeiter abstellen, die die Modelle trainieren.

Zuerst sollte man sich die Datenbasis anschauen, die Silos aufbrechen und die Daten in eine Struktur bringen, mit der man KI Modelle sinnvoll trainieren kann. Zweitens würde ich raten, konkrete Use Cases auszuwählen und sich Ziele zu setzen, was man damit erreichen will. Einfach blind zu sagen, wir machen jetzt KI, bringt nichts. Das ist zum Scheitern verurteilt.

Philipp, vielen Dank für deine Zeit und die klaren Einblicke aus der Praxis.

Die vollständige Folge mit allen Details zu Anomalieerkennung, Datensilos und der Frage, wer am Ende die Verantwortung trägt, hören Sie in unserem Podcast Systemblick. Wie sich Prozessdaten und Qualitätsdaten an einer Stelle zusammenführen lassen, zeigt unsere Lösung für Prozessdatenmanagement, wie KI auffällige Kurven erkennt, das Modul Curve Anomaly AI.

Häufig gestellte Fragen

Was ist Anomalieerkennung in der Produktion?

Eine Anomalieerkennung erkennt Veränderungen im Prozess, bevor ein Teil als n.i.O. bewertet wird. Sie findet zum Beispiel Schraubkurven mit einem Absacker, die trotzdem im Zielfenster landen und deshalb einen grünen Haken bekommen. Die KI weist auf solche Ausreißer hin, ein Fachmitarbeiter entscheidet dann über Nacharbeit, Ausschuss oder Freigabe.

Warum scheitern KI Projekte in der Produktion?

Laut Philipp Gläßer scheitern KI Projekte in der Produktion meist an drei Punkten: an einer Datenbasis, die in Silos verteilt ist, an fehlender Akzeptanz bei den Beschäftigten und am Budget, vor allem für das Training der Modelle. Viele Piloten sind erfolgreich, kommen aber nie an der Linie an.

Welche Daten braucht Predictive Maintenance?

Prozessdaten allein reichen für Predictive Maintenance nicht. Es muss zusätzlich dokumentiert sein, wann und warum eine Maschine ausgefallen ist. Erst dann kann ein KI Modell Muster in den Prozessdaten mit früheren Ausfällen verknüpfen und den nächsten Ausfall vorhersagen.

Was bedeutet Human in the Loop bei KI in der Produktion?

Human in the Loop bedeutet, dass ein Mensch die Ergebnisse der KI prüft und freigibt. In der Produktion sollte KI assistierend arbeiten: Sie weist auf Anomalien, Ausreißer und Prozessveränderungen hin, stoppt aber nicht selbst das Band. Die Bewertung übernimmt ein Fachmitarbeiter, der die Daten kennt.

Wer haftet, wenn eine KI in der Produktion einen Fehler übersieht?

Nach Einschätzung von Philipp Gläßer ändert der Einsatz von KI nichts an der Produkthaftung: Verantwortlich für fehlerhafte Produkte bleibt das Unternehmen, das sie ausliefert. Die KI unterstützt die Bewertung, die Entscheidung trifft der Mensch. Für die rechtliche Einordnung im Einzelfall empfiehlt sich juristische Beratung.