Ihre Fabrik verfügt über Daten. Das bedeutet jedoch nicht, dass sie für KI bereit ist.

Ein Produktionsleiter kann in der Regel auf jahrelange Maschine Protokolle, Qualitätsberichte, Wartungsaufzeichnungen und Sensorwerte, die an verschiedenen Stellen im gesamten Unternehmen gespeichert sind. Auf dem Papier scheint das Werk genau das zu bieten, was ein industrielles KI-Projekt benötigt: große Mengen an Betriebsdaten, die im Rahmen der täglichen Produktion anfallen.

Der erste Pilotversuch offenbart oft eine weniger erfreuliche Realität. Die Maschinennamen unterscheiden sich von System zu System, Zeitstempel stimmen nicht überein, Wartungsnotizen werden als Freitext gespeichert, und die Qualitätsdatenbank erfasst einen Defekt, ohne die ihm vorausgegangenen Prozessbedingungen zu dokumentieren. Ingenieure verstehen, was die einzelnen Werte bedeuten, da sie die Produktionslinie, das Produkt und die Geschichte der Anlagen kennen, doch ein KI-System sieht nur unzusammenhängende Messwerte, deren Bedeutung nie explizit gemacht wurde.

Industrieunternehmen leiden selten unter einem völligen Mangel an Daten. Ihre Schwierigkeiten rühren vielmehr daher, dass die ihnen vorliegenden Informationen für Wartungs-, Kontroll-, Compliance- oder Berichtszwecke und nicht für maschinelles Lernen erhoben wurden, wodurch ein Großteil dieser Daten fragmentiert, unzureichend beschriftet und losgelöst vom betrieblichen Kontext ist, der für eine zuverlässige Entscheidungsfindung erforderlich ist.

Eine Messung ist noch kein industrielles Wissen

Eine Temperatur von 82 Grad, eine Schwingungsspitze oder ein plötzlicher Anstieg des Energieverbrauchs mögen zwar aussagekräftig erscheinen, doch lässt sich keiner dieser Werte für sich genommen richtig interpretieren. Dieselbe Temperatur könnte in einer Produktionsphase auf einen normalen Betrieb hindeuten und in einer anderen auf einen sich anbahnenden Fehler, während ein Schwingungsmuster, das bei einer Maschine ungewöhnlich erscheint, nach einem Werkzeugwechsel oder beim Einsatz eines anderen Materials im Prozess durchaus zu erwarten ist.

Damit ein KI-Modell diese Unterschiede erkennen kann, muss der Messwert mit der Maschine, die ihn erzeugt hat, dem hergestellten Produkt, der Rezeptur und dem Betriebsmodus, dem zu diesem Zeitpunkt eingesetzten Werkzeug sowie den nachfolgenden Ereignissen verknüpft werden. Möglicherweise sind zudem Informationen über die Schicht, die Umgebungsbedingungen, die Lieferantencharge, die Wartungshistorie und darüber erforderlich, ob ein Techniker eine Einstellung vorübergehend angepasst hat.

Diese Rahmeninformationen sind es, die ein Signal in einen verwertbaren industriellen Kontext einordnen. Ohne sie könnte ein Modell statistische Zusammenhänge aufdecken, die zwar überzeugend erscheinen, dabei jedoch normale Schwankungen in der Produktion mit Anzeichen für Ausfälle oder mangelnde Qualität verwechseln.

Ein Werk kann daher zwar Milliarden von Datenpunkten erfassen, verfügt aber dennoch nicht über die erforderlichen Informationen, um eine relativ einfache Frage zu beantworten: Unter welchen genauen Bedingungen treten bei diesem Prozess erstmals Fehler auf?

Die Werksdaten wurden für unterschiedliche Zwecke erstellt

Die Schwierigkeit liegt in der Architektur industrieller Abläufe begründet. SPSen wurden zur Steuerung von Maschinen entwickelt, Historien-Systeme zur Speicherung von Zeitreihensignalen, Fertigungssteuerungssysteme zur Verwaltung der Produktion und Unternehmensplattformen zur Abwicklung von Aufträgen, Materialien und Finanzen. Qualitäts-, Wartungs- und Konstruktionsteams führten häufig zusätzliche Anwendungen entsprechend ihren eigenen Anforderungen ein, wodurch eine Landschaft entstand, in der jedes System zwar eine berechtigte Funktion erfüllt, aber dieselbe Fabrik unterschiedlich beschreibt.

Die im Instandhaltungssystem für eine Maschine verwendete Kennung stimmt möglicherweise nicht mit der im Historien-System verwendeten Kennung überein. Ein Produkt kann in der Konstruktion einen Namen, in der Produktion einen anderen und im kaufmännischen System einen dritten Namen haben, während Änderungen an einer Komponente zwar in einem Dokument erfasst werden, sich jedoch nicht durchgängig in den von der Produktionslinie erfassten Daten widerspiegeln.

Diese Fragmentierung hindert die Mitarbeiter nicht immer daran, ihre Arbeit zu erledigen, da erfahrene Teams wissen, wie die Systeme miteinander zusammenhängen. Sie wissen, dass sich “Linie 4”, “L04” und eine interne Anlagenummer auf dieselbe Anlage beziehen, und sie erinnern sich daran, dass während einer bestimmten Stilllegung ein Sensor ausgetauscht wurde, auch wenn dieser Austausch nie in strukturierter Form dokumentiert wurde.

KI kann sich nicht auf dieses informelle Wissen stützen, solange es nicht von der Organisation erfasst wird. Das Modell benötigt einheitliche Identitäten, Beziehungen und Definitionen, die Daten systemübergreifend miteinander verknüpfen; andernfalls bleibt ein Großteil der Bedeutung der Fabrik in den Erfahrungen einzelner Mitarbeiter eingeschlossen.

Mehr Sensoren können eine schwache Datenbasis nicht ausgleichen

Wenn bei einem industriellen KI-Projekt nützliche Informationen fehlen, besteht die instinktive Reaktion oft darin, zusätzliche Sensoren zu installieren. In manchen Fällen ist dies notwendig, insbesondere wenn ein wichtiger physikalischer Zustand noch nie gemessen wurde; möglicherweise erfasst die Fabrik jedoch bereits genügend Signale und ist lediglich nicht in der Lage, diese gemeinsam zu interpretieren.

Das Hinzufügen weiterer Geräte zu einer fragmentierten Umgebung kann zwar das Datenvolumen erhöhen, trägt jedoch nicht zu einem besseren Verständnis bei. Das Unternehmen erhält zwar zusätzliche Datenströme zu Vibrationen, Druck und Temperatur, kann jedoch nach wie vor nicht feststellen, welcher Fertigungsauftrag gerade ausgeführt wurde, als die Anomalie auftrat, oder ob das daraus resultierende Bauteil später die Prüfung nicht bestanden hat.

Vor dem Ausbau seines Sensornetzwerks sollte ein Hersteller festlegen, welche Entscheidung die KI-Anwendung unterstützen soll und welche Informationen erforderlich sind, um diese Entscheidung zuverlässig zu treffen. Die Vorhersage eines Werkzeugausfalls erfordert andere Daten als die Optimierung des Energieverbrauchs, während die Ermittlung der Ursache eines Oberflächenfehlers möglicherweise eine Kombination aus Prozessparametern, Materialherkunft, Maschinenzustand und Bilddaten erfordert.

Wenn man mit der operativen Fragestellung beginnt, verhindert man, dass das Projekt zu einer wahllosen Datenerfassung ausartet. Das Ziel besteht nicht darin, einen möglichst großen Data Lake anzulegen, sondern die Zusammenhänge zu bewahren, die erklären, was in der Produktion geschehen ist.

Historische Aufzeichnungen vermitteln oft ein verzerrtes Bild

Industrielle KI-Systeme lernen aus den ihnen zur Verfügung stehenden Beispielen, doch die Betriebshistorie einer Fabrik ist selten ausgewogen oder vollständig. Eine gut gewartete Maschine liefert jahrelange Daten zum Normalbetrieb, aber relativ wenige Beispiele für Störungen. Schwerwiegende Fehler treten möglicherweise nur gelegentlich auf, während kleinere Probleme von erfahrenen Technikern behoben werden, bevor sie zu offiziellen Vorfällen werden.

Der daraus resultierende Datensatz enthält eine Fülle von Routinevorgängen und nur eine geringe Anzahl der Ereignisse, die das Modell erkennen soll. Selbst diese Beispiele sind möglicherweise unzuverlässig, da Fehlercodes uneinheitlich eingegeben wurden, Wartungsnotizen nicht detailliert genug sind oder verschiedene Techniker unterschiedliche Bezeichnungen für dasselbe Problem verwendet haben.

Auch die betrieblichen Abläufe ändern sich. Eine Maschine kann mit neuen Werkzeugen, neuer Software oder neuen Komponenten ausgestattet werden, und das heute verwendete Material kann sich anders verhalten als das Material, das zum Zeitpunkt der Erfassung der historischen Daten verwendet wurde. Ein auf der Vergangenheit trainiertes Modell kann an Relevanz verlieren, auch wenn seine technische Genauigkeit einst als hoch galt.

Dadurch ist die Aufbereitung von Industriedaten anspruchsvoller als das Entfernen doppelter Zeilen aus einer Datenbank. Ingenieure und Bediener müssen feststellen, ob die Datensätze noch den aktuellen Prozess widerspiegeln, welche Ereignisse korrekt gekennzeichnet wurden und in welchen Fällen das Fehlen einer protokollierten Störung lediglich darauf zurückzuführen ist, dass rechtzeitig eingegriffen wurde.

Die Geschichte des Werks ist keine neutrale Darstellung der Produktion. Es handelt sich um eine einseitige Aufzeichnung, die durch Änderungen an den Anlagen, menschliches Ermessen und die Berichtsgewohnheiten verschiedener Teams geprägt ist.

Unstrukturierte Informationen enthalten oft die fehlende Erklärung

Ein Teil des wertvollsten industriellen Wissens ist nicht in einer Sensordatenbank gespeichert. Es findet sich in Wartungskommentaren, Schichtprotokollen, Inspektionsfotos, technischen Zeichnungen, Lieferantenberichten und Gesprächen zwischen erfahrenen Bedienern.

Aus einem Messwertprotokoll geht möglicherweise hervor, dass die Schwingungen vor dem Stillstand einer Maschine zugenommen haben, während in der Wartungsnotiz erläutert wird, dass zwei Wochen zuvor ein Ersatzlager eines neuen Lieferanten eingebaut worden war. Ein Qualitätssystem erfasst eine Maßabweichung, doch in einem Schichtbericht wird erwähnt, dass das Material an diesem Morgen ungewöhnlich schwer zu bearbeiten war.

Genau diese Zusammenhänge sind für die KI von entscheidender Bedeutung, doch die Informationen sind häufig in PDF-Dateien, handschriftlichen Notizen oder inkompatiblen Anwendungen gespeichert. Die Fachsprache der Industrie stellt eine weitere Herausforderung dar, da Abkürzungen, lokale Fachbegriffe und Spitznamen für Maschinen für die Mitarbeiter zwar selbstverständlich sein mögen, außerhalb eines bestimmten Standorts jedoch unverständlich bleiben.

Große Sprachmodelle können dabei helfen, einen Teil dieses Materials zu extrahieren und zu strukturieren, erfordern jedoch nach wie vor ein kontrolliertes Vokabular und Verknüpfungen zu verlässlichen Betriebsdaten. Die Umwandlung einer Techniker-Notiz in ein strukturiertes Ereignis ist nur dann sinnvoll, wenn das Unternehmen diese mit der richtigen Anlage, Komponente, dem richtigen Zeitpunkt und dem richtigen Fertigungsauftrag verknüpfen kann.

Dabei geht es nicht nur darum, Dokumente zu digitalisieren. Es geht darum, die darin enthaltene Bedeutung zu bewahren und sie mit dem physischen Vorgang zu verknüpfen, den sie beschreiben.

Die Kontextualisierung ist die Aufgabe, die die meisten Piloten unterschätzen

Industrielle KI-Projekte werden oft als Initiativen zur Modellentwicklung dargestellt, sodass Teams viel Zeit damit verbringen, Algorithmen zu vergleichen, während sie die Datenaufbereitung als vorbereitende technische Aufgabe betrachten. In der Praxis besteht die anspruchsvolle Arbeit jedoch darin, Signale so mit Anlagen, Produkten, Ereignissen und Prozessbedingungen zu verknüpfen, dass sie einheitlich genutzt werden können.

Dieser Vorgang wird als Kontextualisierung bezeichnet. Dabei werden Daten in den Fabrikbetrieb eingebettet, anstatt sie als isolierte Werte zu belassen. So wird beispielsweise aus einem Druckmesswert der Druck in einer bestimmten Phase eines spezifischen Produktionszyklus, an einer namentlich genannten Maschine, bei der Verarbeitung einer definierten Materialcharge nach einem protokollierten Rezept.

Sobald diese Zusammenhänge bestehen, kann dieselbe Grundlage mehrere Anwendungen unterstützen. Ingenieure können Qualitätsabweichungen untersuchen, Wartungsteams können das Verhalten von Anlagen vergleichen und Energiemanager können produktiven Verbrauch von Verschwendung unterscheiden. Digitale Zwillinge und KI-Agenten können zudem auf eine gemeinsame Betriebsstruktur zurückgreifen, anstatt für jedes Projekt eine separate Interpretation der Fabrik zu erstellen.

Die Alternative besteht in einer Reihe von isolierten Pilotprojekten, bei denen jedes Team dieselben Datenquellen für einen eng gefassten Anwendungsfall bereinigt und neu verknüpft. Die Demonstration mag zwar gelingen, doch lässt sich die Arbeit nicht skalieren, da die zugrunde liegenden Daten fragmentiert bleiben und jede neue Anwendung vom selben schwierigen Ausgangspunkt ausgeht.

Aktuelle Forschungsergebnisse aus dem Fertigungsbereich zeigen weiterhin, dass industrielle Big Data, heterogene Sensorik und ein effektives Datenmanagement zu den entscheidenden Hindernissen für einen zuverlässigen Einsatz von KI zählen, insbesondere dort, wo Systeme in Umgebungen mit hohem Risiko sicher und nachvollziehbar arbeiten müssen.

Datenqualität muss operativ definiert werden

In Unternehmen stehen bei Diskussionen über Datenqualität häufig Vollständigkeit, Genauigkeit und Konsistenz im Mittelpunkt. Diese Aspekte sind in der Fertigung zwar wichtig, doch müssen Industriedaten auch im Hinblick auf den physikalischen Prozess bewertet werden.

Ein Sensor kann technisch gültige Werte liefern, obwohl er schlecht kalibriert ist. Ein Zeitstempel kann in einem System korrekt aufgezeichnet werden, ist jedoch nutzlos, wenn eine andere Anwendung eine andere Uhr verwendet. Ein als “in Betrieb” gekennzeichneter Maschinenzustand kann die Einrichtungsphase, Testphase und den Produktivbetrieb umfassen, auch wenn diese Zustände nicht gemeinsam analysiert werden sollten.

Die Mitarbeiter, die am nächsten an der Produktion stehen, sind daher unverzichtbar. Dateningenieure können Lücken und Unstimmigkeiten aufdecken, aber erst die Bediener, Wartungsspezialisten und Verfahrenstechniker wissen, ob ein Signal physikalisch plausibel ist und ob sich seine Interpretation unter bestimmten Bedingungen ändert.

Diese Zusammenarbeit verhindert zudem einen häufigen Fehler, bei dem ein statistisch einwandfreier Datensatz den Prozess falsch darstellt. Das Entfernen eines offensichtlichen Ausreißers kann das früheste Anzeichen eines Fehlers beseitigen, während die Mittelwertbildung der Messwerte über einen geeigneten Zeitraum das kurze Ereignis verbergen kann, das einen Defekt verursacht hat.

Die KI-Bereitschaft kann nicht allein von der IT-Abteilung bescheinigt werden. Es kommt darauf an, ob technische Daten und die betriebliche Realität noch dasselbe beschreiben.

Die Governance entscheidet darüber, ob die Daten später als vertrauenswürdig gelten können

Ein KI-Modell kann mit einem sorgfältig aufbereiteten Datensatz starten und nach und nach an Zuverlässigkeit verlieren, weil sich die Produktionsumgebung verändert. Sensoren werden ausgetauscht, Rezepturen angepasst, Produkte weiterentwickelt und Systeme erhalten Software-Updates – oft, ohne dass die für das Modell verantwortlichen Teams über diese Änderungen informiert werden.

Hersteller benötigen daher klare Zuständigkeiten für wichtige Datenquellen. Es muss immer klar sein, was eine Variable bedeutet, wie sie generiert wird und wann sich ihre Definition ändert. Der Kalibrierungsverlauf, fehlende Zeiträume und manuelle Korrekturen sollten sichtbar bleiben und dürfen bei der Aufbereitung nicht verloren gehen.

Auch die Herkunft der Daten spielt eine Rolle. Wenn ein KI-System eine Wartungsmaßnahme empfiehlt oder ein Qualitätsrisiko identifiziert, müssen Ingenieure nachvollziehen können, welche Daten zu diesem Ergebnis beigetragen haben und ob diese Datensätze aus vertrauenswürdigen Quellen stammen. Dies ist besonders wichtig, wenn die Empfehlung Auswirkungen auf die Sicherheit, die Einhaltung von Vorschriften oder eine kostspielige Produktionsentscheidung hat.

Eine Fabrikdatenbasis sollte keine „geschönte“ Version der Realität schaffen, aus der alle Unsicherheiten entfernt wurden. Sie sollte aufzeigen, wo Informationen unvollständig sind, auf Schätzungen beruhen oder durch eine Änderung der Ausrüstung beeinflusst wurden, damit das Modell und seine Nutzer das Ergebnis mit der gebotenen Vorsicht betrachten können.

Bei Brachflächenanlagen ist ein selektiver Ansatz erforderlich

Nur wenige Hersteller können ihre gesamte Technologielandschaft erneuern, bevor sie mit KI beginnen, und in etablierten Fabriken kommen oft Maschinen aus mehreren Generationen sowie proprietäre Schnittstellen und Systeme zum Einsatz, die nie für den Informationsaustausch konzipiert wurden.

Das Warten auf eine vollständige Modernisierung würde den Einsatz nützlicher Anwendungen auf unbestimmte Zeit hinauszögern. Der Versuch, alles auf einmal anzubinden, kann ebenso kontraproduktiv sein, da das Programm dann zu einem kostspieligen Infrastrukturprojekt ohne klaren betrieblichen Nutzen wird.

Ein glaubwürdigerer Ansatz beginnt mit einem Produktionsproblem, dessen wirtschaftlicher Wert bekannt ist. Das Unternehmen ermittelt die zur Untersuchung dieses Problems erforderlichen Daten, identifiziert die wichtigsten Lücken und schafft einen gemeinsamen Kontext, der für die ordnungsgemäße Unterstützung dieses Anwendungsfalls ausreicht. Die Arbeit sollte weiterhin Standards und einer Architektur folgen, die später erweitert werden können, muss jedoch nicht jede historische Inkonsistenz im Werk beheben.

Ein Hersteller, der beispielsweise versucht, die Fehlerquote an einer Produktionslinie zu senken, könnte zunächst Maschineneinstellungen, Qualitätsergebnisse, Materialchargen und ausgewählte Wartungsvorgänge miteinander verknüpfen. Sobald diese Zusammenhänge hergestellt sind, lässt sich dieselbe Struktur auf benachbarte Produktionslinien ausweiten oder für die vorausschauende Instandhaltung wiederverwenden.

Dadurch wird eine Datenbasis durch operative Fortschritte geschaffen und nicht durch ein langwieriges Vorbereitungsprogramm, dessen Nutzen abstrakt bleibt.

Ein Data Lake ist nicht dasselbe wie zugängliche Daten

Viele Unternehmen haben bereits große Mengen an Industrieinformationen auf Cloud-Plattformen oder in zentralen Repositorien zusammengeführt. Das ist ein wichtiger Schritt, doch die physische Zusammenführung allein macht die Daten noch nicht automatisch verständlich oder nutzbar.

Ein Data Lake kann Signale aus allen Standorten enthalten, wobei die gleichen Inkonsistenzen bei der Benennung, fehlenden Verknüpfungen und unklaren Zuständigkeiten bestehen bleiben, die bereits in den ursprünglichen Systemen vorhanden waren. Die Teams erhalten zwar eine zentrale Suchplattform, müssen aber dennoch Wochen damit verbringen, herauszufinden, welche Felder relevant sind und ob verschiedene Werke denselben Prozess auf vergleichbare Weise messen.

KI benötigt mehr als nur Speicherplatz. Sie benötigt Daten, die auffindbar sind, unter den richtigen Berechtigungen zugänglich sind, systemübergreifend kompatibel sind und wiederverwendbar sind – und zwar mit ausreichenden Beschreibungen, um ihre Bedeutung zu bewahren. Semantische Modelle, Wissensgraphen und industrielle Data Fabrics werden zunehmend eingesetzt, um diese Beziehungen darzustellen, wobei die Terminologie weniger wichtig ist als die Funktion, die sie erfüllen.

Die nützliche Ebene ist diejenige, die es einem Modell ermöglicht zu erkennen, dass ein bestimmter Sensor zu einer bestimmten Maschine gehört, dass die Maschine einen Vorgang an einem definierten Produkt durchgeführt hat und dass das daraus resultierende Bauteil später ein bestimmtes Qualitätsergebnis erhalten hat.

Siemens beispielsweise beschreibt industrielle Daten-Fabrics als Mittel, um fragmentierte Quellen miteinander zu verknüpfen und den für KI erforderlichen Kontext bereitzustellen, während die übergreifende industrielle KI-Architektur des Unternehmens die Datenerfassung in der Fertigung mit der Kontextualisierung und der bereichsübergreifenden Nutzung verbindet.

KI-Agenten legen die Messlatte noch höher

Ein Vorhersagemodell, das eine ungenaue Wartungswarnung ausgibt, kann die Zeit eines Ingenieurs verschwenden. Ein KI-Agent, der auf der Grundlage unzuverlässiger Daten handelt, kann ein weitaus größeres betriebliches Problem verursachen.

Agenten sind darauf ausgelegt, Informationen abzurufen, systemübergreifend Schlussfolgerungen zu ziehen und Maßnahmen mit geringerer direkter Aufsicht einzuleiten. In der Fertigung können sie beispielsweise Arbeitsaufträge erstellen, Zeitpläne anpassen, Prozessänderungen empfehlen oder die Reaktion auf ein Anlagenereignis koordinieren. Ihr Nutzen hängt davon ab, dass sie Zugang zu Informationen haben, die nicht nur verfügbar, sondern auch korrekt miteinander verknüpft und ausreichend aktuell sind.

Ein Mitarbeiter, der einen Alarm sieht, ohne zu wissen, dass sich die Maschine im Wartungsmodus befindet, könnte eine unnötige Maßnahme einleiten. Ein Mitarbeiter, der eine veraltete Arbeitsanweisung liest, könnte ein Verfahren empfehlen, das nicht mehr zutrifft, während inkonsistente Anlagenkennungen dazu führen können, dass er den Verlauf der falschen Maschine abruft.

Je autonomer industrielle KI wird, desto höher werden die Kosten eines unzureichenden Kontextes. Ein Mensch kann oft erkennen, dass Informationen falsch erscheinen, weil sie im Widerspruch zu seinen Erfahrungen stehen; ein Agent hingegen führt möglicherweise mehrere Schritte selbstbewusst fort, solange die Datengrundlage und die Betriebsregeln die Inkonsistenz nicht sichtbar machen.

Aus diesem Grund wird die Bereitschaft zur Nutzung von Industriedaten zunehmend zu einer Frage des Vertrauens und nicht mehr nur des technischen Zugangs. Agente-basierte Systeme benötigen zuverlässige Produkt- und Betriebskontexte, bevor Unternehmen ihnen vertrauensvoll Handlungsbefugnisse übertragen können.

Beginnen Sie mit der Entscheidung, nicht mit dem Datensatz

Eine praktische Bereitschaftsbewertung beginnt mit der Auswahl der Entscheidung, die das Unternehmen verbessern möchte. Das Team sollte festlegen, wer diese Entscheidung derzeit trifft, welche Informationen dabei herangezogen werden, was ein korrektes Ergebnis ausmacht und was passiert, wenn die Entscheidung falsch ausfällt.

Erst dann sollte der Hersteller prüfen, ob die erforderlichen Daten vorliegen, ob eine Anbindung möglich ist und ob historische Beispiele repräsentativ sind. Dadurch wird der Unterschied zwischen einer echten Datenlücke und einer kontextbezogenen Lücke deutlich, die oft eher eine Dokumentation und Integration erfordert als einen weiteren Sensor.

Das Unternehmen benötigt zudem eine Ausgangsbasis. Wenn das Ziel darin besteht, ungeplante Ausfallzeiten zu reduzieren, sollte es vor der Einführung des Modells die aktuellen Ausfallzeiten, den Wartungsaufwand und die Fehlalarmquoten kennen. Ohne diesen Vergleich könnte ein KI-Pilotprojekt zwar technisch beeindruckend wirken, jedoch keine messbaren Verbesserungen im Betrieb bewirken.

Die erste Bereitstellung sollte so nah am Produktionsteam erfolgen, dass Fehler schnell untersucht werden können. Ingenieure und Betreiber müssen nachvollziehen können, wie das Modell zu seinem Ergebnis gelangt ist, falsche Annahmen hinterfragen und Änderungen im Prozess identifizieren können, die von der Datenpipeline nicht erfasst wurden.

Wenn sich der Anwendungsfall als wertvoll erweist, kann das Unternehmen dieselben Datenbeziehungen weiterverwenden, anstatt von vorne anzufangen. Auf diese Weise werden isolierte Industrieinformationen zu einer wiederverwendbaren Ressource.

Datenbereitschaft ist eine operative Fähigkeit

Fabriken wird oft geraten, ihre Daten vor der Einführung von KI zu bereinigen, als wäre die Vorbereitung ein Projekt, das abgeschlossen und beendet werden könnte. Industrielle Umgebungen bleiben jedoch nicht lange genug unverändert, als dass diese Sichtweise funktionieren könnte.

Es kommen neue Maschinen hinzu, Lieferanten wechseln, Produkte werden neu gestaltet und die Bediener finden bessere Wege, den Prozess zu steuern. Jede Änderung wirkt sich auf die Bedeutung oder Relevanz bestimmter Daten aus, was bedeutet, dass die Kontextualisierung, die Steuerung und die Qualitätskontrolle auch nach der Einführung des Modells in die Produktion fortgesetzt werden müssen.

Die Unternehmen, die am besten dafür gerüstet sind, industrielle KI in großem Maßstab einzusetzen, sind nicht unbedingt diejenigen mit den umfangreichsten historischen Datenbeständen. Es sind vielmehr jene, die wissen, woher ihre Betriebsdaten stammen, in welchem Zusammenhang diese mit dem physikalischen Prozess stehen und wer verantwortlich ist, wenn sich diese Zusammenhänge ändern.

Eine Fabrik ist erst dann bereit für KI, wenn ihre Daten eine Entscheidung stützen können, der die Ingenieure vertrauen – und nicht, wenn ein Dashboard anzeigt, dass Millionen von Datensätzen erfasst wurden. Solange die Signale nicht mit Maschinen, Materialien, Ereignissen und Ergebnissen verknüpft sind, verfügt das Unternehmen zwar über Daten in Hülle und Fülle, aber nur über wenig Wissen.