Beitrag von: M. Sc. Maximilian Lang

Der Beitrag Auswahl eines geeigneten Klebstoffs zum Fügen von Polymer- und Metallwerkstoffen erschien zuerst auf ProKI-Ilmenau.

Bei der Klassifizierung von Bauschutt spielt die hyperspektrale Bildgebung eine wichtige Rolle. Aufgrund der Vielfalt der darin enthaltenen Informationen sind Hyperspektraldaten besonders für die Klassifikation mittels Machine Learning (ML) geeignet. Die Erstellung umfangreicher hyperspektraler Datensätze ist aufwendig und zeitintensiv. Zudem sind bestimmte Bauschuttklassen weniger vertreten als andere. Für das Training von ML-Algorithmen können unterbesetzte Klassen und knappe Trainingsdaten zu einer Verringerung der Klassifikationsleistung führen.

Lösung

Um dieses Problem zu lösen, schlagen wir vor, eine Datenaugmentierung mit einem KI-basierten Ansatz einzusetzen. Im Hinblick auf den Verarbeitungsablauf bei der Klassifikation von Hyperspektraldaten und zur Verringerung der Komplexität wird eine Dimensionsreduzierung vor der Datensatzerweiterung durchgeführt. Beim vorgeschlagenen Ansatz wird ein Augmentierungsmodul (StyleGAN3) unter Verwendung der dimensionsreduzierten Hyperspektraldaten trainiert. Anschließend werden die synthetisch erzeugten und die originalen Daten für das Training des ML-Algorithmus verwendet. Auf diese Weise kann der vorhandene Datensatz erweitert und diversifiziert werden und die Detektionsleistung des ML-Algorithmus verbessert werden.

Vorteile für KMU

Die Vorteile für KMUs ergeben sich durch den Einsatz moderner KI-basierter Methoden zur Datenaugmentierung. Mit Hilfe der vorgeschlagenen Algorithmen können vorhandene Datensätze erweitert und vielfältiger gestaltet werden, ohne das neue Daten gesammelt werden müssen. Die Kosten für die Datenbeschaffung werden somit gesenkt.

Ihre Ansprechperson zur Testumgebung KI-basierte Augmentierung hyperspektraler Daten zur Unterstützung der Bauschuttklassifizierung:

Albrecht Heß Dipl.-Ing,
Fachgebiet Qualitätssicherung und Industrielle Bildverarbeitung
Telefon: +49 3677 69-3925
Mail: albrecht.hess@tu-ilmenau.de

Der Beitrag KI-basierte Augmentierung hyperspektraler Daten zur Unterstützung der Bauschuttklassifizierung erschien zuerst auf ProKI-Ilmenau.

Allgemeine Objekterkennung beschreibt die Fähigkeit, Objekte zu erkennen, die nicht in den Trainingsdaten enthalten sind. Ein typisches Beispiel ist ein assistierender Abfallsammelroboter, der auch bei unvollständigen oder deformierten Abfällen eine stabile Erkennungsrate aufweisen sollte. Es ist jedoch nahezu unmöglich, Trainingsdaten für alle derartigen Sonderfälle zu erstellen. Zudem basiert die Entscheidung, ob ein Objekt als Müll betrachtet und entsorgt werden sollte, in der Regel auf menschlichem Allgemeinwissen. Die implizite menschliche Logik lässt sich kaum durch feste Regeln vollständig auf alle Arten von Abfällen abbilden.

Lösung

Der Einsatz von VLMs anstelle herkömmlicher Vision Models (VM) ist bei solchen Aufgaben sinnvoll. Moderne große Sprachmodelle Language Models (LM) beherrschen nicht nur die Übersetzung zwischen menschlicher und maschineller Sprache, sondern haben durch umfangreiche Textdaten auch grundlegende menschliche Logik erlernt. Im Vergleich zur Verwendung von VMs in Kombination mit komplexen Regeln zur Mülldefinition, bietet der direkte Einsatz von VLMs eine effizientere und robustere Lösung. Unsere Experimente zeigen, dass VLMs zwar nicht alle Objekte perfekt in Abfall und Nicht-Abfall trennen, jedoch menschliche Logik zur robusteren Erkennung mit einbeziehen. Eine Flasche auf einem Tisch wird z.B. nicht als Abfall erkannt, während die gleiche Flasche auf dem Boden als Abfall erkannt wird.

Vorteile für KMU

Das VLM kann z.B. als Vorstufe für die allgemeine Abfallerkennung genutzt werden, ergänzt durch manuelle Regeln zur Abfallselektion. Zudem benötigt das VLM zunächst keine eigens gesammelten Trainingsdaten. VLMs könnten somit auch besonders für KMUs interessant sein, da sie out of the box zur Problemlösung herangezogen werden können. Oft stehen ohnehin nur kleine Trainingsdatensätze zur Verfügung und es erfolgt schließlich eine Überanpassung des trainierten Modells an den Datensatz. Mit Hilfe von Hochleistungsrechnern können wir an der TU-Ilmenau effizient mit VLMs arbeiten.

Ihre Ansprechperson zur Testumgebung Verwendung von Hochleistungsrechnen (High-Performance Computing) zur Ausführung großer Vision-Language-Modelle (VLM) für die allgemeine Abfallerkennung:

Albrecht Heß Dipl.-Ing,
Fachgebiet Qualitätssicherung und Industrielle Bildverarbeitung
Telefon: +49 3677 69-3925
Mail: albrecht.hess@tu-ilmenau.de

Der Beitrag Verwendung von Hochleistungsrechnen (High-Performance Computing) zur Ausführung großer Vision-Language-Modelle (VLM) für die allgemeine Abfallerkennung erschien zuerst auf ProKI-Ilmenau.

Die hier vorgestellten Management Take-Aways und Handlungsempfehlungen für die Einführung von KI-basierten Systemen (KIBSen) in der Produktion wurden anhand einer Studie abgeleitet, in der das Nutzungs- und Annahmeverhalten von KI-basierten Systemen (KIBSen) in der Produktion untersucht wurde. Die Kernergebnisse sind in einem separaten Blogbeitrag zu finden und der gesamte Studienbericht steht Ihnen hier als Download zur Verfügung. Gerne bieten wir Ihnen bei Interesse ein (Online-) Seminar an, in welchem die Kernergebnisse präsentiert werden und auf fallspezifische Fragen eingegangen wird.

Management Take-Aways

Aus den Ergebnissen der Studie geht hervor, dass nicht jedes KIBSe gleichermaßen von Nutzenden akzeptiert wird. Zudem nehmen Beschäftigte in Produktionsunternehmen KIBSe anders wahr. Daher ist es wichtig, das KI-Nutzungs- und Annahmeverhalten der Beschäftigten in der Produktion im eigenen Unternehmen bei der Gestaltung und Einführung von KIBSen zu berücksichtigen. Um das Erfolgspotenzial der Technologie ausschöpfen zu können und die Wertschöpfung im eigenen Unternehmen zu optimieren, gilt es folglich, die Innovations- und Geschäftsstrategie ganzheitlich auszurichten; in dem Sinne, dass sich diese nicht nur auf eine wirtschaftliche Optimierung der Wertschöpfung fokussiert, sondern sich gleichermaßen oder gar vermehrt an der Optimierung der menschlichen Wertschöpfung ausrichtet. Dabei empfehlen wir folgende Vorgehensweise und potenziell relevante Leitfragen (siehe Abbildung 1):

1. Erste Ausarbeitung und Definition der Einsatz- und Erfolgsmöglichkeiten von KIBSen im eigenen Unternehmen
   • In welchem Arbeitsbereich kann ein KIBS die Wertschöpfung optimieren?
   • Welche Auswirkungen hat die KI-Implementierung auf die menschliche Wertschöpfung bzw. die Beschäftigten in der Produktion?
   • Welche Daten liegen für die Erstellung eines KIBS vor? Sind die Daten bereits strukturiert, oder müssen sie noch aufgearbeitet werden?
   • Welche Ressourcen besitzt das Unternehmen für ein KI-Projekt (Zeit, Finanzen, Personal/Know-how)?
2. Durchführung einer Analyse der Beschäftigten in der Produktion
   • Was ist den Beschäftigten in der Produktion bei der Arbeit wichtig und wie arbeiten sie gerne
   • Gibt es spezielle Arbeitsbereiche, in denen sie sich Entlastung durch beispielsweise ein KIBS wünschen?
   • Wie wird die Arbeitsentlastung bzw. frei werdende Zeit genutzt? Lassen sich hieraus Benefits für die Beschäftigten in der Produktion generieren?
3. Spezifizierung des Designs und der Aufgaben eines KIBS in Anlehnung an die Ergebnisse der Analyse der Beschäftigten in der Produktion
   • Passt die Idee des KIBS zu den Bedürfnissen der Mitarbeitenden?
   • Erleichtert oder belastet das KIBS die Beschäftigten in der Produktion bei ihren Aufgaben?
4. Mögliche Iterationsschleifen und Neudefinitionen
5. Ausarbeitung eines KIBS, welches sich an einer Optimierung der menschlichen Wertschöpfung ausrichtet und die Beschäftigten in der Produktion erleichtert statt belastet
   • Kann ich diese Aufgaben inhouse lösen, oder werden externe Ressourcen benötigt?
   • Wo kann ich Unterstützung finden?
6. Ausarbeitung einer Changemanagement-Strategie, die die Einführung von KIBSen begleitet
   • Sensibilisierung: Informierung und Bewusstseinsschaffung der Beschäftigten in der Produktion über die anstehenden Veränderungen, um Ängste abzubauen und eine positive Einstellung gegenüber Veränderungen zu fördern; beispielsweise durch Workshops, Schulungen oder Informationsveranstaltungen
   • Informierung: Gezielte Bereitstellung von Informationen über die geplanten Änderungen und deren Auswirkungen auf die Arbeitsabläufe und -prozesse
   • Begleitung: Stetiges Anbieten von Unterstützung während des gesamten Implementierungsprozesses; beispielsweise durch kontinuierliche Schulungen, Feedbackrunden oder individuelle Beratungsgespräche

• Kontinuierliche Sicherstellung der Akzeptanz der KIBs bei den Mitarbeitenden
  • Gegebenenfalls Entwicklung von Maßnahmen zur Stärkung oder Wiederherstellung der Akzeptanz

Insgesamt zielt dieser Prozess darauf ab, eine reibungslose Einführung von KIBSen zu gewährleisten und die Annahmebereitschaft dieser Systeme bei den Beschäftigten in der Produktion zu fördern, um das volle Erfolgspotential ausschöpfen zu können. Dabei empfehlen wir den Menschen in dem gesamten Prozess nicht nur abzuholen, sondern von Beginn an miteinzubeziehen, um das Potenzial von KIBSen ganzheitlich auszuschöpfen.

Abbildung 1 Vorgehensweise einer menschenzentrierten Gestaltung und Einführung von KIBS

Verfasst von: M.A. Felipa Carrara

Der Beitrag Management Take-Aways und Handlungsempfehlungen des Studienberichtes über das Nutzungs- und Annahmeverhalten von KI- basierten Systemen in der Produktion erschien zuerst auf ProKI-Ilmenau.

Die hier vorgestellte Studie präsentiert eine wissenschaftliche Erhebung des Fachgebietes Innovationsmanagement, in der das Nutzungs- und Annahmeverhalten von KI-basierten Systemen (KIBSen) in der Produktion untersucht wurde. Dieses Thema ist für Wissenschaft und Praxis gleichermaßen von Relevanz, da das Erfolgspotential von KIBSen in starker Abhängigkeit zu dem Annahmeverhalten der Nutzenden steht. So kann aktuellen Studien zufolge beispielsweise eine Ablehnung von KIBSen nicht nur zu Fehlgebrauch, Missbrauch oder einer Nichtnutzung führen (Burton et al., 2020), sondern ebenso zu minderwertigen Entscheidungen (Berger et al., 2020), die negative betriebswirtschaftliche Folgen nach sich ziehen können.

Die Studie besteht aus zwei Teilen: (1) Einer Umfrage, in der das aktuelle Nutzungs- und Annahmeverhalten von KIBSen identifiziert wurde und (2) einem szenario-basierten Experiment, in der der Einfluss des menschlichen Erscheinungsbildes (Anthropomorphismus) eines KIBS auf die Annahmebereitschaft der Nutzenden untersucht wurde. Insgesamt haben 167 Mitarbeitende deutscher Produktionsunternehmen teilgenommen.

Im folgenden werden die Kernergebnisse der Studie unterteilt in Arbeitsgruppen präsentiert, nämlich Produktionsleitung, Abteilungs- und Schichtleitung, Beschäftigte ohne Leitungsfunktion.

Hier können Sie sich den gesamten Studienbericht herunterladen. Gerne bieten wir Ihnen bei Interesse ein (Online-) Seminar an, in welchem die Kernergebnisse präsentiert werden und auf fallspezifische Fragen eingegangen wird.

Kernergebnisse der Umfrage

Aktuelle Nutzung von KIBsen

• Aktuelle regelmäßige Nutzung liegt bei 27 Prozent
• Aktuelle mäßige Nutzung liegt bei 23 Prozent
• Aktuelle Nichtnutzung liegt bei 50 Prozent

Abbildung 1: Aktuelle Nutzung von KIBsen

Die Nutzung nimmt mit hierarchischem Status zu

• 44 % der Beschäftigten ohne Leitungsfunktion verwenden mäßig/ regelmäßig KIBSe
• 61 % der Abteilungs- & Schichtleitung verwendet mäßig/ regelmäßig KIBSe
• 64 % der Produktionsleitung verwendet mäßig / regelmäßig KIBSe, vor allem, um Zeit zu sparen

Abbildung 2: Aktuelle Nutzung von KIBSen nach Tätigkeitsbereich

Wichtigkeiten am Arbeitsplatz

• Mehrheitlich hohe Lernbegierde bei allen Arbeitsgruppen
• Routiniertes Arbeit ist allein Beschäftigten ohne Leitungsfunktion wichtig
• Spaß bei der Arbeit, ein sicherer Arbeitsplatz und das Arbeiten für ein innovatives Unternehmen allen Arbeitsgruppen wichtig

Abbildung 3: Wichtigkeiten am Arbeitsplatz

Zufriedenheit über die Beschaffenheit am Arbeitsplatz

• Abteilungs- und Schichtleitung sind tendenziell am zufriedensten mit der Ausstattung der Maschinenfuhrparks und dem Anwenden der Maschinen
• Produktionsleitung ist am meisten davon überzeugt besser arbeiten zu können, wenn die Maschinen optimiert werden

Abbildung 4: Zufriedenheit über die Beschaffenheit am Arbeitsplatz

Wahrnehmung von innerbetrieblichen Veränderungen Vertrauen in die Kompetenz der Organisation

• Abwehr gegenüber betrieblichen Veränderungen ist in allen Arbeitsgruppen tendenziell gering
• Produktionsleitung wehrt sich am ehesten gegen innerbetriebliche Veränderungen

Abbildung 5: Abwehrhaltung gegenüber betrieblichen Veränderungen

Vertrauen in die Kompetenz der Organisation

• Das Vertrauen in die Kompetenz der Organisation ist tendenziell zurückhaltend
• Ein Misstrauen ist nicht zu erkennen

Abbildung 6: Vertrauen in die Kompetenz der Organisation

Einstellungsverhalten gegenüber KIBsen allgemein

• Beschäftigte ohne Leitungsfunktion sind am wenigsten davon überzeugt, dass KIBSe mehr Vor- als Nachteile hat
• Beschäftigte in der Produktionsleitung sind eher davon überzeugt, dass KIBSe allgemein gesprochen das Leben erleichtert

Abbildung 7: Meinungsbild gegenüber KIBSe

Angst von Maschinen beherrscht zu werden

• Beschäftigte ohne Leitungsfunktion haben vermehrt Angst von Maschinen beherrscht zu werden

Abbildung 8: Einschätzung gegenüber KIBSe

Annahmeverhalten von KIBSen

• Keine erkennbar starke Abneigung ggü. KIBSe
• Produktionsleitung bevorzugt am meisten menschliche ggü. KI-basierter Ratschläge

Abbildung 9: Annahmeverhalten von KIBsen

Gefühle bei Einführung von KIBSen

• In allen Arbeitsgruppen mehrheitlich wenig erkennbar negative Gefühle bei der Einführung von KIBS
• Vor allem Angestellte mit Leitungsfunktion prognostizieren tendenziell eine Steigerung der Arbeitszufriedenheit 

Abbildung 10: Gefühle bei Einführung von KIBsen

Kernergebnisse des szenario-basierten Experiments

• Einfluss des menschlichen Erscheinungsbilds des KIBS (unabhängige Variable) auf die Annahmebereitschaft des Systems (abhängige Variable)
• Es liegt kein signifikanter Unterschied vor zwischen dem Erscheinungsbild und der Annahmebereitschaft der Nutzenden
• Eine Roboter-KI in Form eines kollaborativen Roboters verfügt über eine höhere Annahmebereitschaft als virtielle KI in Form eines Chatbots und einer integrierten KI, die in einer Maschine eingebaut und nicht sichtbar ist

Abbildung 11: Annahmebereitschaft KIBSe.

Zusammenfassung der Kernergebnisse

Auch wenn in Anlehnung an die Studienergebnisse die Hälfte der Beschäftigten in der Produktion keine KIBSen am Arbeitsplatz verwendet, liegt nur eine geringe Abwehrhaltung gegenüber innerbetrieblichen Veränderungen vor und eine mehrheitliche Überzeugung, dass KIBSe viele Vorteile haben. Zudem arbeiten viele der Befragten gerne für innovative Unternehmen und weisen ein hohes Maß an Lernbegierde auf. Folglich kann davon ausgegangen werden, dass tendenziell eine Wertschätzung gegenüber KIBSen vorliegt und Beschäftigte in der Produktion gegenüber der Einführung und Verwendung von KIBSen am Arbeitsplatz vorwiegend offen sind. Diese Annahme wird ebenso durch die neutrale bis positive Gefühlslage bestätigt, die mit der Einführung von KIBSen einhergeht. Anhand der Studie ist zu erkennen, dass sich Beschäftigte in der Produktion weder erkennbar ängstlich noch minderwertig oder gar nutzlos hinsichtlich der Einführung von KIBSen fühlen. Vielmehr gaben einige der Studienteilnehmenden an, dass die Einführung von KIBSen mit einer Steigerung der Arbeitszufriedenheit einhergehe. Auch wenn die Diskussion und die mediale Aufmerksamkeit über mögliche Jobverluste durch die Einführung von KIBSen sehr präsent ist und vor allem Deutsche sich um ihren Arbeitsplatz sorgen (Boston Consulting Group, 2024), so scheint diese Befürchtung unter den Beschäftigten in der Produktion wenig verbreitet zu sein.

Dennoch wird nicht jedes KIBSe von Nutzenden gleichermaßen akzeptiert. Zudem nehmen Beschäftigte in Produktionsunternehmen KIBSe anders wahr.  Es ist wichtig, das KI-Nutzungs- und Annahmeverhalten der Beschäftigten in der Produktion im eigenen Unternehmen bei der Gestaltung und Einführung von KIBSen zu berücksichtigen. Um das Erfolgspotenzial der Technologie ausschöpfen zu können und die Wertschöpfung im eigenen Unternehmen zu optimieren, gilt es, die Innovations- und Geschäftsstrategie ganzheitlich auszurichten; in dem Sinne, dass sich diese nicht nur auf eine wirtschaftliche Optimierung der Wertschöpfung fokussiert, sondern sich gleichermaßen oder gar vermehrt an der Optimierung der menschlichen Wertschöpfung ausrichtet. Management Take-Aways und Handlungsempfehlungen werden kommende Woche in einem weiteren Blogbeitrag erläutert.

Bleiben Sie dran!

Quellen

Berger, Benedikt; Adam, Martin; Rühr, Alexander; Benlian, Alexander (2021): Watch Me Improve—Algorithm Aversion and Demonstrating the Ability to Learn. In: Business & Information Systems Engineering 63 (1), S. 55–68. DOI: 10.1007/s12599-020-00678-5.

Burton, Jason W.; Stein, Mari‐Klara; Jensen, Tina Blegind (2020): A systematic review of algorithm aversion in augmented decision making. In: Journal of Behavioral Decision Making 33 (2), S. 220–239. DOI: 10.1002/bdm.2155.

Lindenberger, S. (2024): Deutsche fürchten mehr als alle anderen, dass KI ihre Jobs wegnimmt. Boston Constulting Group, verfügbar unter: https://www.msn.com/de-de/finanzen/top-stories/ki-studie-der-boston-consulting-group-vor-allem-deutsche-f%C3%BCrchten-dass-ki-ihre-jobs-wegnimmt/ar-BB1oUXLf?item=module_ad_enabled%3Afalse (Abgerufen am, 19.11.2024).

Verfasst von: M.A. Felipa Carrara

Der Beitrag Insights und Key Take-Aways des Studienberichtes über das Nutzungs- und Annahmeverhalten von KI- basierten Systemen in der Produktion erschien zuerst auf ProKI-Ilmenau.

Sie haben die Möglichkeit den Projektatlas unter diesem Link kostenfrei runterzuladen.

Der Projektatlas wird in den Fördermaßnahmen „Demonstrations- und Transfernetzwerk KI in der Produktion (ProKI-Netz)“ und „Lernende Produktionstechnik – Einsatz künstlicher Intelligenz (KI) in der Produktion (ProLern)“ durch das Bundesministerium für Bildung und Forschung (BMBF) im Programm „Zukunft der Wertschöpfung – Forschung zu Produktion, Dienstleistung und Arbeit“ gefördert und vom Projektträger Karlsruhe (PTKA) betreut.

Der Beitrag Projektatlas: Künstliche Intelligenz in der Produktion erschien zuerst auf ProKI-Ilmenau.

1. Unklare Ziele und Erwartungen
   Ein häufiger Fehler bei KI-Projekten ist das Fehlen klarer und messbarer Ziele. Unternehmen starten oft KI-Initiativen ohne eine präzise Definition dessen, was sie erreichen wollen. Dies führt zu unrealistischen Erwartungen und letztlich zu Enttäuschungen, wenn die KI nicht die gewünschten Ergebnisse liefert.
   → Empfehlung: Setzen Sie sich klare, realistische und messbare Ziele bei der Implementierung von KI in Ihrem Unternehmen.
2. Fehlende Fachkenntnisse
   Ein Mangel an qualifiziertem Personal mit den notwendigen Fähigkeiten in Data Science, Maschinellem Lernen und KI kann Projekte erheblich behindern. Es kann schwierig sein, die richtigen Talente zu rekrutieren und zu halten. Ohne die richtige Expertise im Team sind Unternehmen oft nicht in der Lage, KI-Projekte erfolgreich umzusetzen.
   → Empfehlung: Bilden Sie Ihre Mitarbeitenden kontinuierlich weiter und fördern Sie die Rekrutierung von Fachkräften mit den notwendigen Qualifikationen.
   
3. Organisatorische Widerstände
   Veränderungen durch KI können auf Widerstand innerhalb der Organisation stoßen, insbesondere wenn Mitarbeitende um Ihre Arbeitsplätze fürchten. Eine fehlende Akzeptanz und Unterstützung auf Führungsebene können ebenfalls zum Scheitern beitragen. Es ist wichtig, eine Kultur der Offenheit und des Wandels zu fördern, um den Erfolg von KI-Initiativen zu gewährleisten.
   → Empfehlung: Setzen Sie auf eine offene und transparente Kommunikation mithilfe einer Change-Management-Strategie, mit der Sie die Akzeptanz und Unterstützung für KI-Initiativen innerhalb der Organisation fördern.
4. Fehlende Infrastruktur und Ressourcen
   Unternehmen benötigen eine geeignete Infrastruktur, um KI-Projekte zu unterstützen, einschließlich Datenbanken, Server und Netzwerke. Budgetbeschränkungen und mangelnde Investitionen in notwendige Ressourcen können ein Projekt behindern. Ohne die richtigen Werkzeuge und Plattformen ist es schwierig, KI erfolgreich zu implementieren.
   → Empfehlung: Erstellen Sie einen Investitionsplan, der die benötigten Ressourcen und Komponenten identifiziert und priorisiert. Suchen Sie nach externen Finanzierungs- oder Fördermöglichkeiten, wenn nötig. Investieren Sie in eine skalierbare und leistungsstarke IT-Infrastruktur, die für die Anforderungen von KI-Projekten ausgelegt ist.
   
5. Unzureichende Berücksichtigung ethischer und rechtlicher Aspekte
   Ethische Bedenken und rechtliche Anforderungen im Umgang mit Daten und bei der Implementierung von KI müssen sorgfältig beachtet werden. Nichtbeachtung dieser Aspekte kann zu rechtlichen Problemen und einem Verlust des Vertrauens der Kunden führen. Unternehmen müssen sicherstellen, dass Ihre KI-Projekte den gesetzlichen Vorgaben entsprechen und ethisch vertretbar sind.
   → Empfehlung: Informieren Sie sich über Richtlinien bezüglich Datenschutzes und anderen ethischen und rechtlichen Richtlinien für den Umgang mit Daten und den Einsatz von KI. Führen Sie regelmäßig Audits durch, um diese Richtlinien zu gewährleisten.
6. Kontinuierliche Anpassung und Wartung
   KI-Modelle müssen kontinuierlich überwacht, gewartet und an neue Daten und Anforderungen angepasst werden. Ein Versäumnis, diese laufende Pflege zu gewährleisten, kann dazu führen, dass Modelle mit der Zeit an Genauigkeit und Nutzen verlieren.
   → Empfehlung: Integrieren Sie die Pflege und Weiterentwicklung des KI-Systems in Ihre Unternehmensstrukturen und -abläufe.

Fazit

Die Implementierung von KI in Unternehmen ist eine komplexe Herausforderung, die sorgfältige Planung, die richtige Infrastruktur, qualifiziertes Personal und eine unterstützende Unternehmenskultur erfordert. Durch die Berücksichtigung und proaktive Bewältigung der genannten Herausforderungen können Unternehmen die Erfolgschancen Ihrer KI-Projekte erheblich verbessern. KI hat das Potenzial, erhebliche Vorteile zu bringen, aber nur, wenn die Projekte richtig angegangen und umgesetzt werden.

Sie planen, ein KI-Projekt in Ihren Produktionsprozess zu integrieren? Melden Sie sich zu unserer kostenfreien, wöchentlichen Sprechstunde an und profitieren Sie von unserer Expertise! Alternativ können Sie auch mit unserem KI-Check ein individuelles Gespräch mit uns vorbereiten – einfach die Maske ausfüllen, das ProKI-Team meldet sich anschließend bei Ihnen.

Verfasst von: Linh Nguyen

Quelle: Bitkom. (2023, September 14). Künstliche Intelligenz – Wo steht die deutsche Wirtschaft? https://www.bitkom.org/sites/main/files/2023-09/bitkom-charts-ki-im-unternehmen.pdf (zugegriffen: 24.07.2024)

Der Beitrag Woran scheitern KI-Projekte in Unternehmen? erschien zuerst auf ProKI-Ilmenau.

Der Kurs „Deep Learning“ von Dominik Walther vermittelte den Gästen die Grundlagen von Deep Learning. Die Teilnehmenden implementierten selbstständig ein Deep Learning Projekt von der Datenanalyse bis zum fertig trainierten Model.

Als Aufgabe diente hierfür die automatisierte Erkennung von Nahtunregelmäßigkeiten beim Laserstrahlschweißen. Als Daten wurden die Aufzeichnungen einer langwelligen Infrarotkamera für die Analyse verwendet.
Während des Kurses wurde auf verschiedene wichtige Aspekte hingewiesen und deren Effekte während der Implementierung verdeutlicht. Der Mix aus Präsentation und Implementierung diente dazu, den Übergang von der Theorie zur Praxis zu vereinfachen und wichtige Konzepte anschaulich zu vermitteln.
So konnten die Teilnehmenden im Laufe des Kurses ein Faltungsnetzwerk implementieren, trainieren und anschließend optimieren.
Den Abschluss bildete eine Evaluation des Netzwerkes durch verschiedene Metriken wie Precision und Recall und das Aufzeigen, warum Genauigkeit nicht immer eine geeignete Metrik für die Bewertung ist.

Im Workshop „KI in der Schweißtechnik“ von Kai Ehlich erhielten die Teilnehmenden einen umfassenden Einblick in die Anwendung von Künstlicher Intelligenz (KI) und Machine Learning (ML) in der Schweißtechnik.

Zu Beginn wurde eine fundierte Einführung in die Grundlagen von KI und ML gegeben, wobei der Fokus auf deren potenziellem Nutzen in der Schweißtechnik lag.
Ein zentrales Thema war die Bedeutung von Datenakquise und Datenqualität. Es wurde gezeigt, wie qualitativ hochwertige Daten erhoben werden können, um  robuste KI-Modelle zu entwickeln. Im nächsten Schritt wurde das Feature Engineering beleuchtet, also die Frage, welche Informationen und Merkmale für die Modellierung besonders relevant sind. Der Workshop beinhaltete verschiedene Use Cases, die zeigten, wie KI in der Schweißtechnik bereits erfolgreich eingesetzt wird. In einem Hands-On konnten die Teilnehmenden ihr Wissen anhand einer Übungsaufgabe anwenden und vertiefen. Besonders interessant war die Modellierung von KI am Beispiel des FSSW (Friction Stir Spot Welding), das den Anwendungsbezug verdeutlichte.
Insgesamt bot der Workshop eine wertvolle Kombination aus Theorie und Praxis, die den Teilnehmenden ein tieferes Verständnis für den Einsatz von KI in der Schweißtechnik vermittelte.

Wir bedanken uns bei allen Beteiligten für die tolle Zeit und den intensiven Austausch.

Verfasst von: M.Sc. Dominik Walther, M.Sc. Kai Ehlich, Linh Nguyen

Der Beitrag Internationaler Wissensaustausch mit SME2KE erschien zuerst auf ProKI-Ilmenau.

Die Fachgebiete Kunststofftechnik, Innovationsmanagement sowie Qualitätssicherung und Industrielle Bildverarbeitung sind Teil der Initiative ProKI und boten Einblicke in die Ergebnisse der Forschungsprojekte mit dem Fokus auf KI-Anwendungen. Maximilian Lang vom Fachgebiet Kunststofftechnik zeigte wie statistische Versuchsplanung und maschinelle Lernmethoden genutzt werden können, um Spritzgießprozesse hinsichtlich Zykluszeiten und Energieeinsatz zu optimieren. Gleichzeitig wurde ein Forschungsprojekt vorgestellt, in dem diese Methoden beim Erstellen eines KI-gestützten Produkt-Prozess-Qualitätsregelkreises für Spritzgießbauteile angewendet werden. Das Fachgebiet Innovationsmanagement führte eine umfangreiche Studie zur KI-Adaption von Mitarbeitern in der Produktion durch. Jannik Hahn aus dem Fachgebiet Innovationsmanagement präsentierte die Ergebnisse dieser Studie und zeigte, dass die Hürden, KI in die Produktion einzubeziehen, vielseitig sind und mitunter durch subjektive und nicht fundierte Annahmen vergrößert werden. Eine der größten Herausforderungen, die sich anhand der Studienergebnissen abzeichnet, ist es, Vertrauen in die Technologie zu schaffen und die Vorteile, die ein KI-System mit sich bringt, klar und nachvollziehbar zu kommunizieren. Albrecht Heß vom Fachgebiet Qualitätssicherung und Industrielle Bildverarbeitung präsentierte eine Anwendung, bei der maschinelle Lernmethoden genutzt werden, um eine multispektrale Erkennung von Kunststoffen bei Rücknahmesystemen für das Recycling zu ermöglichen. Diese kann dazu genutzt werden, Kunststoffabfälle sortenrein zu trennen und deren Recycling zu ermöglichen.

Neben den wissenschaftlichen Mitarbeitern der TU Ilmenau waren auch Gastredner Teil des Programms. Dazu gehörte Dr. Daniel Weck von der TU Dresden. Dr. Weck arbeitet an einem Projekt, das die Potentiale von Augmented Reality (AR) für Produktionsanlagen in der Kunststoff- und Composite-Industrie untersucht. Er präsentierte den Teilnehmern erste Beispiele in denen AR genutzt wird, um Mitarbeiter für die Arbeit an einer Maschine anzulernen oder den Status einer Maschine in Echtzeit zu überwachen. Die Nutzung der AR-Umgebung schafft ein Umfeld, in dem Mitarbeiter aufgrund aktiver Betätigungen effizienter geschult werden und gleichzeitig Vertrauen in die verwendete Technologie aufbauen. Ein weiterer Gastredner war Dr. Martin Juhrisch von der Symate GmbH. Die Symate GmbH bietet KI und Datenmanagementsysteme für den Spritzguss an, die dazu dienen die Gesamtlageneffektivität (OEE) und die Bauteilqualität nachhaltig zu verbessern. Dr. Juhrisch ist federführend bei der Entwicklung dieser Systeme und zeigte anhand von Beispielen aus Industrieanwendungen, deren Einsatzmöglichkeiten, Funktionsweise und den Mehrwert, der sich für das Unternehmen ergibt, auf.

Zum Abschluss der Veranstaltung nahmen alle Anwesenden an einem World Café zu den Themen KI und AR teil. Hier hatten die Vertreter der Unternehmen die Möglichkeit ihre Sichtweise bezüglich der Einsatzmöglichkeiten und der Hürden für KI sowie AR darzustellen. Für die Mitarbeiter von ProKI-Ilmenau ist es wichtig sich regelmäßig mit der Sichtweise der Anwender auseinander zu setzen, um sinnvolle Forschungsschwerpunkte zu präzisieren und einen Transfer der Forschungsergebnisse in die Industrie zu ermöglichen.

Das Teilnehmerfeedback der ProKI-Thementour fiel durchweg positiv aus. Da die Industrievertreter großes Interesse am Einsatz von KI-Systemen in der Produktion zeigen, bietet ProKI-Ilmenau weiterhin Schulungsangebote an, die die Integration dieser Systeme erleichtern. Wir bedanken uns bei der Wilhelm-Plastic GmbH & Co. KG (Floh-Seligenthal), der Kunststoff Helmbrechts AG (Helmbrechts) sowie dem Thüringischen Institut für Textil- und Kunststoff-Forschung Rudolstadt (Rudolstadt) für das Bereitstellen der Räumlichkeiten.

Verfasst von: M.Sc. Maximilian Lang

Der Beitrag ProKI-Ilmenau veranstaltet Thementour für Kunststoffverarbeiter erschien zuerst auf ProKI-Ilmenau.

Für eine erfolgreiche Anwendung von Künstlicher Intelligenz (KI) in der Schweißtechnik müssen zunächst umfangreiche Datensätze aufgebaut, validiert und präzise gelabelt werden. Beim Labeln geht es darum, spezifische Qualitätskenngrößen, wie beispielsweise die Zugfestigkeit oder das A-Maß, den entsprechenden Prozessdaten zuzuordnen. Dieser Schritt stellt eine besondere Herausforderung dar, da es in der Datenaufnahme und Sensorfusion zu Problemen wie unterschiedlichen Sampleraten, fehlender Zeitsynchronität, sowie Schwierigkeiten bei der Datenfusion und beim Labeling der Sensordaten kommen kann.

Die Kombination aus spezialisierter Sensorik, Qualitätsprüfmethoden, Datenloggern, Datenbankinfrastruktur und der notwendigen fachkundigen Überwachung und Durchführung ist im laufenden Produktionsbetrieb meist nur aufwändig zu realisieren. Ein weiteres Hindernis zu Projektbeginn ist die Unsicherheit darüber, welche physikalischen Wirkzusammenhänge und damit welche Sensordaten die besten Vorhersagen zu den gewünschten Qualitätskenngrößen liefern.

In dieser Hinsicht bietet die Testumgebung „Schweißtechnik“ von ProKI-Ilmenau Unternehmen signifikante Vorteile, insbesondere für Verfahren wie das Lichtbogen(additiv)schweißen, Rührreib(punkt)schweißen, Laserstahlschweißen, Ultraschallschweißen und Widerstandspunktschweißen, sowie verwandte Verfahren.

Lösung

Mithilfe der Testumgebung Schweißtechnik ist folgendes für KMU möglich:

Diese Umgebung ermöglicht es, Machbarkeitsstudien zu bestehenden Ideen zu erstellen, wodurch Unternehmen den Umsetzungsaufwand besser abschätzen und mögliche Fallstricke frühzeitig erkennen können. Zudem wird die Identifikation von physikalischen Wirkzusammenhängen in Schweißprozessen erleichtert, deren Einfluss auf die Qualitätskenngrößen untersucht und die Verwertbarkeit für KI-Anwendungen bewertet.

Die Testumgebung bietet darüber hinaus die Möglichkeit einer zeitsynchronen Datenerfassung und -vorverarbeitung, unterstützt durch die genaue Kenntnis der internen Messlatenzen der installierten Sensorik. Auch die Validierung bestehender Datensätze kann in dieser Umgebung effizient durchgeführt werden. In Kooperation mit dem Thüringer Rechenzentrum ermöglicht der Zugang zu leistungsfähigen Rechenclustern die echtzeitnahe Verarbeitung komplexer Datenbestände, was für die Anforderungsabschätzung und spätere Anwendung im Produktionsbetrieb von großem Nutzen ist. Zudem ist es möglich, Datensätze mit Ergebnissen aus umfangreichen zerstörenden Prüfverfahren zu verknüpfen.

Vorteile für KMU

Für kleine und mittelständische Unternehmen (KMU) bietet diese Testumgebung zahlreiche Vorteile: Maschinenkapazitäten können freigehalten werden, während Machbarkeitsstudien außerhalb des Produktionsbetriebs durchgeführt werden können, um den Aufwand für die tatsächliche Implementierung in der Produktion sowie die notwendigen Datenmengen besser abschätzen zu können. Die räumliche Nähe und Verfügbarkeit von nicht in Fertigungsprozesse eingebundenen Sensor- und Prüfvorrichtungen ist ein weiterer Pluspunkt. Fachpersonal steht zur Prozesskontrolle bereit und unterstützt den oft iterativen Prozess der Datenvor- und Weiterverarbeitung. Zusätzlich bietet die Testumgebung Möglichkeiten, komplexe Prozessdiagnostik bei unvorhergesehenen Effekten einzusetzen und die Simulation von Grenzbedingungen für Sensorik, Datenpipeline und Qualitätsprognose zu erleichtern. Dies ermöglicht eine fundierte Bewertung der Robustheit der KI-Anwendung, bevor diese in den produktiven Einsatz überführt wird.

Ihre Ansprechperson zum Thema Testumgebung Schweißtechnik:

Kai Ehlich, M. Sc.
Fachgebiet Fertigungstechnik
Telefon: +49 (0) 3677 – 69 3867
Mail: kai.ehlich@tu-ilmenau.de

Der Beitrag Schweißtechnik erschien zuerst auf ProKI-Ilmenau.