KI ist in vielen Bereichen bereits selbstverständlich, in der industriellen Qualitätssicherung steht ihre breite Nutzung dagegen noch am Anfang. Die Experten der Podiumsdiskussion unterscheiden dabei deutlich zwischen allgemeinen Anwendungen und technisch anspruchsvollen Prozessen. Während KI etwa bei Geschäftsprozessen bereits erhebliche Effizienzgewinne ermöglicht, stellen Qualitätssicherung, Messtechnik und visuelle Inspektion höhere Anforderungen an Daten, Validierung und Rückführbarkeit. Ein zentrales Problem ist die Datenbasis. Für viele industrielle Anwendungen fehlen historische Daten oder sie liegen nicht in einer ausreichend strukturierten Form vor. Ohne geeignete Daten lässt sich ein KI-Modell nur eingeschränkt trainieren und validieren. Gleichzeitig steigt der praktische Nutzen insbesondere dort, wo große Datenmengen ausgewertet, Muster erkannt oder bislang manuell durchgeführte Prüfungen automatisiert werden können. Gerade in der visuellen Inspektion entstehen dadurch neue Möglichkeiten für Segmentierung, Klassifizierung und Anomalieerkennung.
Effizienzgewinne in unterschiedlichen Bereichen
Die Einsatzfelder der KI sind bereits vielfältig. In der Messtechnik kommen Machine-Learning-Verfahren unter anderem für statistische Auswertungen und die Berechnung von Fähigkeitskennwerten zum Einsatz. Ein weiterer Ansatz ist die Verknüpfung von Prozess- und Qualitätsdaten. Werden Messmerkmale mit den zugehörigen Maschinenparametern kombiniert, können Korrelationen erkannt und daraus Rückschlüsse auf Prozesse gezogen werden. Perspektivisch könnte sich dadurch der Messaufwand reduzieren, etwa bei Stichproben oder Prüfintervallen. Auch bei Robotik und visueller Prüfung wird KI bereits genutzt. In der Software können Roboterfahrpläne optimiert und Programmieraufwände reduziert werden. Bei der Bildverarbeitung geht es zunehmend um Segmentierung, Klassifizierung und die automatische Erkennung von Fehlern und Oberflächenabweichungen. Anwender interessieren sich dabei besonders für Systeme, mit denen sich bisher manuell ausgeführte Prüfungen automatisieren lassen. Ein weiteres Einsatzfeld liegt in Auditierung und Qualitätsmanagement. KI kann vorhandenes Unternehmenswissen nutzen, um Maßnahmen vorzuschlagen oder umfangreiche Auditberichte zusammenzufassen. Damit geht es zunächst weniger um spektakuläre autonome Systeme als um konkrete Produktivitätsgewinne. Ein langfristiger Ansatz ist die Nutzung des unternehmensweiten Wissens, um beispielsweise wiederkehrende Aufgaben effizienter zu bearbeiten. OptoMedias ultrakompaktes Mini SFF bringt zuverlässige, schnelle Glasfaserverbindungen in Industriekameras der nächsten Generation. ‣ weiterlesen
Fiber Mini SFF für GigE Vision
Mensch bleibt Teil der Bewertung
Trotz der Fortschritte besteht Konsens darüber, dass KI-Ergebnisse in der Qualitätssicherung weiterhin überprüft werden müssen. Gerade bei probabilistischen Verfahren lässt sich eine hundertprozentige Sicherheit nicht garantieren. Die Experten sehen deshalb den Menschen zumindest heute noch als wichtigen Bestandteil des Prüfprozesses. Das gilt besonders dort, wo Fehler gravierende Folgen haben können. Dabei ist die Fehlersituation vergleichbar mit klassischen menschlichen Prüfprozessen. Auch Menschen machen Fehler. Entscheidend ist deshalb die Gestaltung des Prozesses. Das Vier-Augen-Prinzip lässt sich ebenso auf KI übertragen, indem Ergebnisse beispielsweise durch eine zweite Instanz oder ein weiteres Modell geprüft werden. Welche Prüftiefe erforderlich ist, hängt vom jeweiligen Risiko ab. Bei besonders kritischen Anwendungen sind zusätzliche Kontrollen notwendig. Besondere Bedeutung hat die Rückführbarkeit in der Messtechnik. KI kann Bilder verbessern und Ergebnisse optisch plausibler erscheinen lassen, ohne die Messung tatsächlich genauer zu machen. Gerade bei Computertomografie besteht die Gefahr, dass ein KI-Verfahren Artefakte korrigiert oder Bilder verbessert, dabei aber relevante Informationen verändert. Für eine qualifizierte Messung muss daher sichergestellt werden, dass das Ergebnis weiterhin korrekt und rückführbar bleibt.
Daten sind die Grundlage
Eine wesentliche Voraussetzung für den erfolgreichen KI-Einsatz ist eine strukturierte Datenbasis. Viele industrielle Anwendungen verfügen noch nicht über ausreichend historische Daten, um Modelle zuverlässig zu trainieren. Gleichzeitig reichen große Datenmengen allein nicht aus. Die Informationen müssen so strukturiert sein, dass sie im richtigen Kontext interpretiert werden können. Die Experten betonen deshalb, dass Unternehmen ihre Daten möglichst früh strukturiert erfassen sollten. Unstrukturierte Informationen erschweren Training und Auswertung erheblich. Entsprechend wird die Qualität der Daten zu einem entscheidenden Erfolgsfaktor. Wer seine Datenbestände systematisch aufbaut, schafft zugleich die Grundlage für spätere KI-Anwendungen. Hinzu kommt die Frage der Verfügbarkeit sensibler Daten. Zeichnungen, CAD-Daten oder Produktionsinformationen stehen externen Dienstleistern häufig nicht in ausreichendem Umfang zur Verfügung. Deshalb werden zunehmend lokale Trainingsansätze verfolgt. Unternehmen trainieren Modelle auf eigenen Daten innerhalb der eigenen Infrastruktur, sodass sensible Informationen das Unternehmen nicht verlassen. Gerade für größere Firmen bietet dieses Vorgehen Vorteile bei Datenschutz und Datensicherheit.
