So entwickeln Sie eine KI für die Ursachenanalyse in der Produktion

Zwei Entwickler sitzen am Computer und besprechen die Entwicklung einer KI für die Ursachenanalyse in der Produktion

Die Ursachenanalyse mit KI ist ein neuer Ansatz, mit dem Unternehmen Problemen in ihrer Produktion auf den Grund gehen und diese nachhaltig abstellen können. Damit können etwa ungeplante Stillstandszeiten vermieden und Qualitätsmängel bei hergestellten Produkten reduziert werden.

Im Artikel Ursachenanalyse mit KI in der Produktion sind wir bereits auf die Chancen eingegangen, die KI für die Ursachenanalyse in der Produktion bietet, und haben die 4 Phasen des kontinuierlichen Verbesserungsprozesses beschrieben.

In diesem Artikel möchten wir näher darauf eingehen, wie die Arbeitsabläufe bei einem KI-basierten RCA-Projekt (“Root Cause Analysis”) aussehen.


KI für die Ursachenanalyse entwickeln

Das Fraunhofer IAIS skizziert in seinem Whitepaper KI-basierte Root-Cause-Analyse: Verstehen und Optimieren von Produktionsprozessen Arbeitsabläufe, mit denen eine KI für die Ursachenanalyse in der Produktion entwickelt werden kann. Die interdisziplinäre Zusammenarbeit zwischen Anwendungsexpert:innen und Data Scientists wird dabei als Schlüsselfaktor für den Projekterfolg betrachtet, weil Data Scientists alleine nicht das Prozessverständnis mitbringen, um ihre Datenergebnisse geeignet interpretieren zu können.

Der prototypische Ablauf eines RCA-Projektes sieht folgendermaßen aus:

  1. Die Anwendungsexpert:innen definieren das Zielereignis, für das Ursachen ermittelt werden sollen. Im Regelfall geht es darum, ein Fehlerereignis besser zu verstehen. Zudem können weitere Randbedingungen festgesetzt werden, unter denen das Zielereignis betrachtet werden soll.
  2. Für das Zielereignis führen Anwendungsexpert:innen eine initiale Ursachenanalyse mit klassischen RCA-Methoden durch. Das Ergebnis sind erste Hypothesen über Wirkzusammenhänge und mögliche Ursachen.
  3. Die Data Scientists überprüfen anhand der Daten die Plausibilität der formulierten Hypothesen. Dabei untersuchen sie, unter welchen Bedingungen eine Hypothese gültig ist, und welche störenden Einflüsse zu einer Abweichung vom erwarteten Verhalten führen. Methodisch nutzen sie dafür sogenannte interpretierbare KI-Modelle (Explainable AI). Auf Basis ihrer Erkenntnisse schärfen die Data Scientists die untersuchten Hypothesen und schlagen neue vor. Zudem bereiten sie ihre Ergebnisse so auf, dass sie für die Anwendungsexpert:innen verständlich sind.
  4. In einem gemeinsamen Review interpretieren und validieren die Anwendungsexpert:innen die KI-Ergebnisse und bessern ihre Hypothesen nach. Zudem besprechen sie mit den Data Scientists, ob Daten korrigiert oder ergänzt werden müssen.
  5. Schritte 3 und 4 werden solange wiederholt, bis das Projektteam die wichtigsten Ursachen für das Zielereignis herausgearbeitet hat, und diese einfach genug sind, damit Handlungsempfehlungen daraus abgeleitet werden können.
  6. Die Anwendungsexpert:innen formulieren die Wirkzusammenhänge und Handlungsempfehlungen für den Tagesbetrieb.

Neben der technischen Komplexität ist die größte Herausforderung bei einem RCA-Projekt, die zielführende Zusammenarbeit zwischen Anwendungsexpert:innen und Data Scientists sicherzustellen. Ganz besonders wichtig ist ein klar etabliertes Rollenverständnis und eine Moderation der unterschiedlichen Perspektiven, damit eine kreative und lösungsorientierte Arbeitsatmosphäre entsteht.

Mangel an Know-How als Hürde für die Innovation mit KI

Eine große Hürde für produzierende Unternehmen ist der Mangel an Data Scientists (siehe dazu State of AI in the Enterprise - 3rd Edition (Delloite) und generell fehlendes Know-How im Management von KI-Projekten. Im Artikel Innovation mit KI: Was braucht man dafür eigentlich? haben wir die notwendigen Kompetenzen für Sie zusammengestellt.

Stand heute leisten sich nur große Unternehmen die Investition in eigene Digitalisierungsabteilungen und Data Scientists, um Datenprojekte komplett inhouse umsetzen zu können. Für alle anderen ist die Zusammenarbeit mit einem passenden externen Anbieter die wirtschaftlichere Option.

Eine spannende Perspektive auf Sicht der nächsten 5 Jahre ist, dass für das Produktionsumfeld KI-Assistenzsysteme entstehen, die die Rolle des Data Scientists für die KI-basierten Ursachenanalyse automatisieren. Die Realisierung solcher Lösungen erfordert neue Konzepte für die Mensch-KI-Interaktion, die es Nicht-KI-Experten möglich macht, die Ergebnisse der KI zu interpretieren und daraus Handlungen abzuleiten. Dieses Thema ist Teil aktiver Forschung, an der wir im Rahmen des Projektes GeMeKI mitwirken.

Fazit und Ausblick

Unserer Einschätzung nach werden produzierende Unternehmen in Deutschland zum Erhalt und Ausbau ihrer Wettbewerbsfähigkeit in den kommenden Jahren massiv von KI-basierten Ursachenanalysen profitieren können. Sei es, um Probleme in ihren eigenen Betriebsabläufen nachhaltig abzustellen oder auch, um den reibungslosen Einsatz Ihrer Produkte beim Kundeneinsatz zu gewährleisten.

Unsere tägliche Arbeit bei aiXbrain dreht sich darum, diese Möglichkeiten schnell und einfach erschließbar zu machen, zum Beispiel mit aiXbrain Dataray, einer KI-Softwarelösung zur schnellen Diagnose von Prozessabläufen. Zudem wirken wir im Rahmen des Forschungsprojekts GeMeKI aktiv an der menschzentrierten Gestaltung solcher KI-basierten Assistenzwerkzeuge mit.