Große KI-Potenziale im Engineering
Die Steuerungen KeControl C5 zeichnen sich durch ihre hochleistungsfähige CPU im Kompaktformat aus. Weitere Merkmale sind eine durchgängig modulare Bauweise und offene Hardwarearchitektur, aus denen flexible Erweiterungsmöglichkeiten resultieren. (Quelle: Keba)
Das KI-Erweiterungsmodul AE 550 wurde speziell für KI-Anwendungen im industriellen Bereich entwickelt. Damit können Kunden KI direkt an der Steuerung/Maschine (on-device) umsetzen. (Quelle: Keba)
Das KI-Erweiterungsmodul AE 550 wurde speziell für KI-Anwendungen im industriellen Bereich entwickelt. Damit können Kunden KI direkt an der Steuerung/Maschine (on-device) umsetzen. (Quelle: Keba)
Ein großes KI-Zukunftsfeld sieht S. Fischereder im Engineering. „Die Erwartungen an industrielle Entwicklungsumgebungen steigen – nicht zuletzt, weil viele Anwender längst an Komfortfunktionen aus der klassischen Softwarewelt gewöhnt sind. Entwickler können beschreiben, was sie programmieren möchten, etwa in IEC-Sprachen oder in C++, und bekommen dabei dank smarter Assistenten Unterstützung“, erklärt er. Ein weiterer wichtiger Punkt sei die Durchsuchbarkeit von Dokumentationen. „Das betrifft zunächst unsere eigene Dokumentation, in weiterer Folge aber auch die unserer Kunden“, sagt S. Fischereder. Das Geschäft sei zweistufig: Einerseits verkauft Keba die Entwicklungsumgebung an Maschinenbauer. Dahinter stehen wiederum Betreiber, die die Maschinen nutzen und teilweise anpassen. „Deshalb müssen Systeme entstehen, in die auch die Dokumentation des Maschinenbauers nahtlos integriert werden kann. Genau solche Themen stehen bei uns strategisch weit oben, weil KI so nah wie möglich an die tatsächliche industrielle Softwareentwicklung heranrücken soll“, verdeutlicht er.
Aktuelle Herausforderungen
Bei aller technologischen Dynamik stehen viele Unternehmen bei der Umsetzung von KI-Projekten vor der gleichen Herausforderung: den passenden Daten. „Damit KI-Systeme wirklich etwas lernen können, braucht es Labels und Kontext. Das gilt für Bilddaten genauso wie für Zeitreihen oder Produktionsdaten. Man muss wissen, was in welchem Zeitraum tatsächlich passiert ist, um einem KI-System die richtigen Zusammenhänge beibringen zu können“, so S. Fischereder. Keba Industrial Automation begegnet dieser Ausgangslage derzeit vor allem mit Consulting. „Wir haben Data Scientists im eigenen Haus, die gemeinsam mit unseren Kunden in die Problemstellung einsteigen, Datensätze bereinigen und herausarbeiten, was in den Daten tatsächlich steckt“, berichtet er weiter.
Aber nicht nur die Datenqualität stellt Unternehmen bei der KI-Anwendung vor Herausforderungen. Oftmals bleiben Projekte in der Pilotierungsphase stecken. Für S. Fischereder liegt das weniger an der Modellqualität, sondern in der mangelnden Anschlussfähigkeit an reale Entwicklungs- und Betriebsprozesse. „Ein zentrales Thema ist die Handhabbarkeit von KI-Systemen. Denn erst wenn der gesamte Engineering-Workflow bei Automatisierern für den KI-Einsatz nutzbar ist, gelingt die Skalierung“, lautet seine Überzeugung. Zur Verdeutlichung nennt er ein Beispiel aus der Praxis, bei dem ein R&D-Team einen ersten Piloten entwickelt und dann an den Maschinenbaukunden weitergibt. „Hier ist die Akzeptanz oft gering, wenn die Lösung beispielsweise für den SPS-Programmierer schwer wartbar und kaum nachvollziehbar ist, weil sie beispielsweise in C programmiert wurde und nicht nach IEC 61131-3.“
Hinzu komme das Thema MLOps. „Auch industrielle KI-Modelle brauchen einen Lebenszyklus. Ein KI-Modell auf Edge-Hardware lernt nicht automatisch im laufenden Betrieb weiter“, erklärt er. Neue Daten müssten gesammelt, Modelle neu trainiert, überprüft und kontrolliert wieder ausgerollt werden. „Erst wenn auch dieser Prozess beherrscht wird, kann aus einem Pilot ein skalierbares Produkt entstehen“, sagt S. Fischereder.
Erste Anwendungen zeigen, wohin die Reise geht
Trotz aller Hürden hat Keba bereits Projekte umgesetzt, die das Potenzial gut illustrieren. So wird beispielsweise in einem Intralogistik-Szenario mit KI die Füllhöhe von Paketen bestimmt. Hierzu kommt das AE 550 zum Einsatz. „Dabei wird ermittelt, wie hoch eine mit Konsumgütern befüllte Box tatsächlich ist“, sagt S. Fischereder. Das Ziel: Verpackungen passgenauer zuschneiden und Leerraum vermeiden. „So lässt sich der Leerraum in der Verpackung und somit später beim Transport deutlich reduzieren.“
Ein weiteres Beispiel stammt aus der Holzverarbeitung. Dort geht es um Maschinen, die Rohlinge für die Fensterfertigung prüfen und fehlerhafte Stellen erkennen. Die betroffenen Bereiche werden anschließend gezielt entfernt. „Der Vorteil aus Kundensicht liegt in der vergleichsweise einfachen Integration in bestehende Anlagen. Damit haben wir eine wichtige Anforderung eines französischen Kunden erfüllt.“
Edge oder Cloud?
Die vielfach diskutierte Frage nach Edge- oder Cloudlösung beantwortet S. Fischereder mit einem Satz: „Das ist immer stark vom jeweiligen Anwendungsfall abhängig.“ Muss ein Algorithmus in einen Echtzeitprozess eingreifen, dann müsse man „so nah wie möglich an die Maschine heran, um Latenzen gering zu halten“. Bei Predictive Maintenance oder anderen langfristigen Auswertungen würden andere Maßstäbe gelten.
Auch bei Bildverarbeitung kann dieGrenze unterschiedlich verlaufen. „Muss die Entscheidung sofort im Prozess fallen, spricht vieles für Edge. Werden große Bildmengen mit hohem Rechenbedarf analysiert, kann die Cloud Vorteile haben. Dort stehen dann natürlich deutlich mehr Rechenleistung und andere Skalierungsmöglichkeiten zur Verfügung.“
KI im Safety-Bereich
Mit Blick auf Risiken zieht S. Fischereder klare Grenzen. Die heute nahe an der Maschine eingesetzten KI-Modelle seien „gut erforschte Verfahren“, sagt er. Zudem würden sie im Betrieb nicht unkontrolliert weiterlernen, sondern vor dem Deployment umfassend geprüft. Für funktionale Sicherheitsfunktionen ist KI aus seiner Sicht derzeit dennoch tabu. „Aktuell sind wir noch nicht an dem Punkt, an dem sich solche Systeme so zertifizieren lassen, dass das einem entsprechenden Performance Level in der funktionalen Sicherheit entspricht.“
Dennoch bereitet sich Keba auf künftige Anforderungen vor. Gemeinsam mit dem TÜV Österreich beschäftigt sich das Unternehmen bereits mit Fragen rund um den AI Act, die Zertifizierung von KI-Modellen und Bewertungsverfahren. „Noch ist das nicht generell zertifizierungspflichtig, aber wir gehen davon aus, dass sich das ändern wird“, so S. Fischereder.
Drei Säulen für die KI-Strategie
Strategisch bündelt Keba seine KI-Aktivitäten in drei Feldern. Das erste ist Physical AI, also alles, was direkt an der Maschine läuft. Das zweite ist AI Digital Services, also digitale Dienste und Diagnosefunktionen jenseits der unmittelbaren Steuerung. Als Stichwort nennt er Smart Diagnostic Service zur Diagnose von Maschinendaten. Das dritte ist AI Engineering.
Für alle drei Bereiche wurden Roadmaps auf die nächsten fünf Jahre ausgerichtet. Im Feld Physical AI geht es vor allem darum, bereits entwickelte Technologien so aufzubereiten, „dass sie von SPS-Programmierern an den Anlagen verstanden und angewendet werden können“. Bei den Digital Services stehen Diagnosefunktionen und perspektivisch auch die Einbindung von Drittsystemen im Fokus. Im Bereich Engineering nennt S. Fischereder als Ziel, „eine moderne Entwicklungsumgebung bereitzustellen, die den heutigen Erwartungen an Softwarewerkzeuge entspricht“.
Vor dem Hintergrund der aktuell rasant verlaufenden KI-Weiterentwicklung erscheinen Fünf-Jahres-Ausrichtungen schwierig. „Wir haben uns ein quartals- bis halbjährliches Monitoring vorgenommen, um technologisch eng am Ball zu bleiben“, erläutert S. Fischereder abschließend.
Das Interview entstand auf Basis eines Podcasts, der hier verfügbar ist: Digital Factory Journal Podcast | Kassiopeia und die Future Fab