Mithilfe konkreter Ansätze ist es für Unternehmen inzwischen möglich, komplexe Systeme intelligenter zu gestalten: Von der sequenziellen Entscheidungsfindung für Robotersysteme über die Verbesserung von Prozessparametern in der Produktion bis zur Prozessbewertung für Qualitätskontrolle und Fehlererkennung. Während traditionelle Methoden angesichts Hunderter voneinander abhängiger Variablen an ihre Grenzen stossen, bieten KI-Techniken wie Reinforcement Learning und Bayessche Optimierung flexible, datengesteuerte Lösungen.
Der neue Beitrag der SATW im KMU-Magazin richtet sich an Entscheidungsträger:innen und Fachpersonen, die verstehen möchten, wie KI industrielle Prozesse konkret verbessern kann und welche Voraussetzungen für den Erfolg entscheidend sind. Verfasst wurde der Beitrag von Johan Poccard und Dr. Iason Kastanis vom Centre Suisse d'Électronique et de Microtechnique CSEM.
Dieser Artikel im KMU-Magazin ist Teil einer Serie, die als Folgeaktivität aus der Publikation Orientierung KI: Herausforderungen und Chancen für Schweizer KMU hervorgegangen ist. Diese SATW-Publikation unterstützt kleine und mittlere Unternehmen dabei, Potenziale von künstlicher Intelligenz zu erkennen und konkrete nächste Schritte zu planen.
Die Inhalte wurden in enger Zusammenarbeit mit Akteur:innen aus dem Netzwerk von SAIROP (Swiss AI Research Overview Platform) erstellt. SAIROP fördert den Austausch zwischen Wissenschaft, Wirtschaft und Gesellschaft, macht Schweizer KI-Kompetenzen sichtbar und schafft Orientierung im dynamischen KI-Ökosystem.
Traditionelle Ansätze funktionieren gut in strukturierten Umgebungen. Bei dynamischen Systemen mit hunderten voneinander abhängigen Variablen stossen sie jedoch an ihre Grenzen. Die Anzahl der Parameter wächst exponentiell. KI-Methoden bieten hier flexiblere, datengesteuerte Lösungen.
Ideal für die Optimierung von Abläufen: Logistiksysteme planen Hunderte Lieferungen dynamisch, optimieren Lagerwege oder leiten LKWs auf Basis von Echtzeit-Verkehrsdaten um. In der Robotik passen Systeme ihre Aktionen an veränderte Umgebungen an.
Ein Agent wird in einer simulierten Umgebung trainiert. Durch Belohnungen lernt er, welche Aktionen zum gewünschten Ergebnis führen. Die Simulation ermöglicht es, Tausende Szenarien sicher und schnell durchzuspielen, bevor das System real eingesetzt wird.
Die grösste Herausforderung ist die Diskrepanz zwischen Simulation und Realität. Was simuliert funktioniert, kann in der Praxis aufgrund von Vibrationen oder Sensorrauschen scheitern. Die Lösung: Realistische Simulationen durch enge Zusammenarbeit zwischen Entwickler:innen und Prozessexpert:innen.
Bayessche Optimierung findet mit wenigen, gezielten Experimenten die besten Parameter. Physikalisch informierte neuronale Netze kombinieren Daten mit physikalischen Gesetzen und reduzieren den Bedarf an grossen Datensätzen erheblich.
Die Datenerhebung ist oft teuer und zeitaufwendig, besonders bei physischen Tests. Zudem verändern sich Prozesse durch Verschleiss oder Umweltveränderungen. Modelle müssen dann häufig neu trainiert werden.
KI-Modelle erkennen in Echtzeitdaten Muster, die auf Fehler oder Ausfälle hindeuten – bevor diese eintreten. Anders als starre regelbasierte Systeme passen sich moderne Verfahren auch an unerwartete Abweichungen an.
Benutzerfreundliche Schnittstellen ermöglichen es Prozessexpert:innen, mit Modellen zu interagieren und Ergebnisse zu visualisieren, ohne technische Details verstehen zu müssen. Das beschleunigt den Optimierungsprozess erheblich.
Nein. Jedes Projekt erfordert sorgfältige Modellierung und Validierung. Unternehmen sollten Erfahrungen systematisch dokumentieren. So entsteht eine Bibliothek an Methoden, die zukünftige Implementierungen beschleunigt.
Das CSEM optimierte beispielsweise Zahnradschleifprozesse mit intelligenten Stichprobenstrategien und Mehrzieloptimierung. Produktionsgeschwindigkeit und Produktqualität konnten gleichzeitig maximiert werden.
Identifizieren Sie einen konkreten Anwendungsfall: Gibt es einen Optimierungsbedarf bei Abläufen, Parametern oder Überwachung? Starten Sie mit einem überschaubaren Projekt, dokumentieren Sie Erfahrungen systematisch und bauen Sie schrittweise Expertise auf. Die Zusammenarbeit mit Forschungspartner:innen wie dem CSEM erleichtert den Einstieg.
| Rolle | Titel + Name |
|---|---|
| Text von | Iason Kastanis , Johan Poccard |
