25 Jun 2020
Von der UN-Initiative “AI for Good” über das World Economic Forum und der “AI XPrize Competition” bis hin zu wichtigen AI-Playern wie Google und Microsoft zeigen sich schon heute viele Akteure und Projekte, die Antworten suchen, ob der Einsatz von KI den nötigen Entwicklungssprung auslösen kann, den wir auf dem Weg zu nachhaltigen Leben und Wirtschaften dringend benötigen. Lösungen gibt es hier schon viele und die Liste der”Sustainable AI Use Cases” wächst. Viele Unternehmen setzten sich bereits heute intensiv auf strategischer Ebene mit ihrem Beitrag zu den”Sustainable Development Goals” (SDGs) der UN und der Transformation zum”Responsible Business” auseinander. Auch die konkreten Potenziale von KI für eine nachhaltige Produktion, umweltbewusstes Wirtschaften und Corporate Social Responsability (CSR) werden bereits mit hoher Priorität ausgelotet. Einen immer wichtigeren Beitrag dazu wird KI schon in naher Zukunft übernehmen. Denn für eine nachhaltig organisierte Unternehmen ist es neben ökologischen Kriterien auch sehr profitabel, wenn sie mit deutlich weniger Ressourcen deutlich größere Mengen mit geringerem CO2-Footprint erzeugen können. Und gebau hier setzen neu entwickelte KI-Verfahren an.
“Besonders in der Produktion 4.0. lassen sich hier schon erfolgreiche Geschäftsmodelle durch Implementierung einer neuen Generation an KI-basierter Software in der Produktion, dem Supply Chain Management und dem Personalmanagement aufzeigen, die erhebliche Einsparungen für kostenintensive Ressourcen ermöglichen. Unsere KI-Software wird schon sehr erfolgreich von Global Playern in der Chemie-Branche eingesetzt. Die Einsparpotentiale hier sind enorm und zeigen gleichzeitig den großen Hebel von KI-Software für den Aufbau einer nachhaltigen Produktion. operaize bietet mit dem KI-basiertem-Verfahren Cognitive Operations® eine Optimierung von Industrieprozessen, indem ein selbstlernender Algorithmus Probleme sofort erkennt und geeignete Problemlösungsstrategien ermittelt” , erläutert Alexander Kouril, Founder & Managing Director der operaize GmbH.
Der Klimawandel und vor allem die hohen Kosten für Ressourcen wie Strom, Wasser, seltene Erden, Legierungen und Salze führen dazu, dass produzierende Unternehmen immer mehr den Ressourcenverbrauch kontrollieren und soweit machbar auch optimieren müssen. Besonders anschaulich lässt sich dies anhand eines Vergleiches der Stromkosten in Deutschland und China erklären. So zahlen Stahlhersteller in China nur 20 Prozent für Strom im Vergleich zu deutschen Stahlherstellern. Viele Rohstoffe wie etwa die sogenannten seltenen Erden, aber auch Erdöl und metallische Rohstoffe sind nur noch sehr begrenzt für einen kleinen Zeitraum verfügbar und abbaubar und verknappen in naher Zukunft die Produktion mit diesen Ressourcen. Alternativen müssen also her! Mögliche Lösungsansätze ist die Recyclierbarkeit wichtiger, knapper Ressourcen und darauf aufbauend die Bildung einer Kreislaufwirtschaft. Ein weiterer Ansatz besteht in der Substitution seltener, knapper Ressourcen durch andere Rohstoffe. Die Industrie hat bereits vielfältige Erfahrungen mit diesen Lösungsansätzen gesammelt.
Die zweite große Herausforderung ist die notwendige Entkopplung des Wirtschaftswachstums vom Ressourcenverbrauch, die nur über eine zunehmend effizientere Nutzung der natürlichen Ressourcen in den Unternehmen erreicht werden kann. Die optimale Ausgestaltung der Wechselwirkung zwischen digitaler Transformation und Ressourceneffizienz sowie die konsequente Nutzung der daraus entstehenden Potenziale für eine Senkung des Verbrauchs von Material und Energie sind daher von entscheidender Bedeutung und durch den Einsatz intelligenter KI-Software einfach zu realisieren. Im Jahr 2019 nahmen die Kosten für Materialaufwendungen mit rund 43 Prozent den mit Abstand größten Kostenblock im verarbeitenden Gewerbe ein. Die Kosten für Personal lagen demgegenüber bei knapp 19 Prozent, die für Energie bei 1,9 Prozent. Obwohl im Vergleich zu den Materialaufwendungen die Energiekosten einen deutlich geringeren Anteil an der Bruttowertschöpfung ausmachen, sind diese nicht zu vernachlässigen. Denn in Deutschland entfielen 2019 29 Prozent (2.514 PJ) der gesamten Endenergie auf das verarbeitende Gewerbe. Dabei ist Energieeffizienz in der Industrie 4.0 ein zentraler Hebel, um die Treibhausemissionen maximal reduzieren zu können. Jede Kilowattstunde, die nicht verbraucht wird, muss erst gar nicht erzeugt werden. Das bisher eingeschlagene Tempo bei der Verbesserung der Energieeffizienz reicht aber nicht aus, um im globalen Maßstab einen hinreichenden Beitrag zu einer nachhaltigen, klimaverträglichen Energiewirtschaft zu leisten. Noch bleiben weltweit etwa zwei Drittel des Potenzials zur Steigerung der Energieeffizienz ungenutzt, so die Schätzung der Internationalen Energie-Agentur (IEA). In Deutschland zählt die Endenergieproduktivität zu den sogenannten Nachhaltigkeitsindikatoren. Das Ziel lautet, im Zeitraum 2008 bis 2050 jährlich die Endenergieproduktivität um 2,1 Prozent zu steigern. Und genau hier kann eine neue Generation von Künstlicher Intelligenz-Software entscheidend unterstützen. Diese neue Generation von Software verfügt über Auswertungs- und Lernfunktionen, die die Software befähigen, komplexe Ressourcenverbräuche zu erfassen und daraus zu lernen - und eben auch vollautomatisiert Einsichten zu gewinnen, wie mit Ressourcen besser umgegangen werden kann.
Konkret setzen diese Verfahren eine Kombination heuristischer Lernverfahren und sogenannter Reinforcement Learning-Verfahren ein. Die heuristischen Lernverfahren beobachten Ressourcen-Allokationen wie etwa eine Produktionsanlage, einen Induktionsofen oder eine Drehmaschine und erfassen präzise, wie viele Ressourcen als Input aufgenommen und welches Ergebnis mit welchem Ressourcen-Einsatz erzielt worden ist. Dabei wird genau registriert, wie gut das Ergebnis ist, wie hoch beispielsweise der Stromverbrauch war, wie hoch die Betriebstemperatur des Induktionsofens war und welche Qualität erzeugt worden ist.
“Genau hieraus optimiert sich unsere KI-Software permanent durch heuristische Lernverfahren und kann dabei Rückschlüsse ziehen, wie effizient die Produktion im Vergleich zur Produktion am vorherigen Tag war. Inzwischen sind diese heuristischen Lernverfahren so ausgefuchst, performant und clever, dass sie innerhalb kürzester Zeit Empfehlungen ermitteln, mit welchen Steuerparametern und wie die Produktionsanlagen zu steuern sind, um besonders effizient zu sein”, so Christoph Lieth, Co-Founder and Managing Director.
Eine weitere wichtige Lernstrategie sind die Reinforcement Learning-Verfahren. Diese Verfahren involvieren den Experten in der Produktion in den Lernprozess und lernen insbesondere vom Erfahrungs- und Lösungswissen der erfahrenen Praktiker vor Ort. So darf der Experte das produzierte Ergebnis am Ende eines Produktions-Tages oder den produzierten Ausschuss einer Woche bewerten.
Durch die Kombination von Reinforcement Learning und heuristischen Lernverfahren kann sehr schnell ermittelt werden, wie die Produktion effizient und ressourcenschonend gesteuert wird. So konnte ein Chemiewerk in Düsseldorf beispielsweise durch den Einsatz einer derartigen Software ermitteln, wie die komplexen Rüstzeiten für die Produktionsanlage von Klebe- Chemikalien um bis zu 30 % verbessert werden konnten. Ein weiteres Chemiewerk konnte durch KI den Bedarf an Strommengen um bis zu 15 Prozent reduzieren.
Der eigentliche Hebel dieser neuen Generation von KI liegt allerdings in der deutlich gesteigerten Nachhaltigkeit. Denn die Software hört nicht ab einem einmal erzielten Effizienzgrad auf zu lernen, vielmehr lernt die Software permanent dazu und passt die Produktionsprozesse kontinuierlich und permanent an. So lernt die Software eben auch aus den sich veränderten Randbedingungen der Produktion und passt den Prozess entsprechend dynamisch an.
Damit sind diese Verfahren in der Lage, permanent und autonom – also ohne menschliches Zutun – aus der Produktion zu lernen und die Produktion dynamisch Änderungen anzupassen.
Ein weiterer besonders wichtiger Hebel zur Steigerung der Ressourcen-Effizienz und Nachhaltigkeit bei Strom- bzw. Ressourcen-intensiven Produktionsprozessen ist der Einsatz sogenannter präskriptiver Planungsverfahren. Präskriptiv bedeutet hier vorausschauend und proaktiv ein Problem zu vermeiden oder zu optimieren. Hier geht es darum, wie KI die durch heuristische Lernverfahren ermittelten Einsichten und Optimierungen eines Produktionsprozesses vorausschauend umsetzen kann, so dass beispielsweise Störungen vermieden und der kostenintensive Verbrauch von Ressourcen signifikant optimiert wird.
Und auch hier gibt es technologische Durchbrüche. So ist es Fraunhofer-Wissenschaftlern gelungen, durch die Kombination mathematischer Optimierungs- und Näherungsverfahren analytische Methoden zu entwickeln, die einen komplexen Produktionsprozess holistisch – also ganzheitlich – die Steuerparameter aller Produktionsanlagen im Prozess zu erfassen und durch ausgeklügelte mathematische Methoden so kombinieren, dass die Steuerparameter für den effizientesten und wirksamsten Ressourcenverbrauch in Millisekunden ermittelt wird. Dies ist der Schlüssel für eine hoch effiziente Produktionssteuerung und somit auch den nachhaltigen Erfolg. Denn jetzt können die durch heuristische Lernverfahren ermittelten Empfehlungen für einen optimalen Ressourceneinsatz in der Produktion umgesetzt werden.
Der Begriff Nachhaltigkeit ist in den aktuellen Diskussionen rund um den Klimawandel und Ressourcen-Effizienz in aller Munde. Dabei wird Nachhaltigkeit als ein Handlungsprinzip zur Ressourcen-Nutzung verstanden, bei dem die Bewahrung der natürlichen Regenerationsfähigkeit der beteiligten Systeme gewährleistet werden soll. Insbesondere darf demnach nicht mehr verbraucht werden, als jeweils nachwachsen, sich regenerieren, künftig wieder bereitgestellt werden kann.
Durch den Einsatz neuer KI-Verfahren sind wir bereits heute in der Lage, dieses Nachhaltigkeits- Prinzip durch weitere Fähigkeiten zu ergänzen, die angesichts des Klimawandels von besonderer Bedeutung sind. Hier geht es um selbst-lernende und selbst-optimierende Fähigkeiten, die einen Ressourcen-intensiven Prozess in die Lage zu versetzen, dass der Prozess sich selbst permanent und kontinuierlich optimiert und sich somit neuen Randbedingungen anpasst. Diese “autonomen Prozess-Steuerungs-Fähigkeiten” sind eine der Ziele der Industrie 4.0-Initiative.
Die bisherigen Erfahrungen lassen ahnen, dass die aktuellen Herausforderungen des Klimawandels und der industriellen Ressourcen-Effizienz, insbesondere durch die neue Generation von KI-Verfahren, deutlich besser bewältigbar sind.
Das Unternehmen operaize bietet mit dem KI-basiertem-Verfahren Cognitive Operations® eine Optimierung von Industrieprozessen zur proaktiven Vermeidung von Störungen, Risiken oder Ausfällen, indem ein selbstlernender Algorithmus Probleme sofort erkennt und proaktiv geeignete Problemlösungsstrategien ermittelt, um negative Einwirkungen zu vermeiden. Im Kern geht es darum, wie aus Daten extrem schnell Problemlösungen ermittelt und wirksam umgesetzt werden können. Der Schlüssel dazu sind Verfahren aus dem Bereich des Machine Reasoning. Dabei stellt Machine Reasoning innerhalb der Künstlichen Intelligenz den entscheidenden Entwicklungssprung von Problemerfassung zu Problemlösung dar. Das bedeutet konkret, dass neue Machine Reasoning-Verfahren in der Lage sind, Probleme nicht nur zu erkennen und zu prognostizieren (= Machine Learning), sondern für erkannte Probleme eben auch extrem schnell geeignete Problemlösungen zu ermitteln und diese wirksam und effizient umzusetzen. Cognitive Operations® ist eines der führenden Verfahren für die optimale und autonome Bewältigung von Problemen in Produktionsabläufen. Darunter versteht man KI- basierte-Algorithmen für die autonome Steuerung, Planung und Optimierung von Produktions- und Supply Chain Abläufen. Operative Industrieprozesse in Produktion, Supply Chain und Logistik unterliegen einer deutlich steigenden Komplexität, die mit traditionellen bzw. den bisher eingesetzten Applikationen nur mit großem Aufwand bewältigt werden können.
Die von operaize entwickelten Verfahren konnten bereits in der Chemieindustrie erfolgreich eingesetzt werden – mit für Kunden und operaize überraschenden Ergebnissen: So konnte in drei Chemiewerken beispielsweise die Anlageneffizienz um bis zu 35 Prozent verbessert werden. Dieses Ergebnis konnte erreicht werden, da der Algorithmus von operaize extrem schnell alle Steuerungsparameter der Produktionsanlagen im Chemiewerk nach Optimierungen absuchte und durch selbstlernende Auswertungsmechanismen auswertete. Das zugrundeliegende Verfahren funktioniert ähnlich der Google-Suchmaschine: bei der Suche werden alle möglichen Optionen ermittelt und angezeigt und im nächsten Schritt werden dann die sinnvollen Optionen selektiert. Der Algorithmus von operaize setzt für diese Auswertung dabei auf die Kombination mathematischer Verfahren und Heuristiken. Produktionsplaner benötigen für die Ermittlung von Problemlösungen dabei mehrere Stunden, während der Algorithmus von operaize dies zuverlässig in Millisekunden bis Sekunden erledigte.
Durch den Einsatz neuester, performanter KI-basierter Optimierungsverfahren ergeben sich für die Industriekunden signifikante Performance-, Produktions-, Markt- und Kosten Vorteile. Notwendige Ressourcen wie Energie, Anlagenkapazitäten und menschliche Arbeitskraft können so signifikant eingespart werden.