Das Potenzial der KI in der Industrie erschließen

Im Jahr 2018 Wir haben die 1-Billionen-Dollar-Chance für künstliche Intelligenz (KI) in der Industrie untersucht.1Michael Chui, Nicolaus Henke und Mehdi Miremadi, „Die meisten geschäftlichen Einsatzmöglichkeiten von KI werden in zwei Bereichen liegen“, McKinsey, 7. März 2019. Während sich Unternehmen davon erholen Untersuchungen zeigen, dass Talent, Belastbarkeit, technische Unterstützung in allen Bereichen und organisches Wachstum für sie angesichts der Pandemie oberste Priorität haben.2Was ist am wichtigsten? Fünf Prioritäten für CEOs in der nächsten Normalität, McKinsey, September 2021.

Dieser Artikel ist eine Gemeinschaftsarbeit von Kimberly Borden, Mark Huntington, Mithun Kamat, Alex Singla, Joris Wijpkema und Bill Wiseman und vertritt Ansichten aus McKinseys Advanced Industries Practices.

Trotz dieser Chance sind sich viele Führungskräfte immer noch nicht sicher, wo sie KI-Lösungen einsetzen sollen, um echte Ergebnisse zu erzielen. Das Ergebnis war eine langsame Akzeptanz, da viele Unternehmen eher abwarteten, als sich darauf einzulassen.

Anstatt endlos über mögliche Anwendungen nachzudenken, sollten Führungskräfte eine allgemeine Richtung und einen Fahrplan festlegen und sich dann auf Bereiche konzentrieren, in denen KI spezifische Geschäftsprobleme lösen und greifbaren Wert schaffen kann. In einem ersten Schritt könnten Industrieführer ein besseres Verständnis der KI-Technologie erlangen und erfahren, wie sie zur Lösung spezifischer Geschäftsprobleme eingesetzt werden kann. Sie sind dann besser in der Lage, mit neuen Anwendungen zu experimentieren.

Der Begriff „künstliche Intelligenz“ wird stark überbeansprucht. Es ist fast zu einer Abkürzung für jede Anwendung modernster Technologie geworden und verschleiert deren wahre Definition und Zweck. Daher ist es hilfreich, KI und ihre Einsatzmöglichkeiten für Industrieunternehmen klar zu definieren.

Kurz gesagt ist KI die Fähigkeit einer Maschine, kognitive Funktionen auszuführen, die typischerweise mit dem menschlichen Geist verbunden sind, wie etwa Wahrnehmung, Argumentation, Lernen, Interaktion mit der Umwelt und Problemlösung. Beispiele für KI-Technologien sind Robotik, autonome Fahrzeuge, Computer Vision, Sprache, virtuelle Agenten und maschinelles Lernen.

Ein Bereich, in dem KI Mehrwert für Industrieunternehmen schafft, ist die Erweiterung der Fähigkeiten von Wissensarbeitern, insbesondere von Ingenieuren. Im Kern nutzen solche Anwendungen die Vorhersagefähigkeiten der KI. Unternehmen lernen, traditionelle Geschäftsthemen in Probleme umzuformulieren, bei denen KI maschinelle Lernalgorithmen nutzen kann, um Daten und Erfahrungen zu verarbeiten, Muster zu erkennen und Empfehlungen abzugeben.

Unternehmen müssen zunächst ein bestehendes Geschäftsproblem definieren, bevor sie untersuchen, wie KI es lösen kann. Wenn diese Übung nicht durchgeführt wird, müssen Unternehmen die neueste KI-Lösung für „glänzende Objekte“ einführen.

Die folgenden Beispiele veranschaulichen den Wert von KI bei der Erweiterung des Wissens der Arbeitnehmer und der Optimierung von Arbeitsabläufen.

Zu den schwierigsten Herausforderungen für Industrieunternehmen gehören die Planung komplexer Fertigungslinien, die Maximierung des Durchsatzes bei gleichzeitiger Minimierung der Umrüstkosten und die Sicherstellung einer pünktlichen Lieferung der Produkte an die Kunden. KI kann durch ihre Fähigkeit, eine Vielzahl von Variablen gleichzeitig zu berücksichtigen, helfen, um die optimale Lösung zu ermitteln. In einem Metallverarbeitungswerk konnte beispielsweise ein KI-Planungsagent die Ertragsverluste um 20 bis 40 Prozent reduzieren und gleichzeitig die pünktliche Lieferung für die Kunden deutlich verbessern.

Herkömmliche Optimierungsansätze scheitern bei dem Versuch, erhebliche Unsicherheiten und Schwankungen bei Angebot und Nachfrage zu bewältigen. Dieses Problem ist angesichts aller Lieferkettenprobleme im vergangenen Jahr besonders relevant geworden. Mithilfe von Planungsagenten, die auf Reinforcement Learning basieren,3 ist Reinforcement Learning eine Art maschinelles Lernen, bei dem ein Algorithmus lernt, eine Aufgabe auszuführen, indem er versucht, die Belohnungen, die er für seine Aktionen erhält, zu maximieren. Weitere Informationen finden Sie in Jacomo Corbo, Oliver Fleming und Nicolas Hohn, „It's time for business to chart a course for Reinforcement Learning“, McKinsey, 1. April 2021. Unternehmen können dieses Problem in eine Frage übersetzen: „Welche Reihenfolge ist am wahrscheinlichsten?“ „Gewinn maximieren?“ – das ergibt eine klare Empfehlung.

Um dieses Problem zu lösen, müssen Unternehmen zunächst eine Umgebung aufbauen, in der der KI-Planungsagent lernen kann, gute Vorhersagen zu treffen (Abbildung 1). In dieser Situation reicht es einfach nicht aus, sich auf historische Daten zu verlassen (wie es bei maschinellem Lernen üblich ist), da der Agent zukünftige Probleme (z. B. Unterbrechungen der Lieferkette) nicht vorhersehen kann.

Stattdessen können Unternehmen damit beginnen, eine Simulation oder einen „digitalen Zwilling“ der Fertigungslinie und des Auftragsbuchs zu erstellen. Ein Planungsagent kann dann die Linie planen. Die Leistung des Agenten wird anhand der Kosten, des Durchsatzes und der pünktlichen Lieferung der Produkte bewertet. Als nächstes „spielt“ der Agent das Planungsspiel millionenfach mit verschiedenen Arten von Szenarien. So wie der AlphaGo-Agent von Deep Mind dadurch besser wurde, dass er sich selbst spielte, nutzt der Agent Deep Reinforcement Learning, um die Planung zu verbessern.4 „AlphaGo“, DeepMind, abgerufen am 17. November 2022. Schon bald ist der Agent in der Lage, leistungsstarke Zeitpläne zu erstellen und zu arbeiten mit den menschlichen Planern, um die Produktion zu optimieren.

Viele Industrieunternehmen stehen vor dem Problem, bei einer bestimmten Herausforderung die relevantesten Daten zu identifizieren. KI kann diesen Prozess beschleunigen, indem sie große Datenmengen aufnimmt und schnell die Informationen findet, die für die Ingenieure bei der Lösung von Problemen am hilfreichsten sind. Beispielsweise können Unternehmen mithilfe von KI die umständliche Datenprüfung von einer halben Stunde auf wenige Sekunden reduzieren und so die Produktivität hochqualifizierter Ingenieurteams um 10 bis 20 Prozent steigern. Darüber hinaus kann KI auch Zusammenhänge in den Daten entdecken, die dem Ingenieur bisher unbekannt waren.

Nach jahrzehntelanger Informationsbeschaffung verfügen Unternehmen häufig über zwar umfangreiche Daten, aber nur dürftige Erkenntnisse, was es nahezu unmöglich macht, in den Millionen Datensätzen strukturierter und unstrukturierter Daten nach relevanten Informationen zu suchen. Diese Herausforderung ist besonders wichtig, wenn Ingenieure neue Probleme in hochkomplexen Systemen (z. B. Flugzeugen, Raumfahrzeugen und Kraftwerken) beheben, um die relevantesten Verfahren, Maschinenleistungsdaten, Betriebshistorien und Fälle relevanter Probleme in ähnlichen Subsystemen zu finden . Ingenieure müssen sich oft auf ihre bisherigen Erfahrungen verlassen, mit anderen Experten sprechen und Datenberge durchsuchen, um relevante Informationen zu finden. Bei kritischen Problemen ist diese Schnitzeljagd mit hohem Risiko bestenfalls stressig und führt oft zu suboptimalen Ergebnissen.

Unternehmen können der KI beibringen, durch textlastige strukturierte und unstrukturierte technische Dokumente zu navigieren, indem sie ihr wichtige technische Wörterbücher, Nachschlagetabellen und andere Informationen zuführen. Anschließend können sie Algorithmen entwickeln, die der KI dabei helfen, semantische Beziehungen zwischen verschiedenen Texten zu verstehen. Als nächstes ein Wissensgraph5Ein Wissensgraph ist eine visuelle Darstellung eines Netzwerks realer Entitäten und ihrer Beziehung zueinander. Weitere Informationen finden Sie unter „Was ist ein Wissensgraph?“, IBM, 12. April 2021. kann dynamisch ein Informationsnetzwerk erstellen, das alle semantischen und anderen Beziehungen in den technischen Dokumenten und Daten darstellt (Abbildung 2). Mithilfe des Wissensgraphen könnte der Agent beispielsweise feststellen, dass ein fehlerhafter Sensor in einem bestimmten Verfahren erwähnt wurde, das in der Vergangenheit zur Lösung eines Problems verwendet wurde. Sobald der Wissensgraph erstellt wurde, können Ingenieure über eine Benutzeroberfläche den Wissensgraphen abfragen und Lösungen für bestimmte Probleme finden. Das System kann so eingerichtet werden, dass es Feedback von Ingenieuren darüber einholt, ob die Informationen relevant waren, was es der KI ermöglicht, selbst zu lernen und die Leistung im Laufe der Zeit zu verbessern.

Für viele Industrieunternehmen ist die Systemauslegung ihrer Produkte enorm komplex geworden. Unternehmen können KI nutzen, um die Stückliste (BoM) eines Produkts mit Daten aus Konfiguration, Entwicklung und Beschaffung zu erweitern. Dieser Prozess identifiziert Möglichkeiten zur Wiederverwendung historischer Teile, zur Verbesserung bestehender Standardarbeiten und zur Unterstützung der Vorproduktionsdefinition. Mit diesen Erkenntnissen können Unternehmen den Entwicklungsaufwand deutlich reduzieren und schneller mit der Produktion beginnen.

Wenn ein einzelnes Projekt Millionen von Teilen und Tausende von Submodulen und Subsystemen umfassen kann, kann es für einen einzelnen Ingenieur nahezu unmöglich sein, einen vollständigen Systemüberblick sowie ein Verständnis für den detaillierten Entwurf einzelner Komponenten zu haben, geschweige denn projektübergreifend. Infolgedessen werden Systeme bei jedem neuen Projekt neu gestaltet, es werden jedoch Möglichkeiten zur Wiederverwendung von Teilen außer Acht gelassen, was die Kosten in die Höhe treibt und die Komplexität der Lieferkette erhöht. Darüber hinaus kann es für Ingenieure zu erheblichen Nacharbeiten an Projekten kommen, weil sie die gegenseitigen Abhängigkeiten im gesamten System nicht vollständig verstehen.

Glücklicherweise unterliegen KI-Ansätze solchen Einschränkungen nicht. Mit ausreichend Speicher und Rechenleistung können KI-basierte Lösungen problemlos Millionen von Teilen und Projekten sowie Milliarden von Beziehungen durchsuchen, um Möglichkeiten für die Wiederverwendung zu identifizieren und Prozesse zu sequenzieren, um Nacharbeiten im Zusammenhang mit gegenseitigen Abhängigkeiten zu vermeiden. Eine netzwerkbasierte Darstellung des Systems mithilfe von BoM kann komplexe Beziehungen und Hierarchien der Systeme erfassen (Abbildung 3). Ergänzt werden diese Informationen durch Daten zu Engineering-Stunden, Materialkosten und Qualität sowie Kundenanforderungen. Mit diesem erweiterten Netzwerkaufbau können Unternehmen Abfragen durchführen und Vorhersagen treffen – beispielsweise, welche Subsysteme eine Kundenanforderung betreffen könnte und welche technischen Aufwände aufgrund gegenseitiger Abhängigkeiten am wahrscheinlichsten zu Nacharbeiten in einem Projekt führen werden.

Mit der Weiterentwicklung der Produkte wird es immer schwieriger, die Leistungsgrenzen zu überschreiten. Industrieunternehmen, die schnell Innovationen einführen und leistungsstärkere Produkte schneller auf den Markt bringen können, werden mit größerer Wahrscheinlichkeit Marktanteile gewinnen und in ihren Marktsegmenten gewinnen.

In den letzten drei Jahrzehnten haben Computer-Aided Engineering (CAE) und Simulation geholfen, aber die Grenzen ihrer Rechenleistung hindern sie daran, den Designraum vollständig auszuschöpfen und die Leistung bei komplexen Problemen zu optimieren. Komponenten verfügen beispielsweise typischerweise über mehr als zehn Designparameter mit bis zu 100 Optionen für jeden Parameter. Da die Ausführung einer Simulation zehn Stunden dauert, können in einer Woche nur eine Handvoll der resultierenden Billionen potenzieller Designs erforscht werden. Unternehmen, die sich auf erfahrene Ingenieure verlassen, um die vielversprechendsten Designs zum Testen in einer Reihe geplanter Experimente einzugrenzen, riskieren, dass die Leistung auf der Strecke bleibt.

KI verwendet ein neuronales Deep-Learning-Netzwerk, um einen digitalen Zwilling der Komponente zu erstellen und die Leistung vorherzusagen (Abbildung 4).6 Deep Learning ist ein mehrschichtiges neuronales Netzwerk mit einer speziellen Architektur, das immer komplexere Merkmale der Daten auf jeder Ebene extrahieren kann, um die zu bestimmen Ausgabe. Weitere Informationen finden Sie unter „Notes from the AI ​​frontier: Applications and value of deep learning“, McKinsey Global Institute, 17. April 2018. Unternehmen können Bayes’sche Optimierer auch verwenden, um die vielversprechendsten Bereiche des Designraums vorherzusagen, die es zu erkunden gilt.7Bayes’sche Optimierung sucht um das globale Minimum für komplexe Funktionen in der geringsten Anzahl von Schritten zu bestimmen. Weitere Informationen finden Sie in Andre Ye, „Die Schönheit der Bayesianischen Optimierung, erklärt in einfachen Worten“, Towards Data Science, 12. September 2020. Der Übergang von exakten Berechnungen zu einem direktionalen Problemlösungsansatz, der sich auf Vorhersagen konzentriert, beschleunigt die Bewertung des Designs exponentiell. Eine Engine kann Millionen potenzieller Designs generieren, die mithilfe des digitalen Deep-Learning-Zwillings bewertet werden. Ein genetischer Algorithmus kann das System dann für mehrere Leistungskennzahlen gleichzeitig optimieren (z. B. Höchstgeschwindigkeit und Kraftstoffverbrauch von Kraftfahrzeugen).

Industrieunternehmen bauen ihren Ruf auf der Qualität ihrer Produkte auf, und Innovation ist der Schlüssel zu kontinuierlichem Wachstum. Erfolgreiche Unternehmen sind in der Lage, die Grundursachen verschiedener Produktprobleme schnell zu verstehen, sie zu lösen und diese Erkenntnisse in die Zukunft zu integrieren. KI kann diesen Prozess erheblich beschleunigen.

Da die Komplexität von Produkten und Betriebsbedingungen explosionsartig zugenommen hat, haben Ingenieure Schwierigkeiten, die Ursachen zu identifizieren und Lösungen zu finden. Daher sind Unternehmen in hohem Maße auf die Mustererkennung durch erfahrene Ingenieure angewiesen und verbringen viel Zeit damit, Probleme in Laborumgebungen nachzubilden, um der Grundursache auf den Grund zu gehen.

KI und kausale Modellierung8Kausale Modellierung bestimmt Ursache und Wirkung innerhalb von Datensätzen. Weitere Informationen finden Sie unter Neu im McKinsey-Blog, „Meet CausalNex, our new open-source Library for causal reasoning and ‚what if‘ Analysis“, McKinsey, 7. Februar 2020. Ansätze können diese Komplexität in ein definiertes Geschäftsproblem umformulieren: „Was sind „Die fünf wahrscheinlichsten Ursachen für dieses Problem?“ Unternehmen können damit beginnen, ein ereignisbasiertes Datenmodell zu erstellen, das Tausende von Variablen über die gesamte Produkthistorie und den Entwicklungslebenszyklus hinweg miteinander verbindet, einschließlich Designkonfigurationen, Herstellungsparameter sowie Wartungs- und Reparaturhistorie. Ein KI-basiertes Modell kann dann die wichtigsten Prädiktoren für Vorfälle im Zusammenhang mit einem bestimmten Problem identifizieren (Abbildung 5). Als nächstes geht es bei der Kausalmodellierung darum, die Variablen, die korrelieren, von den Variablen zu trennen, die wahrscheinlich kausal sind. Eine Benutzeroberfläche ermöglicht es Ingenieuren, die wahrscheinlichsten Grundursachen neuer Probleme abzufragen und zu finden.

KI befindet sich noch in einem relativ frühen Entwicklungsstadium und ist bereit, schnell zu wachsen und traditionelle Problemlösungsansätze in Industrieunternehmen zu durchbrechen. Diese Anwendungsfälle helfen dabei, die konkreten Anwendungen dieser Lösungen sowie ihren konkreten Wert zu demonstrieren. Wenn Industrieunternehmen jetzt mit KI-Anwendungen experimentieren, können sie gut aufgestellt sein, um in den kommenden Jahren einen enormen Mehrwert zu generieren.

Kimberly Bordenist Partner im McKinsey-Büro in Chicago, woMark Huntingtonist assoziierter Partner,Alex Singlaist Senior Partner undJoris Wijpkemaist Partner;Mithun Kamat ist Partner im Büro in Dallas; UndBill Wisemanist Senior Partner im Büro in Seattle.

Die Autoren danken Maxime Szybowski für seine Beiträge zu diesem Artikel.