Blog : Künstliche Entscheidungsintelligenz statt Silo-Denken

Die viel beschworene Losgröße 1 gilt als visionäre Maximalanforderung der Smart Factory. In der Automobilindustrie schon vielfach Realität, tun sich viele andere Branchen mit der individualisierten Massenfertigung noch schwer: Der Planungsaufwand scheint häufig kaum mit dem hohen Zeit- und Kostendruck vereinbar. Dabei gilt Individualisierung als einer der prägendsten Megatrends unserer Zeit. Nicht nur mit Blick auf Konsummuster und Lebensentwürfe, auch in immer mehr Bereichen der industriellen Fertigung rücken Kunden vom Prinzip Massenware ab und verlangen auf ihre Bedürfnisse zugeschnittene Einzelanfertigungen. Fortschritte in der additiven Fertigung sowie die individuelle Auftragskonfiguration über das Internet leisten dieser Entwicklung Vorschub. Mittlerweile bieten aber beispielsweise auch Sportartikelhersteller an, Sneaker oder Laufschuhe nach persönlichen Präferenzen zu designen. Der Druck auf die Industrie, den Kunden die Möglichkeit zum Customizing anzubieten, wächst. Doch während einige Branchen bereits Wege zur kosteneffizienten Individualproduktion aufgetan haben, sind andere noch auf der Suche. Mit Blick auf die Kostenvorteile großvolumiger Serienfertigung, entsprechend etablierte Prozesse und darauf ausgerichtete Produktionsmittel fällt es vielen Betrieben schwer, maßgeschneiderte Aufträge wirtschaftlich zu realisieren. Dennoch müssen sie die erstarkende Nachfrage bedienen, um langfristig erfolgreich zu bleiben.

Um den individuellen Kundenansprüchen gerecht zu werden und trotzdem wirtschaftlich zu produzieren, müssen Fertigungsbetriebe intelligente Algorithmen einbeziehen. So funktioniert der Ansatz des Digital Decision Making: Künstliche Entscheidungsintelligenz gibt Produktionsplanern Handlungsempfehlungen an die Hand, mit der sie auch angesichts hochindividualisierter Fertigungsaufträge agil und souverän agieren.

Denn in der Tat bringt eine zunehmend individualisierte Produktion diverse Herausforderungen mit sich. Da sind zum einen die Lagerbestände, die mit ausgeprägter Variantenvielfalt wachsen – schließlich erfordert jeder Produktionsvorgang unterschiedliche Komponenten, zusätzlich müssen Sicherheitsbestände bereitgehalten werden. Dadurch steigen die Lagerkosten. Zum anderen erhöhen sich die Rüstkosten und -zeiten, wenn Maschinen häufiger an die Anforderungen wechselnder Aufträge angepasst werden müssen. Mit der Variantenvielfalt wächst zudem der Koordinationsaufwand, denn jeder Einzelfall muss eigens betrachtet werden. Bei unzureichender Planung verlängern sich so die Liegezeiten der Werkstücke zwischen den Bearbeitungsschritten, was die Durchlaufzeit erhöht. Zudem verkürzt sich der Planungshorizont: Während die standardisierte Massenfertigung eine vorausschauende Koordination der einzelnen Schritte zulässt, erfordert eine individualisierte Produktion oft kurzfristige Entscheidungen. Dies erzeugt Zeitdruck und Unsicherheit, sodass bereits eine einzelne Störung den gesamten Produktionsplan ins Wanken bringen kann.

Um erfolgreich mit dieser Unsicherheit umzugehen, müssen Unternehmen ihre Prozesse so gestalten, dass sie jederzeit schnell und flexibel auf unerwartete Entwicklungen und Ereignisse reagieren können: Die Wertschöpfungskette muss agil werden. Wird zum Beispiel ein wichtiger Produktionsmitarbeiter krank, fällt eine Maschine aus oder wird ein Ersatzteil verspätet geliefert, muss es möglich sein, den Prozess schnell und kosteneffizient umzuplanen, um das entsprechende Produktionsziel dennoch zu realisieren. Auch müssen die Abläufe verschiedener interner Bereiche wie Beschaffung, Produktion und Distribution zusammen gedacht werden, um sie effizient aufeinander abzustimmen und Zielkonflikte zu vermeiden. Zudem muss stets transparent sein, wo im Prozess sich die Ware befindet, um individuelle Bearbeitungsschritte vornehmen zu können.

Starres Silo-Denken hilft da nicht weiter. Nur eine abteilungsübergreifende Optimierung der Planungsqualität kann eine hinreichende Agilisierung der Prozesse gewährleisten. Intelligente Algorithmen helfen, dies zu erreichen. Die Zunahme an mittlerweile verfügbaren Maschinen- und Prozessdaten sowie große Fortschritte in der algorithmischen Rechenkapazität ermöglichen „Digital Decision Making“ beziehungsweise eine digitale Entscheidungsfindung. Die genannten Entwicklungen erlauben KI-gestützten Softwarelösungen, alle situativ relevanten Variablen und Faktoren jederzeit im Blick zu haben und daraus die bestmögliche Handlungsalternative herauszufiltern. Auf dieser Basis können sie Planern eine konkrete Empfehlung aussprechen, was in der entsprechenden Situation idealerweise zu tun sei. Die Planer wiederum können auf dieser Informationsbasis und unter Berücksichtigung ihrer Erfahrung und Expertise bestmöglich entscheiden, selbst wenn sie unter Zeitdruck stehen. Bei unvorhergesehenen Störungen berechnen die Algorithmen ihre Empfehlungen dynamisch neu und gewährleisten so planerische Flexibilität. Damit ebnen sie den Weg in Richtung Losgröße 1.

Digital Decision Making beruht auf einem hybriden Ansatz, der verschiedene Formen der Computerintelligenz vereint. Machine-Learning-Algorithmen (ML) etwa durchsuchen große Datenmengen auf Muster und Zusammenhänge, um auf dieser Basis neues Wissen zu generieren. So können sie auch zukünftige Entwicklungen und Ereignisse prognostizieren, was die Entscheidungsqualität mit der Zeit weiter verbessert. Operations-Research-Algorithmen (OR) tragen dazu bei, bestehendes Expertenwissen zu Planungszielen- und Restriktionen, Prozessen oder Verhaltensmustern mathematisch zu modellieren. Intelligente Algorithmen loten dann die Entscheidungsräume innerhalb dieser Modelle aus und identifizieren den situativ besten Lösungsweg für das jeweilige Problem. Hinzu kommt der Mensch selbst, mit seinem individuell erworbenen Wissen und Erfahrungswerten: Er kann seine Expertise gezielt in das System einspeisen, sodass es auf Basis einer besseren Informationslage schneller und genauer urteilen kann. Letztlich ist auch immer noch er die Instanz, die sich entscheidet, die Empfehlung der Software anzunehmen oder zu übersteuern – eventuell aus Gründen, die das System rechnerisch gar nicht nachvollziehen könnte, wie z.B. bei einer fehlerhaften Charge von Zukaufteilen.

Von der Vision zur Realität

Intelligente Planungstools ermöglichen Fertigungsbetrieben, individuellen Kundenwünschen nachzukommen und dennoch wirtschaftlich zu produzieren. Der Schlüssel hierzu liegt in künstlicher Entscheidungsintelligenz. Indem es menschliche Erfahrung mit algorithmischem Leistungsvermögen vereint, eröffnet Digital Decision Making neue Perspektiven im Umgang mit Losgröße 1 und zeigt so gangbare Wege auf, die Vision zur Realität zu machen. Dabei wird KI nie gänzlich alleine planen. Sie befähigt den menschlichen Planungsverantwortlichen lediglich, auf Basis seiner Erfahrung situativ bestmöglich zu entscheiden. So ist es letztlich das Zusammenspiel von Mensch und Maschine, das eine individualisierte Produktion ermöglicht und Betriebe langfristig wettbewerbsfähig hält.