Die intelligente, vernetzte Fabrik
Kundenindividuelle Produkte steuern sich selbst durch die Fertigung. Fahrerlose Transportsysteme übernehmen die Intralogistik an die jeweils optimale Produktionseinheit, in welcher die Prozesse autonom oder in Kollaboration zwischen Mensch und Roboter zuverlässig ausgeführt werden. Zukunftsvision? Nein, denn bereits seit zehn Jahren ist Industrie 4.0 der zentrale Trend in der Produktion, welcher beispielsweise durch die zunehmende Hyperautomatisierung oder das Edge Computing gestützt wird. Vorausschauende Wartung (Predictive Maintenance), kontinuierliche Zustandsüberwachung und datenbasierte Optimierung und Steuerung (Condition-based Monitoring), flexible und modulare Prozesse – Industrie 4.0 im Sinne einer intelligenten sowie vernetzten ‚Smart Factory‘ befähigt zu einer Vielzahl an Möglichkeiten zur Steigerung der Wettbewerbsfähigkeit. Die Grundlage hierfür bildet das erfolgreiche Verknüpfen von KI und IoT zur Realisierung von neuen Geschäftsmodellen sowie Prozessoptimierungen durch Smart Connected Products oder Solutions. Ergebnisse einer erfolgreichen digitalen Transformation äußern sich z.B. in einer gesteigerten Liefertreue, kürzeren Durchlaufzeiten, einer effizienteren Ressourcennutzung, geringeren Beständen sowie einer erhöhten Prozesstransparenz.
Maschinelles Lernen im Kontext von IoT
Selbstlernende Algorithmen werden der vorliegenden Daten immer intelligenter und unterstützen Tätigkeiten in der Industrie. Maschinelles Lernen als konkrete Ausprägung der sogenannten ’schwachen‘ künstlichen Intelligenz ermöglicht selbstlernenden Algorithmen, große Datenmengen (Big Data) zu analysieren, Muster zu erkennen, Prozesse zu optimieren und neue Lösungen zu finden. Maschinelles Lernen wird durch ‚Edge Computing‘ verstärkt: Berechnungen werden örtlich nah an der Quelle der Datenerzeugung durchgeführt und sind so effizienter, robuster und reaktionsfähiger (Stichwort ‚Echtzeitfähigkeit‘). Maschinelles Lernen kann in Supervised Learning, Unsupervised Learning und Reinforcement Learning unterteilt werden, wobei jede Art für unterschiedliche Fragestellungen passend ist. Relevant im industriellen Kontext ist z.B. die Bilderkennung von Dingen in der Produktion, welche durch Klassifizierungsalgorithmen realisiert werden kann. Industrieunternehmen, die maschinelles Lernen wertgenerierend einsetzen wollen, brauchen aber nicht nur leistungsstarke Rechner, die Daten in Insights verwandeln. Sie benötigen auch die entsprechende Infrastruktur, eine passende Governance und eine zielgerichtete Datenstrategie: ‚Data to Value‘.
Proaktive Absicherung vernetzter IoT-Devices
IT-Security-Risiken sind seit vielen Jahren bekannt und als größtes Geschäftsrisiko für Unternehmen weltweit nach wie vor wichtig. Spymails, DDos-Angriffe, Phishing – das sind bekannte Angriffsszenarien, deren Risikomechanismen auf IoT-Netze übertragbar sind und hier ebenfalls berücksichtigt werden müssen. Im Industriebereich ist die Berücksichtigung einer ausreichenden I(o)T-Security ein unausweichliches Thema. Knowhow-Diebstahl, Produktionsausfälle sowie der damit verbundene finanzielle Schaden erfordern ausreichende Schutzmechanismen. So betrugen die Folgeschäden von Cyberangriffen auf Industrieunternehmen in Deutschland im Jahr 2019 ca. 102,9 Milliarden Euro. In IoT-Netzwerken ist jedes zusätzliche Element ein weiterer potenzieller Angriffspunkt und muss durch aktive Maßnahmen abgesichert werden. Im Zuge der zunehmenden Anwendung von KI im IoT-Kontext müssen drei Perspektiven evaluiert werden, um potenzielle Folgerisiken abzuwehren: Wie schütze ich KI-basierte Systeme? Wie nutze ich KI zur verbesserten Absicherung? Wie kann ich die Nutzung von KI durch potenzielle Angreifer proaktiv abwehren?
