Künstliche Intelligenz und Qualitätsmanagement – Chancen und Herausforderungen
Viele Experten und Unternehmer setzen große Hoffnungen auf Verfahren der künstlichen Intelligenz (KI). Die Anforderungen an Produktions- und Dienstleistungsunternehmen, die Qualität ihrer Produkte zu verbessern, indem sie Prozesswissen eruieren, wird nach Ansicht dieser Fachleute zunehmen. KI mit den Verfahren Deep Learning oder Machine Learning bietet hier große Vorteile. Welche Auswirkungen hat das auf das Qualitätsmanagement?
Die Entscheider in Unternehmen haben klare Vorstellungen davon, wo KI in Zukunft den größten Nutzen bringen kann. Automatisierung, Prognosen für die Optimierung der Wartung und die Interaktion zwischen Mensch und Maschine seien die vielversprechendsten Segmente. Dies sind die Ergebnisse einer Umfrage des Software-Unternehmens IFS unter rund 1.400 IT-Verantwortlichen. Bei den Einsatzgebieten von KI lag in der DACH-Region Qualitätsmanagement mit 22 Prozent an der Spitze. Auf den Plätzen folgten Data Analytics und Business Intelligence mit 18 beziehungsweise 16 Prozent.
Sauberen Systemübergang garantieren
Warum ist KI gerade im Qualitätsmanagement so attraktiv? KI kann für das Qualitätsmanagement schnell Ergebnisse liefern, ist eine mögliche Antwort. Allerdings müssen die Aussagen der KI belastbar und vertrauenswürdig sein, gerade im Qualitätsmanagement. Derzeit nutzen Unternehmen in der Regel Wissen und Erfahrungen von Mitarbeitern, wenn Prozessdaten für das Qualitätsmanagement analysiert werden. KI könnte hier andere, zusätzliche Erkenntnisse liefern. Bei der Implementierung von KI müssen insbesondere die Ergebnisse des Systems genau überprüft werden. Hierbei sollten von der KI gelieferte Resultate in einem Übergangsschritt mit den Ergebnissen des Vorgängersystems abgeglichen werden.
Kernthema maschinelles Lernen
KI versucht durch unterschiedliche Ansätze nachzubilden, wie Menschen Probleme lösen. Bei diesem Verfahren wird ein Algorithmus mit Übungsdaten versorgt, um selbständig Lösungen für unbekannte Probleme zu finden. Hierbei setzt der Algorithmus nicht auf Regeln des Bedieners, sondern bringt abstrakte Lösungen zum Einsatz, die er in seiner Lernphase eigenständig entwickelt hat. Künstliche neuronale Netze sind Teil des Machine Learnings, sie arbeiten auf eine vergleichbare Art und Weise wie das menschliche Gehirn. Die Mehrzahl der exponierten Vertreter von KI nutzen das Verfahren artifizieller neuronaler Netze. Bekannte Vertreter hierfür sind etwa Microsofts Bilderkennung, die bereits im Jahr 2015 zuverlässiger arbeitete als Menschen oder Googles Deep-Mind-Algorithmus, der ein Jahr später den damaligen Go-Meister Lee Sedol besiegte.
Einsatzgebiet Statistische Prozessregelung
Auch im QM können KI-Methoden ihren wesentlichen Beitrag dazu leisten, die Produktion zuverlässiger werden zu lassen. KI-basierte Software ist etwa in der Lage, aus bereits bekannten Informationen neue Erkenntnisse zu generieren. Diese Lösungen sind in der Lage, bereits existierende Prozesse für das Verarbeiten von Informationen im QM durch effektivere und effizientere Verfahren zu ersetzen. Statistische Prozessregelung (SPC) etwa kann im QM von KI profitieren. Bei diesem Verfahren werden definierte Variablen wie das Ausmaß der an einer Maschine produzierten Bauteile über die Dauer der Produktion hinweg dokumentiert. Die erfassten Daten lassen Schlussfolgerungen über die Qualität des Herstellungsprozesses zu. Dies erlaubt es, ein Frühwarnsystem zu implementieren, wenn auffällige Daten oder kritische Trends zu beobachten sind.
Statistisches Fachwissen erforderlich
Um eine Interpretation der Messdaten zu ermöglichen, muss ihre Relevanz für den Produktionsprozess bewertet werden. Hierzu sind allerdings Informationen nötig, wie die angestrebte Verteilung der Messwerte aussehen soll. Die zutreffende Strategie hierzu definiert der Benutzer, danach startet der Algorithmus Hypothesentests. Allerdings erfordert dieses Verfahren, dass die Bediener über Fachwissen für statistische Zusammenhänge und den zu überwachenden Prozess verfügt. Durch den Einsatz von KI kann das Prozedere jedoch einfacher gestaltet werden. Eine zielführend trainierte KI kann hierbei sehr hilfreich sein. Die KI kann das ursprünglich unabdingbare Expertenwissen größtenteils ersetzen und das Handling bezüglich der Regelung von Prozessen deutlich erleichtern. In diesem Fall wird das Monitoring des Prozesses zuverlässiger und einfacher zu bedienen. Außerdem kann die Überwachung insbesondere bei umfangreicheren Prozessdatensätzen schneller vonstattengehen.
Entscheidungsfindung transparent machen
Bei allen Vorzügen der KI existiert ein Nachteil, dessen Bedeutung nicht zu unterschätzen ist. Bei Algorithmen, die auf Basis künstlicher neuronaler Netze arbeiten, ist der Ablauf des Prozesses nicht transparent. Das System produziert zwar ein Ergebnis, auf welche Art und Weise die KI es ermittelt hat, ist jedoch nicht ersichtlich. Der Prozess der Entscheidungsfindung der KI ist kaum oder gar nicht nachvollziehbar. Aus diesem Grund bezeichnet man diese Verfahren auch als Black-Box-Modelle. Im Gegensatz hierzu ist bei White-Box-Modellen bekannt, wie die Entscheidungsfindung vonstattengeht. Entweder legen die Softwareentwickler die Programmierung offen oder der Anwender definiert die Entscheidungsregeln. Anbieter von KI-Software versuchen auf unterschiedliche Weise, dieses Transparenzproblem zu lindern. Bei einem Ansatz lassen sie beide Systeme, das neue KI-basierte und das alte, parallel laufen. Wenn die Ergebnisse der beiden Verfahren über einen längeren Zeitraum nahezu identisch sind, so baut dies Vertrauen bei den Nutzern auf. Außerdem kann die KI-Software eventuell auch die Güte ihrer vorgeschlagenen Lösungen kalkulieren. Diese kann ebenfalls mit den Ergebnissen des aktuellen Systems verglichen werden.
Hier bloggt Ihre Redaktion.