KKC_0211 | KI-Transformation in der Produktion

Sie möchten KI nicht als Demo, sondern als wirksamen Hebel in der Produktion einsetzen. In diesem Seminar bauen Sie eine belastbare Vorgehensweise auf, um KI-Initiativen vom ersten Use-Case-Impuls bis zum Rollout in Linie und Werk zu führen. Sie starten mit der Auswahl von Use Cases, die in der Fertigung typischerweise Nutzen liefern, zum Beispiel Ausschussreduktion, OEE-Verbesserung, Energieoptimierung oder weniger ungeplante Stillstände.

Dafür nutzen Sie eine Aufwand-Nutzen-Matrix und lernen, welche Voraussetzungen häufig über Erfolg oder Scheitern entscheiden, etwa Prozessstabilität, Taktzeit, Datenverfügbarkeit und die Möglichkeit, eine verlässliche Ground Truth zu erzeugen. Anschließend gehen Sie in die Datenrealität am Shopfloor: Welche Signale kommen aus Sensorik, PLC, SCADA, MES oder Historian, wie entstehen Zeitstempelprobleme, Drift und Lücken, und wie bringen Sie Kontextdaten wie Chargen, Rezepturen oder Werkzeugstände sauber zusammen. Darauf aufbauend entwickeln Sie ein Zielbild für die Architektur: Edge oder Cloud, Streaming oder Batch, event-getriebene Pipelines, Integration über OPC UA oder MQTT und ein Datenkatalog, der Auffindbarkeit und Verantwortlichkeiten klärt.

Im zweiten Schwerpunkt übertragen Sie typische ML/AI-Muster auf Produktionsszenarien: Predictive Maintenance, Anomalieerkennung, visuelle Qualitätsprüfung und Prozessoptimierung. Sie lernen, wie Sie Modelle validieren, wie Sie Labeling und Messsystemanalyse planen und wie Sie Nutzen-KPIs definieren. Abschließend setzen Sie den Betrieb auf: MLOps, Monitoring, Drift-Erkennung, Retraining, Rollback und Freigaben.

Governance, OT-Security und Anforderungen aus dem EU AI Act runden das Seminar ab, damit Ihr KI-Transformation skalierbar und auditfähig wird.

• Produktions-Use-Cases nach Aufwand und Nutzen priorisieren
• Ausschuss, OEE, Energie und Stillstände als Zielgrößen strukturieren
• Prozessstabilität, Taktzeit, Datenlage und Ground Truth bewerten
• Sensor-, PLC-, SCADA-, MES- und Historian-Daten zusammenführen
• Zeitstempelprobleme, Datenlücken und Drift erkennen
• Kontextdaten zu Chargen, Rezepturen und Werkzeugen integrieren
• Piloten mit Betriebsmodell, Kennzahlen und Rollout-Plan absichern

Das Seminar richtet sich an Produktionsleiter/innen, Werkleiter/innen, Prozessingenieur/innen, Digitalisierungsverantwortliche sowie Fachkräfte aus Operational Excellence, IT und Data Analytics.

Grundkenntnisse in Produktionsprozessen, Fertigungskennzahlen oder industrieller Datenverarbeitung werden vorausgesetzt. KI-Kenntnisse sind hilfreich, aber nicht erforderlich.

• KI-Use-Cases, die in der Produktion tragen
  • Werthebel: Qualität, OEE, Energie, Durchlaufzeit
  • Use-Case-Scoping mit Aufwand-Nutzen-Matrix
  • Grenzen: Datenlage, Prozessstabilität, Taktzeiten
  • Make-or-Buy und Build-vs-Integrate
• Datenbasis im Shopfloor: OT trifft IT
  • Signalquellen: Sensorik, PLC, SCADA, MES, Historian
  • Datenqualität: Zeitstempel, Sampling, Drift, Missing Values
  • Kontextdaten: Aufträge, Rezepturen, Chargen, Werkzeugstände
  • Edge vs. Cloud: Latenz, Kosten, Betriebsmodelle
• Architektur für Industrie 4.0 mit KI
  • Referenzbilder: ISA-95, Purdue Model, Datenplattformen
  • Streaming vs. Batch und Event-getriebene Pipelines
  • Digitale Zwillinge als Kontext- und Simulationslayer
  • Integration: APIs, OPC UA, MQTT, Datenkatalog
• ML/AI in der Praxis: typische Produktionsmuster
  • Predictive Maintenance: Ausfälle, RUL, Anomalien
  • Visuelle Qualitätsprüfung: Defekte, Ausschuss, Nacharbeit
  • Prozessoptimierung: Setpoints, SPC, Ursachenanalyse
  • Planung: Forecasting, Bestände, Rüstoptimierung
• MLOps und Betrieb: vom Pilot zur Linie
  • Modell-Lifecycle: Training, Deployment, Monitoring
  • Drift, Retraining, A/B-Tests und Rollback-Strategien
  • Validierung: Ground Truth, Labeling, Messsystemanalyse
  • KPIs: Nutzenmessung, Akzeptanz, Skalierung
• Governance, Sicherheit und Regulatorik
  • OT-Security und sichere Datenpfade
  • Rollen, Verantwortlichkeiten, Freigabeprozesse
  • EU AI Act: Risikoklassen, Dokumentation, Pflichten
  • Datenschutz und IP: Lieferanten, Modelle, Daten