Hanna: Wo wir gerade bei Mühe und Zeit sind, wie nutzerfreundlich sind denn regelbasierte Systeme?

Peter: Um so ein System bedienen zu können, wird oftmals eine Schulung mitverkauft. Diese Schulungen sind oftmals nicht nur zwei oder drei Stunden lang, sondern ziehen sich teilweise über mehrere Tage, in denen man eigewiesen wird. Hinzukommt, dass die Benutzeroberfläche von regelbasierten Systemen besonders im Vergleich zu dem, was wir aus der Konsumentenwelt kennen, äußerst komplex ist. Daher ist es in vielen Fällen auch eine Notwendigkeit, über geschultes Personal zu verfügen, das sich nur um die Wartung dieser Systeme kümmert. Es ist einfach sehr kompliziert, diese Systeme zu bedienen und damit auch zu warten.

Hanna: Ich fand sehr interessant, dass man beim Maddox AI-System erst in einen Lizenzvertrag eintritt, wenn wir zeigen konnten, dass die Performance-KPIs erfüllt werden. Ergab sich diese Entscheidung auch aus einem Problem, was ihr im Status Quo der regelbasierten Systeme gesehen habt?

Peter: Ja, definitiv. Die Art, wie heute visuelle Kontrollsysteme gekauft werden, ist nicht immer im besten Interesse des Kunden. Im Moment geschieht das stark nach der folgenden Logik: Nehmen wir mal an, ich kaufe ein Kontrollsystem für eine Viertelmillionen Euro. Davon muss ich 40 % anzahlen, damit der Anlagenbau anfangen kann. Dann gibt es vielleicht noch einen Zwischenschritt, in dem gewisse Funktionen integriert oder zusammengebaut werden. Dafür muss ich noch mal 30 % des Projektvolumens an den Anlagenbauer überwiesen. Danach gibt es eine interne Inbetriebnahme oder eine interne Abnahme beim Anlagenbauer selbst und dort wird geprüft, ob die Anlage sauber funktioniert. Danach muss ich natürlich noch mal eine Abschlagszahlung leisten, wodurch schon 80-90% des Projektvolumens bezahlt sind. Für die letzten 10 % wird die Anlage zum mir als Kunden geliefert, um sie dort in Betrieb zu nehmen. Nach der Inbetriebnahme überprüfe ich als Kunde natürlich mit einer Abnahme, ob das Kontrollsystem die versprochene Erkennungsgenauigkeit von, sagen wir 99%, erzielt. Bei dieser Abnahme zeigt sich dann jedoch, dass die Erkennungsgenauigkeit nur 97% beträgt. Als Kunde habe ich dann schon 90 % des Geldes gezahlt und möchte die Anlage natürlich auch nutzen, obwohl sie nicht so genau prüft, wie eigentlich versprochen. Das ist von der Risikologik für mich als Kunden nicht optimal, da ich vorher schon viel Geld investieren muss, bevor ich weiß, wie gut das Kontrollsystem funktioniert. In einer Umfrage, die wir kürzlich bei Industrieunternehmen durchgeführt haben, kam heraus, dass mehr als 40% aller Unternehmen schon einmal ein Inspektionssystem gekauft haben, was nicht so funktioniert hat wie ursprünglich versprochen und welches deshalb aktuell in einer Ecke der Produktion vermodert. Deshalb sagen wir bei Maddox AI, dass der Kunde erst dann zahlt, wenn wir mit dem System zeigen konnten, dass wir die versprochene Genauigkeit, Taktzeit etc. auch erfüllen. Das heißt, es gibt keine Abschlagszahlung bei uns und wir tragen das komplette Investitionsrisiko. Wir bauen die Anlage beim Kunden auf, entwickeln die Software, feintunen und optimieren sie und der Kunde zahlt erst dann, wenn unser Kontrollsystem das leistet, was vorher festgelegt wurde. Wenn unser Kontrollsystem nicht die versprochenen Leistungen erbringt, zahlt der Kunde gar nichts.

Hanna: Die größten Probleme bei regelbasierten Systemen sind also die Schwierigkeit komplexe Prüfaufgaben zu automatisieren, die geringe Nutzerfreundlichkeit sowie die Art und Weise, wie diese Systeme verkauft werden. Gibt es denn auch Probleme, die sowohl bei der regelbasierten als auch bei der manuellen Kontrolle auftreten?

Peter: Ein Problem, welches beide Arten der Qualitätskontrolle betrifft, ist die Digitalisierung. Aus unserer Sicht sollte jedes Automatisierungsprojekt am Ende auch ein Digitalisierungsprojekt darstellen. Das heißt, wenn ich aktuell manuell kontrolliere, dann verfüge ich vielleicht am Ende des Tages oder in der Woche Excellisten oder händischen Listen, wo die Prüfenden ausfüllen, wie viele Fehler sie gefunden haben. Das ist aber weder ein digitaler Prozess, noch nutze ich diese Daten in großem Umfang. Die Daten werden höchstens gelegentlich projektbasiert ausgewertet, um festzustellen, wie gut oder schlecht die Produktion im Moment auf der Qualitätsebene funktioniert. Die automatischen, regelbasierten AOI-Systeme, die es schon gibt, haben in den meisten Fällen natürlich eine kleine Auswertungslogik, aber viel wird mit den Daten trotzdem nicht gemacht. Dabei kann man mit diesen Daten wirklich wertvolle Erkenntnisse sammeln. Ich kann z.B. automatische Pareto-Analysen oder Konzentrationsanalysen durchführen. Genauso kann ich mich automatisch per E-Mail oder per SMS benachrichtigen lassen, wenn ich Gefahr laufe, zu viel Ausschuss über einen längeren Zeitraum zu produzieren. Diese Potenziale der Datenanalyse und der Digitalisierung im Zuge der Automatisierung werden von vielen Anlagenbauern noch nicht so stark adressiert. Dieses Potenzial schöpfen wir bei Maddox AI aus.

Hanna: Du hast bereits angedeutet, dass KI-basierte Systeme eine wichtige Möglichkeit sind, um die größten Probleme in der visuellen Qualitätskontrolle zu lösen. Aber wieso braucht es so lange, damit sich die KI-basierten Systeme in der Industrie etablieren? Als Konsument*innen benutzen wir KI-basierte Software z.B. auf unseren Handys ja bereits eine ganze Weile.

Peter: KI-basierte Systeme gibt es, glaube ich, auch schon durchaus länger in der Industrie und ich glaube, vor allem das Marketing für KI-Systeme ist relativ groß. Trotzdem heben diese Systeme in der Industrie nicht so schnell ab, wie KI-Systeme in der Endkonsumentenwelt. Ich glaube, das lässt sich vor allem durch Datenzugänglichkeit erklären. Im B2C-Bereich habe ich über das Internet einfach Millionen, Milliarden an Datenpunkt von Bildern, Sprache etc. frei zugänglich. Mit diesen Daten kann man natürlich viel machen. Daten in einem Industriekontext sind schwieriger zu bekommen, weil die meisten Firmen Angst haben, Daten zu teilen. Das heißt, diese Daten, die man braucht, um KI-Systeme für die industrielle Anwendung zu entwickeln, waren nicht frei verfügbar und es hat dementsprechend sehr viel länger gedauert, KI-basierte Systeme für die Industrie zu entwickeln. Die B2C-Welt hatte daher sozusagen einen natürlichen Vorsprung, weil die Daten viel verfügbarer waren.

Ein zweites Thema ist, glaube ich, die Attraktivität von Anwendungen. Die ist bei manchen Anwendungen einfach höher als bei anderen. Schauen wir uns z.B. das Thema Werbung an. Da nutzt Facebook KI-Algorithmen, um Werbung auszuspielen. Und das “Vertical” Werbung ist natürlich ein großes Thema, in dem sehr viel Wert steckt. Gleichzeitig brauche ich dafür nur ein KI-Modell oder einer KI-Modell-Familie, um diese Werbung auszuspielen. Ich habe also einen riesigen Anwendungsbereich, habe aber relativ wenig Aufwand, um einen großen Wert zu erzielen. Da das Verhältnis zwischen Opportunität und Kosten so attraktiv ist, wurden schnell größere Beträge in diesen Bereich investiert, was die Entwicklung und Verbreitung von KI-Systemen schnell vorangetrieben hat. Das Gleiche gilt z.B. auch für die Suchmaschine von Google. Auch hier kann ich mit einem Modell, einer Modell-Familie, ziemlich viel Wert schaffen.

Hanna: Und wie sieht das bei der visuellen Qualitätskontrolle aus?

Peter: Hier haben wir einen viel größeren Long Tail. Es gibt viele kleinere Use Cases. Bei diesen Use Cases kann ich feststellen, dass z.B. die visuelle Inspektion von Draht, Dichtungen oder auch Fahrzeugen zwar ein relevantes Thema ist, allerdings nur für einen jeweils kleineren Kundenkreis. Das heißt, ich muss viele individuelle Modellierungsaufgaben lösen, die alle lohnenswert und sinnvoll sind. Der Markt ist also deutlich kleinteiliger als der Werbe- oder Search-Markt. Über alle Use-Cases hinweg ist dieser aber natürlich trotzdem riesig.

Zusammenfassend habe ich also einerseits gar nicht die Daten oder nur wenige Daten, um KI-basierte Kontrollsysteme zu entwickeln. Anderseits ist der Mehrwert, den ich mit einem einzelnen Modell erzielen kann, deutlich geringer als mit einem superguten Search Algorithmus. Im visuellen Qualitätskontrollbereich war es deshalb notwendig eine Plattform zu bauen, die es Firmen mit ihren individuellen Use Cases ermöglicht, ein gutes KI-Modell auch für ihre spezielleren Anwendungsfälle zu entwickeln. Genau diese Plattform haben wir mit Maddox AI gebaut.

Hanna: Vielen Dank Peter, das war sehr aufschlussreich.

Wenn Sie sich in diesen Problemen wiedergefunden haben, macht es Sinn über ein KI-basiertes Kontrollsystem nachzudenken. Melden Sie sich gerne bei uns, wir freuen uns zu prüfen, ob das Maddox AI-System auch bei Ihnen die Qualitätsüberprüfung zuverlässig automatisieren kann.

In der nächsten Folge werde ich den Nutzen von KI-basierten Systemen in der industriellen Anwendung noch genauer betrachten und ebenfalls im Gespräch mit Peter Droege rausfinden, ob sich KI-basierte Kontrollsysteme auch im finanziellen Sinne für Unternehmen lohnen.