Fallstudie: Produzierendes Gewerbe

Viele Produktionsbetriebe in der Metallverarbeitung, die Werkstücke in Masse liefern müssen, nutzen Pressverfahren. Bei der Umformung können jedoch feinste Risse entstehen.

Werden jene fehlerhaften Teile nicht erkannt, verbaut und an den Kunden geliefert, entstehen unnötig hohe Kosten, aufwendige Rückrufe und Imageschaden.

Qualitätskontrolle ist somit essentieller Bestandteil aller modernen Produktionsstraßen. Derzeitige Lösungen setzen auf kostspielige, lediglich für das eine Teil entwickelte Software. Im besten Fall wird das Ergebnis noch von einer zusätzilchen Expertenfachkraft verifiziert.

Neben geringer Erkennungsquoten ist dieser Ansatz wenig flexibel. Neue Bauteile bedeuten aufwendige Anpassungen oder sogar komplett neue Systeme. Zustäzlich bindet dieser Prozess Fachkräfte an monotone Sichtungsarbeiten.

Eine vollautomatsche Erkennung, trainiert mit maschinellem Lernen ist deutlich einfacher anzupassen - es müssen lediglich neue Daten aufgenommen werden.

Künstliche neuronale netze sind bereits besser im Erkennen von Objekten in Fotos als Menschen. Dieser Trend setzt sich derzeit konsequent fort und ist bei vielen anderen Signalen zu beobachten, so zum Beispiel Audio.

McKinsey Analytics erwartet für den Sektor "Automotive & Assembly" eine potentielle Leistungssteigerung von 85% im Vergleich zu den bisherigen Methoden, um 2-3% gesteigerten Erlös und weltweit 2 Billionen Euro an Mehrwert.