Als Experte für industrielle Qualität erweitert Ellistat sein Modul Datenanalyse neue Möglichkeiten im Bereich der künstlichen Intelligenz. Neben maschinellem Lernen und Klassifizierung ermöglicht die Integration neuronaler Netze die Modellierung komplexerer industrieller Verhaltensweisen. Mit dieser Weiterentwicklung der Software setzt Ellistat auf eine anwendungsorientierte, schrittweise und kontrollierte KI.
Die Ursachen von Abweichungen zu verstehen und bei den richtigen Parametern anzusetzen, ist nicht mehr nur eine Absicht, sondern mittlerweile ein konkreter Ansatz.
Nützliche industrielle KI – kein abstraktes Versprechen
Für Ellistat hat künstliche Intelligenz nur dann einen Wert, wenn sie den Industrieunternehmen tatsächlich hilft
besser zu produzieren. Und dafür muss sie zunächst einmal für alle nutzbar sein. Qualität beruht
basiert auf einem einfachen Prinzip: die eigenen Prozesse zu beherrschen, d. h. die Parameter zu verstehen
die die Produktion beeinflussen: Temperatur, Werkzeug, Material, Maschine, Bediener,
Anbieter, Einstellung, Umgebung. Die Ermittlung dieser Faktoren erfordert jedoch in der Regel
statistische Kenntnisse, über die nicht jeder verfügt und die nur wenige Werkstätten besitzen
haben Zeit, sich zu mobilisieren.
Wenn eine Abweichung, ein Fehler oder eine Veränderung auftritt, ist es oft schwierig, die Ursache dafür zu ermitteln
der Untersuchung: Man geht intuitiv vor, testet einen Parameter nach dem anderen, und die Zeit
Die Zeit, die man mit der Suche verbringt, führt zu Ausschuss, Verzögerungen und Anpassungen, die eher
Erfahrung statt Beweise.
Hier kommt Data Analysis ins Spiel: Die Software übernimmt den komplexen Teil, die
Berechnungen, Modelle, statistische Methoden und stellt sie über eine Benutzeroberfläche dar
Einfach. Man muss kein Experte für Data Science sein, um seine Daten zu analysieren und die
Einflussfaktoren, die Ursachen von Schwankungen verstehen und Modelle erstellen
die vor Ort genutzt werden können. So stehen jedem Analysefunktionen zur Verfügung, die bisher
nur für Fachleute bestimmt.
Diese Zugänglichkeit bestimmt auch die Zielgruppe der Software. Data Analysis ist nicht nur für
Experten für Statistik oder künstliche Intelligenz: Es richtet sich in erster Linie an diejenigen, die
kennen den Prozess: Techniker aus den Bereichen Arbeitsweise, Produktion und Qualität. Sie sind es, die
verfügen über die Kenntnisse vor Ort, und für sie muss das Tool die Analyse erstellen
zugänglich.
Die neuen KI-Funktionen folgen genau dieser Logik: Sie fügen
Leistung, ohne dabei die Benutzerfreundlichkeit zu beeinträchtigen. Für einen Laien,
Der Ansatz erfolgt weiterhin schrittweise und angeleitet. Bei einem Expertenprofil bietet die Software mehr Funktionen.
umfassend, mit erweiterten Einstellungsmöglichkeiten hinsichtlich der Modellstruktur und der Funktionen
Aktivierung: Er kann ein neuronales Netzwerk konfigurieren, einen Trainingsmodus auswählen,
die Art und Weise anpassen, wie das Modell aus den Daten lernt, oder Neuronen hinzufügen
je nach gewünschter Analyseebene. Die gleiche Benutzeroberfläche passt sich somit der jeweiligen Ebene an
jeder einzelne Schritt, von der Schnelldiagnose bis zur detaillierten Modellierung.
«Industrielle KI darf nicht nur eine weitere ‚Black Box‘ in der Werkstatt sein. Sie muss den
Teams dabei zu unterstützen, zu verstehen, was in ihren Prozessen tatsächlich vor sich geht. Mit DATA
Analysis: Wir möchten den Industrieunternehmen leistungsfähigere Modelle zur Verfügung stellen, aber
die von denjenigen genutzt werden können, die sich vor Ort auskennen. So wird KI erst wirklich nützlich:
»wenn sie die Produktionsentscheidungen beeinflusst“, erklärt Davy Pillet, CEO von Ellistat.
Von der klassischen Statistik bis hin zu KI-Modellen
Die Stärke von Data Analysis liegt in der Bandbreite der Methoden, die in einem einzigen Tool vereint sind. Bei der
Grundsätzlich beantworten klassische statistische Verfahren die gängigsten Fragen im Workshop: den Vergleich zweier Variablen, die Überprüfung, ob eine Veränderung einen tatsächlichen Effekt hat, die Messung einer Korrelation, die Erstellung einer Regressionsanalyse oder die Planung eines Versuchsplans. Diese Methoden sind einfach anzuwenden, nach wie vor unverzichtbar und bilden die Grundlage für einen strengen Qualitätsansatz.
Die neue Version erweitert diese Palette erheblich. Data Analysis umfasst
nun auch Modelle des maschinellen Lernens, neuronale Netze und
unüberwachte Klassifizierung. Während die klassische Statistik einfache Zusammenhänge beschreibt
Diese Modelle befassen sich – unter Berücksichtigung einiger Variablen – mit Phänomenen, bei denen zahlreiche
Die Parameter stehen in Wechselwirkung miteinander: Sie ermitteln die Funktion, die die Produktionsbedingungen mit dem
das erzielte Ergebnis und lassen Gruppierungen oder Verhaltensmuster erkennen, die das Auge
Der Mensch macht da keinen Unterschied.
Dem Nutzer steht somit ein umfassendes Spektrum zur Verfügung: Er wählt die für ihn geeignete Analyseebene aus,
Seine Frage: Vom Test mit zwei Variablen zum Vorhersagemodell, ohne dabei jemals das gleiche zu verlassen
Umwelt. Das Ziel bleibt auf jeder Ebene dasselbe: die Analysezeit zu verkürzen,
die Diagnosen zuverlässiger zu gestalten und die Maßnahmen auf die richtigen Ansatzpunkte zu konzentrieren.
Im Mittelpunkt der „Suite Qualité Ellistat“
DATA Analysis ist Teil der Ellistat Quality Suite, einer vollständig webbasierten Software-Suite für die
Industriequalität. Das Modul entfaltet seinen vollen Nutzen, wenn es die Daten aus
andere Software-Bausteine: mit SPC oder APC um die statistische Entwicklung ihrer
Prozesse zu steuern und die Produktion in Echtzeit zu überwachen sowie IQC um Anbieter zu vergleichen,
die Qualität der eingehenden Lieferungen zu analysieren oder die Entwicklung der Lieferantenleistung zu verfolgen
früher.
Diese Komplementarität verleiht der gesamten Qualitätssuite Kohärenz: Erfassen
die Daten erfassen, überwachen, analysieren und dann auf der Grundlage von Fakten Entscheidungen treffen.
Eine schrittweise und kontrollierte industrielle KI
Mit dieser Weiterentwicklung der Datenanalyse vertritt Ellistat einen pragmatischen Ansatz bei
Künstliche Intelligenz. Keine Aussicht auf Autonomie ohne zuverlässige Daten. Keine Diskurse, die losgelöst von den Realitäten der Produktion sind. KI muss sich auf zuverlässige Daten und Prozesse stützen
verständlich und mit messbaren Zielen.
Ellistat setzt auf eine KI, die Industrieunternehmen dabei unterstützt, besser zu analysieren, besser zu verstehen und
ihre Prozesse besser zu steuern.
FAQ
Muss man Data Scientist sein, um DATA Analysis zu nutzen?
Nein. DATA Analysis richtet sich in erster Linie an Fachkräfte aus den Bereichen Verfahrenstechnik, Produktion und Qualitätssicherung, die mit dem Prozess vertraut sind. Die Software übernimmt die Berechnungen und Modelle und führt den Benutzer Schritt für Schritt durch den Prozess. Erfahrene Anwender können, wenn sie möchten, auf erweiterte Einstellungen zugreifen: Struktur des neuronalen Netzes, Aktivierungsfunktionen, Trainingsmodus.
Was ist der Unterschied zwischen klassischer Statistik und maschinellem Lernen?
Die klassische Statistik beantwortet gezielte Fragen: Hat eine Veränderung eine tatsächliche Auswirkung? Korrelieren zwei Variablen miteinander? Sie ist nach wie vor der richtige Ansatz, wenn man nur wenige Parameter untersucht. Maschinelles Lernen und neuronale Netze kommen zum Einsatz, wenn zahlreiche Parameter miteinander interagieren und die Zusammenhänge nicht mehr einfach zu beschreiben sind. In DATA Analysis existieren beide Ansätze in derselben Umgebung nebeneinander: Man wählt die für die jeweilige Fragestellung geeignete Analyseebene aus.
Welche Daten werden zum Trainieren eines Modells benötigt?
Es werden Ergebnisdaten (ein Maßwert, eine Ausschussquote, ein gemessenes Merkmal) sowie die Produktionsparameter benötigt, die diese beeinflussen können: Maschine, Werkzeug, Materialcharge, Bediener, Einstellung, Umgebungsbedingungen. Der erforderliche Datenumfang hängt von der Anzahl der untersuchten Parameter und der Komplexität des Phänomens ab. Qualität ist dabei ebenso wichtig wie Quantität: Zuverlässige Messungen, die mit kalibrierten Messgeräten durchgeführt werden, sind die Voraussetzung für ein verwertbares Modell.
Wozu dient die unüberwachte Klassifizierung in der Produktion?
Sie fasst automatisch Elemente zusammen, die sich ähnlich verhalten, ohne dass die Gruppen im Voraus definiert werden müssen. In der Praxis ermöglicht sie es beispielsweise, Gruppen von Chargen, Maschinen oder Lieferanten mit ähnlichen Profilen hervorzuheben oder ein bisher nicht erkanntes atypisches Verhalten zu isolieren.
Funktioniert DATA Analysis mit den anderen Ellistat-Modulen?
Ja. DATA Analysis entfaltet seinen vollen Nutzen, wenn es die von den anderen Modulen der Qualitätssuite gesammelten Daten auswertet: SPC für die Prozesshistorie, IQC für die Lieferantenleistung und die Qualität der eingehenden Chargen, APC für Messungen und Maschinenkorrekturen. Die Daten sind bereits strukturiert, wodurch ein zeitaufwändiger Vorbereitungsschritt entfällt.
Kann ein KI-Modell das Fachwissen der Teams ersetzen?
Nein. Ein Modell hebt die Parameter hervor, die einen Ergebnis am stärksten beeinflussen, aber eine Korrelation ist nicht immer gleichbedeutend mit einer Ursache. Die Kenntnis des Prozesses bleibt unerlässlich, um die Ergebnisse zu interpretieren und über weitere Maßnahmen zu entscheiden. Bestehen Zweifel, lässt sich mithilfe eines Versuchsplans die tatsächliche Auswirkung eines Parameters bestätigen, bevor der Prozess geändert wird.
