Wenn von Künstlicher Intelligenz die Rede ist: Wer denkt da nicht sofort an ChatGPT? Aber KI ist mehr als nur ein generatives Sprachmodell. In der industriellen Praxis – etwa in der Produktionsplanung, der Fertigungsoptimierung oder bei der Steuerung von Wertschöpfungsprozessen – kommen vielfältige KI-Verfahren zum Einsatz. In unserer Aha!-Reihe knöpfen wir uns je einen Begriff aus der KI-Welt vor – verständlich erklärt und mit Anwendungen aus dem Produktionsalltag. Wir starten mit dem Machine Learning und einem praktischen Beispiel aus dem Produktionsalltag: den Wiederbeschaffungszeiten.  

Gerade in der Produktionswelt sind es meist Optimierungsalgorithmen, heuristische Regeln, simulationsgestützte Verfahren oder klassische Machine-Learning-Modelle, die konkrete Mehrwerte schaffen – sei es in Form kürzerer Durchlaufzeiten, besserer Ressourcenauslastung oder fundierter Planungsentscheidungen. 

Eine Aussage des Analystenhauses Gartner bringt es auf den Punkt: 

„AI does not revolve around GenAI“ – Künstliche Intelligenz dreht sich nicht nur um generative Modelle.  
 
Gartner definiert künstliche Intelligenz als die Anwendung fortschrittlicher, logikbasierter Analysetechniken. Sie umfasst ein breites Spektrum an Technologien wie regelbasierte Entscheidungsmodelle, Computer Vision oder prädiktive Analysen – allesamt mit hohem Relevanzpotenzial für industrielle Anwendungen. Auch das Machine Learning (ML) gehört dazu. Und damit jetzt Bühne frei für Aha-Momente rund um den Problemlöser für Wiederbeschaffungszeiten.  
 

Machine Learning ist überall 

Machine Learning ist ein Teilbereich der künstlichen Intelligenz. Das maschinelle Lernen fokussiert sich auf das Trainieren von Computern, um aus Daten und Erfahrungen zu lernen und immer besser zu werden. Algorithmen werden darauf trainiert, Muster und Korrelationen in großen Datensätzen zu finden. Diese Analyse gilt als Grundlage für die besten Nutzer-Entscheidungen und -Vorhersagen. Je mehr Daten vorliegen, desto genauer kann er diese treffen.   

Wo versteckt sich KI im ML?

Algorithmen für maschinelles Lernen ermöglichen der KI nicht nur, Daten zu verarbeiten. Sie verwenden diese auch und lernen so dazu – und das ohne eine weitere Programmierung. Künstliche Intelligenz ist die Mutter aller darunterliegenden Teilmengen des maschinellen Lernens. Darunter befinden sich die neuronalen Netze, bestehend aus künstlichen Neuronen, die komplexe Muster erkennen. Bestandteil ist auch das Deep Learning, das viele Schichten des neuronalen Netzes und große Mengen komplexer und unterschiedlicher Daten beinhaltet. 

Die Daten, auf die maschinelles Lernen zugreift, befinden sich in unseren Haushalten, in unseren Warenkörben, in unseren Unterhaltungsmedien, in unserem Gesundheitswesen – und in der Produktion.  
 
Die Ergebnisse des Maschinellen Lernens liefern eine präzise Basis für die Optimierungsalgorithmen von INFORM. Unsere Software berechnet das „optimale Ergebnis“, das so noch genauer wird. 
 

Vergessene Daten, große Wirkung: ML in der Produktion

Zwischen bestätigten und tatsächlichen Lieferterminen von Bestellungen klafft oft eine Lücke. Die Ware wird zu früh oder spät geliefert – die in den Stammdaten hinterlegten Liefer- und Wiederbeschaffungszeiten sind unzuverlässig. Der Grund: Sie sind statisch und kaum gepflegt. Damit lassen Maschinen- und Anlagenbauer viel Optimierungspotenzial links liegen. 

Aufnehmen können sie es mit einer besonderen Machine Learning Anwendung der INFORM, die Wiederbeschaffungszeiten realistisch ermittelt. Sie dienen als Grundlage für die Optimierung der Produktionsplanung.  

Die Anwendung nutzt ERP-Systeme als Datenquelle und wendet Machine Learning an. „Jeder Maschinenbauer hat ein ERP. Wir haben sogar eine Historie von Bestellungen“, erklärt Markus Günther, Vertriebschef Produktion bei INFORM. „Jede Bestellung hat Informationen zum Datum der Bestellung, zur Bestätigung durch den Lieferanten und zum Lieferdatum. Viele vergessen die Daten einfach, wenn die Bestellung da ist.“ Dabei seien sie sehr gut gepflegt. Die INFORM-Entwickler haben die umfangreichen Historiendaten ausgewertet.  
 

XGBoost – was ist das?

Die Experten setzen auf XGBoost. Das ist ein leistungsstarkes Machine-Learning-Verfahren, welches durch intelligentes Lernen einer Vielzahl von Entscheidungsbäumen die Vorhersageleistung optimiert. 

Auf Basis der individuellen Kundendaten wird ein komplexes Machine-Learning-Modell trainiert – bestehend aus zahlreichen Entscheidungsbäume mit variierenden Eigenschaften. 

Während des Trainings erfolgt eine gezielte Feinjustierung der Modellparameter. So kann das final gelernte Modell bestmögliche Vorhersagen generieren. 

Die Wiederbeschaffungszeiten konnten bei den Kunden deutlich genauer prognostiziert werden – Schätzfehler reduzierten sich um bis zu mehr als 40 %. Für Produktionsplaner bedeutet das eine deutlich höhere Planungssicherheit: Sie können realistischer terminieren, Engpässe frühzeitig erkennen und so Pufferzeiten sowie ungeplante Stillstände reduzieren. Das schafft eine höhere Termintreue, stabilere Produktionsabläufe und einen optimierten Ressourceneinsatz. AHA! 

Sie haben Interesse, auch Ihre Wiederbeschaffungszeiten und damit Ihre Produktion KI-gestützt zu optimieren? Dann nehmen Sie gerne Kontakt auf. 

PS.: Fortsetzung folgt mit AHA!-Momenten zum Thema Chatbot!