Adaptive KI-Optimierungen kommen heute bereits in der Automobil- und Metallindustrie sowie in der Energiewirtschaft zum Einsatz. Dort unterstützen sie Sequenzierung und Scheduling an vielen Entscheidungspunkten in Geschäftsprozessen. Hierbei reagieren die Systeme nicht nur auf aktuelle Daten, sondern passen ihr Verhalten fortlaufend an neue Bedingungen an. Grundlage hierfür ist das Qualitative Labeln von Daten.
Bedeutung von automatisiertem Qualitativen Labeln
In klassischen KI-Systemen werden Daten selten und meist manuell gelabelt. Diese Labels bleiben oft lange gültig. In der Industrie ändern sich jedoch Produktionsparameter ständig, wie etwa der tägliche Auftragsmix. Aus diesem Grund braucht es ein automatisiertes, algorithmisches Labeln, das die Bedeutung der Daten für die Geschäftsprozesse berücksichtigt. Softwarelösungen wie PSIqualicision AI erfüllen diese Anforderungen bereits heute und beweisen ihren Nutzen unter anderem in der Automobilindustrie. Die nächste Generation der Software verbindet nun die adaptive Optimierung zusätzlich mit Generativer KI. Damit wird eine textbasierte Interaktion möglich.
Praxisbeispiel: Sequenzierung in der Automobilproduktion
Ein typisches Anwendungsbeispiel ist ein Sequenzierungssystem in Automobilwerken. Die Graphical User Interface (GUI) visualisiert die Produktionsreihenfolgen und verteilt Aufträge über bestimmte Zeiträume wie „Woche“ oder „Tag“. In einer Strichgrafik (siehe Abbildung 1) werden in den Zeilen Auftragseigenschaften (z. B. Rechtslenker, Cabrio, Panoramadach, Hybridmotor) und in den Spalten die in Sequenz gestellten Aufträge angezeigt. Das System erzeugt eine Abfolge von Entscheidungen ähnlich wie die Züge in einem Schachspiel. Es taktet das Auftragsvolumen so in die Linie ein, dass technische und kapazitative Bedingungen eingehalten werden und betriebswirtschaftliche Ziele (KPIs) möglichst gut erreicht werden. Da sich die Bedingungen im Werk ständig ändern, muss der KI-Algorithmus sein Verhalten fortlaufend anpassen.
Quelle: PSIÄhnliche Prinzipien gelten für Scheduling-Szenarien in der Metallproduktion und im Fieldforce-Management der Energiewirtschaft. Dort helfen Gantt-Diagramme die Abläufe zu planen und zu visualisieren. Die Adaptivität der Optimierungssoftware beruht auf internen Lernmechanismen. Diese nutzen qualitativ gelabelte Präferenzmuster. Werden die Ergebnisse dieser Lernlogik zusammen mit den Verhaltensmustern des Optimierungsalgorithmus gespeichert, erzeugt das System neue qualitativ gelabelte Verhaltensdaten. So lassen sich langfristige Muster erkennen und nutzen.
Synergetisches KI-Trio für erklärbare Entscheidungen
Darauf aufbauend können Produktionsunternehmen nun Generative KI in Form von Chat-Anwendungen einsetzen, die auf Large Language Models (LLM) basieren. Sie erklärt die außerhalb des LLM berechneten Optimierungsergebnisse. Dazu nutzt sie gelernte Vorhersagemuster sowie spezielle Dokumente aus dem Anwendungsbereich (RAG-Ansatz). PSIqualicision AI stellt dafür das Tool PSIqualicision A2 (Ask and Answer) bereit, das unter anderem mit LLMs wie Gemini kombiniert wird. Die GUI zeigt dann die Entscheidungssoftware zusammen mit einer Erklärungskomponente. Das Besondere: Anwendungsunternehmen können das System selbst konfigurieren, ohne tieferes Data-Science-Wissen. Sie nutzen dafür einfach Textdokumente aus ihrer Anwendung. So entsteht künftig eine durchgängige Verbindung von KI-Optimierung, GenAI-RAG-Software und Entscheidungskomponente. Sie bleibt konsistent zu den bereitgestellten Inhalten und unterstützt das Verstehen der Optimierungsergebnisse in natürlicher Sprache.
Textbasierte Steuerung unterstützt neue Stufe der Erklärbarkeit
Die Basis dieser neuen Stufe der Erklärbarkeit ist das Qualitative Labeln im Optimierungsverfahren. Die dort erzeugten, gelernten Entscheidungsgrundlagen speisen Produktionsunternehmen als Input in das GenAI-RAG-Modell ein. Zusätzlich können sie die Optimierung über sprachlich formulierte Präferenzen steuern. Das System ordnet diese Eingaben den qualitativ gelabelten Präferenzen zu und parametriert damit automatisch die KI-Optimierung. Durch die enge Verbindung zwischen adaptiven KI-Optimierungen und GenAI-RAG-Modellen verbessert sich sowohl die Verständlichkeit der Ergebnisse als auch die Steuerbarkeit der Optimierung spürbar.
Ein Beitrag von Dr. Rudolf Felix, Chief Artificial Intelligence Officer (CAIO), Central Function Industrial AI, PSI Software SE
Quelle: PSIWeitere Informationen zu PSI finden Sie hier.