Best Practices für KI-Governance in der Fertigung

Der Inhalt dieser Seite wurde automatisch von einem Drittanbieter übersetzt.

---

KI findet bereits ihren Weg in die Produktentwicklung und Fertigung. KI-Governance in der Fertigung umfasst die Regeln und Kontrollen dafür, wie KI Produktinformationen nutzt und Entscheidungen in Engineering, Fertigung, Qualität und Service beeinflusst. Dazu gehören Produktkontext, Datenzugriff, menschliche Überprüfung, Verantwortlichkeit, Rückverfolgbarkeit und Risiko.

Nehmen wir folgendes Szenario. Ein Ingenieur fragt eine KI-Anwendung nach einer Abstandsanforderung und erhält eine präzise, überzeugend formulierte Antwort. Die Antwort ist falsch. Sie stammt aus einer Zeichnung, die bereits vor zwei Revisionen ersetzt wurde, und nichts in der Antwort weist darauf hin. Ein erfahrener Ingenieur, der an diesem Programm arbeitet, hätte den Fehler erkannt. Eine KI-Anwendung hatte keinen Grund dazu. Das Dokument wirkte verbindlich, befand sich am selben Ort wie die anderen Dokumente, und nichts darin deutete darauf hin, dass es nicht mehr gültig war.

Jeder Anwendungsfall ist anders, doch alle haben ein leicht zu übersehendes Problem gemeinsam. KI muss verstehen, welche Produktinformationen tatsächlich gelten.

Eine Empfehlung kann vollkommen plausibel klingen und trotzdem falsch sein, weil sie auf einer veralteten Zeichnung, einer nicht freigegebenen Stückliste oder einer Anforderung basiert, die für eine andere Konfiguration gilt. Eine Qualitätsanalyse kann ein Muster erkennen, ohne zu berücksichtigen, dass die betreffenden Produkte nach unterschiedlichen Revisionen gefertigt wurden. Eine Serviceempfehlung kann eine Änderung übersehen, die Jahre nach der Auslieferung an einer bestimmten physischen Einheit vorgenommen wurde.

Für Hersteller geht KI-Governance daher über die Verwaltung von Modellen, Zugriffsrechten und zulässiger Nutzung hinaus. Sie muss auch die Beziehung zwischen KI und den Produktentscheidungen steuern, die sie unterstützt.

Das wird schwieriger, je weiter sich KI über den Produktlebenszyklus ausbreitet.

Was KI-Governance in der Fertigung besonders macht

Hersteller steuern bereits Produktentscheidungen mit weitreichenden Konsequenzen. Anforderungen werden genehmigt. Konstruktionen haben Revisionen. Änderungen durchlaufen Workflows. Teile unterliegen Gültigkeits- und Konfigurationsregeln. Qualitätsprobleme werden untersucht, und bei regulierten Produkten können Nachweise erforderlich sein, die genau zeigen, wie eine Entscheidung getroffen wurde.

KI kommt in dieses Umfeld mit der Fähigkeit, Informationen wesentlich schneller zu verarbeiten als ein Mensch.

Das kann enorm hilfreich sein. Es bedeutet aber auch, dass sich Fehler schnell ausbreiten können.

Betrachten wir etwas so Alltägliches wie eine veraltete Zeichnung. Ein Ingenieur, der mit dem Programm vertraut ist, erkennt das Problem möglicherweise sofort. Eine KI-Anwendung behandelt die Zeichnung möglicherweise einfach als eine weitere Quelle, die verbindlich aussieht. Dasselbe kann bei einer nicht freigegebenen Änderung, einer veralteten Spezifikation oder einer Tabelle passieren, die sich mit der Zeit vom offiziellen Produktdatensatz entfernt hat.

Das Problem wird bedeutender, wenn KI beginnt, Entscheidungen zu beeinflussen, anstatt lediglich Informationen zu finden.

Der Einsatz von KI zur Zusammenfassung einer Spezifikation birgt ein vergleichsweise begrenztes Risiko. Sie um eine Empfehlung für den Austausch einer Komponente zu bitten, ist etwas anderes. Die Antwort kann nun von Anforderungen, Lieferanteninformationen, genehmigten Alternativen, aktuellen Konfigurationen, Compliance-Beschränkungen und früheren Engineering-Änderungen abhängen. Sie könnte außerdem zusätzliche Arbeit für Fertigung, Qualität, Beschaffung oder Service verursachen.

Angenommen, eine KI-Anwendung analysiert Lieferantendaten und schlägt vor, den Drucksensor in einer Pumpenbaugruppe durch eine kostengünstigere Alternative zu ersetzen. Auf den ersten Blick erscheint die Empfehlung sinnvoll. Ob sie tatsächlich richtig ist, hängt jedoch davon ab, welche Genauigkeitsanforderung zur Auswahl des ursprünglichen Sensors geführt hat, in welchen Konfigurationen er verwendet wird, ob bereits eine genehmigte Alternative existiert, wie sich die Änderung auf Kalibrierungsverfahren und Arbeitsanweisungen auswirken würde und wie viele bereits im Einsatz befindliche Einheiten dieses Teil enthalten. Nichts davon ist in der Empfehlung selbst sichtbar.

Die Governance muss diese Konsequenzen berücksichtigen.

Den Produktkontext steuern, nicht nur die KI

Traditionelle KI-Governance konzentriert sich häufig auf Fragen wie: Wer ist für eine Anwendung verantwortlich? Auf welche Daten darf sie zugreifen? Wie leistungsfähig ist das Modell? Sind geeignete Sicherheits- und Datenschutzkontrollen vorhanden?

Hersteller müssen diese Fragen ebenfalls beantworten. Doch sie müssen noch weitere stellen.

Verwendet die KI die richtige Revision?

Gilt diese Anforderung für diese Konfiguration?

Wurde die Stückliste freigegeben?

Welche Produkte wurden tatsächlich mit dieser Komponente gefertigt?

Wurde eine vorgeschlagene Änderung bereits bewertet?

Was ist mit dem physischen Produkt nach seiner Inbetriebnahme geschehen?

Das sind Fragen zum Produktlebenszyklus. Um sie zu beantworten, reicht es nicht aus, KI Zugriff auf ein großes Informationsrepository zu geben.

Die Informationen müssen ihren Kontext mitführen.

Eine Teilenummer allein sagt einer KI-Anwendung nur sehr wenig. Ihre Bedeutung ergibt sich aus ihren Beziehungen: wo die Komponente eingesetzt wird, welche Anforderungen sie erfüllt, in welchen Konfigurationen sie enthalten ist, welche Änderungen sie betroffen haben, ob eine genehmigte Alternative existiert und möglicherweise auch, welche physischen Produkte sie enthalten.

Diese Beziehungen werden Teil der KI-Governance, weil sie dabei helfen festzustellen, ob eine KI-gestützte Entscheidung für das betreffende Produkt gültig ist.

KI-Governance über den gesamten Produktlebenszyklus

Der Kontext, den KI benötigt, verändert sich, wenn sich ein Produkt von Anforderungen und Entwicklung über die Fertigung bis hin zum Service bewegt.

Anforderungen und Produktentwicklung

In frühen Entwicklungsphasen kann KI einen Ingenieur dabei unterstützen, eine umfangreiche Spezifikation zu interpretieren, Anforderungen zu vergleichen oder mögliche Konflikte zu erkennen.

Die Governance-Frage mag in dieser Phase einfach erscheinen. Doch selbst eine hilfreiche Zusammenfassung kann zum Problem werden, wenn sie als Ersatz für die genehmigte Quelle betrachtet wird. Ingenieure müssen zur maßgeblichen Anforderung zurückkehren und deren Revision, Status und Gültigkeit bestimmen können.

Mit fortschreitender Entwicklung wächst die Zahl der Beziehungen. Anforderungen werden mit Teilen, Systemen, Tests, Dokumenten und Konfigurationen verknüpft. KI benötigt diese Verbindungen, wenn sie mehr leisten soll als lediglich isolierte Informationen abzurufen.

Engineering-Änderungen

Bei Engineering-Änderungen wird besonders deutlich, wie wichtig der Produktkontext ist.

Angenommen, eine KI-Anwendung empfiehlt den Austausch einer Komponente. Bevor jemand diese Empfehlung umsetzt, muss ein Ingenieur wissen, wo das aktuelle Teil verwendet wird. Erfüllt der vorgeschlagene Ersatz dieselben Anforderungen? Welche Konfigurationen wären betroffen? Gibt es Auswirkungen auf Lieferanten oder Compliance? Benötigt die Fertigung neue Werkzeuge oder Anweisungen? Wurde eine ähnliche Änderung bereits bewertet?

Eine Empfehlung ohne diese Antworten kann mehr Arbeit verursachen, als sie einspart.

Die menschliche Überprüfung bleibt unverzichtbar. Der Prüfer benötigt jedoch auch Zugriff auf die Informationen, die er braucht, um sein Urteilsvermögen einzusetzen. Die Governance sollte sowohl die Empfehlung als auch den dazugehörigen Produktkontext sichtbar machen.

Fertigung und Qualität

In der Fertigung ändern sich die Fragen erneut.

Angenommen, KI erkennt einen scheinbar wiederkehrenden Fehler. Ein Fehlercode allein beweist noch nicht, dass tatsächlich wiederholt dasselbe Problem auftritt.

Diese Verbindung ist auch in umgekehrter Richtung wichtig. Ein während der Produktion entdecktes Qualitätsproblem kann auf ein Problem hinweisen, das vom Engineering behoben werden muss. Wenn KI dabei hilft, das Muster zu erkennen, sollten die daraus resultierende Untersuchung und Korrekturmaßnahme mit den betreffenden Produktdatensätzen verbunden bleiben.

Andernfalls kann wertvolles Wissen genau an der organisatorischen Grenze verloren gehen, an der es entdeckt wurde.

Service und das physische Produkt

Der Service bringt eine weitere Herausforderung mit sich: Der Techniker arbeitet an einem konkreten Produkt und nicht an dessen allgemeiner Definition.

Zwei Produkte, die beim Verlassen des Werks identisch waren, können Jahre später völlig unterschiedliche Historien aufweisen. Eines hat möglicherweise eine modernisierte Komponente, ein Softwareupdate oder eine Reparatur erhalten, das andere dagegen nicht.

Eine KI-Empfehlung kann nur so nützlich sein wie ihr Verständnis dieser Historie.

Für Serviceanwendungen umfasst Governance daher auch die Möglichkeit, eine KI-gestützte Empfehlung mit der As-Built-Konfiguration und, sofern verfügbar, der As-Maintained-Konfiguration des jeweiligen Assets zu verknüpfen.

KI-Befugnisse an das Fertigungsrisiko anpassen

Nicht jeder KI-Anwendungsfall in der Fertigung benötigt dasselbe Maß an Kontrolle.

Eine Anwendung, die einem Ingenieur bei der Informationssuche hilft, unterscheidet sich grundlegend von einer, die eine Engineering-Änderung empfiehlt. Ein KI-Tool, das Qualitätsdatensätze zusammenfasst, ist etwas anderes als eines, das eine Entscheidung über die weitere Behandlung beeinflusst. Die möglichen Konsequenzen bestimmen, wie viel Kontrolle angemessen ist.

Hersteller können diese Unterscheidung nutzen, um Grenzen für die Befugnisse von KI festzulegen.

Bei Anwendungen mit geringerem Risiko können Zugriffskontrollen und eine Möglichkeit zur Überprüfung der Quelle ausreichen. Anwendungen mit höherem Risiko können eine formelle menschliche Prüfung, einen Genehmigungsworkflow und eine dokumentierte Aufzeichnung der Informationen erfordern, auf denen die Empfehlung basiert.

Sicherheitskritische und regulierte Tätigkeiten können noch strengere Anforderungen stellen.

Entscheidend ist, diese Grenzen festzulegen, bevor eine experimentelle Funktion unbemerkt Teil eines operativen Prozesses wird.

KI-gestützte Entscheidungen mit dem Produktdatensatz verknüpft halten

Manche Interaktionen mit KI sind vorübergehend und müssen nicht Teil einer dauerhaften Produkthistorie werden.

Andere schon.

Wenn eine KI-Empfehlung zu einer Engineering-Änderung, einer Qualitätsmaßnahme, einer Compliance-Entscheidung oder einem anderen folgenreichen Ereignis beiträgt, muss ein Hersteller diese Entscheidung möglicherweise später nachvollziehen können. Welche Informationen lagen ihr zugrunde? Welches Produkt oder welche Konfiguration war betroffen? Wer hat sie überprüft? Welche Maßnahme folgte daraus?

Rückverfolgbarkeit und Data Lineage machen das möglich.

Das Ziel besteht nicht darin, jeden Prompt oder jede KI-Interaktion unbegrenzt aufzubewahren. Es geht darum, den Kontext hinter wichtigen Entscheidungen zu erhalten.

Diese Unterscheidung ist besonders in regulierten Fertigungsumgebungen wichtig, in denen Nachweise für eine Maßnahme möglicherweise noch lange nach der ursprünglichen Entscheidung benötigt werden.

Governance über Übergänge im Produktlebenszyklus hinweg

Produktentscheidungen bleiben selten innerhalb einer einzigen Funktion.

Eine Designänderung kann Lieferanten, Werkzeuge, Fertigungsanweisungen, Testverfahren, Dokumentation, Serviceprozesse und bereits im Feld befindliche Produkte beeinflussen. Ein Qualitätsproblem kann Informationen zurück an das Engineering geben. Erfahrungen aus dem Service können eine Schwachstelle aufdecken, die während der Entwicklung nicht sichtbar war.

KI verändert diese Abhängigkeiten nicht.

Wenn überhaupt, machen schnellere Analysen und Empfehlungen es noch wichtiger, sie aufrechtzuerhalten. Eine KI-gestützte Entscheidung aus dem Engineering darf ihren Kontext nicht verlieren, wenn sie die Fertigung erreicht. Informationen, die in Qualität oder Service gewonnen werden, sollten zu den Personen zurückfließen können, die für die Produktdefinition verantwortlich sind.

Hier beginnt sich KI-Governance in der Fertigung mit dem Digital Thread zu überschneiden.

Die Rolle von PLM bei der KI-Governance

Eine Product-Lifecycle-Management-Plattform (PLM) stellt etwas bereit, das KI benötigt und das sich aus voneinander getrennten Dokumenten und Repositories nur schwer rekonstruieren lässt: die Beziehungen zwischen Produktinformationen.

Anforderungen können mit Konstruktionen verknüpft werden. Konstruktionen können mit Konfigurationen und Engineering-Änderungen verbunden sein. Fertigungsinformationen können mit der Produktdefinition verknüpft bleiben, während Qualitäts- und Servicedatensätze Informationen darüber ergänzen, was später passiert ist.

Diese Verbindungen helfen bei der Beantwortung einer entscheidenden Governance-Frage: Welche Informationen gelten für diese konkrete Produktentscheidung?

Das ist etwas anderes, als einer KI-Anwendung einfach Zugriff auf mehr Daten zu geben.

Ein Digital Thread kann diese Beziehungen erhalten, während sich das Produkt verändert. KI erhält einen umfassenderen Produktkontext für ihre Analyse, während Ingenieure, Qualitätsfachkräfte oder Servicetechniker, die das Ergebnis prüfen, die zugrunde liegenden Datensätze nachvollziehen können.

Das wird immer wichtiger, wenn Hersteller über isolierte Pilotprojekte hinausgehen.

Während eines Experiments kann ein erfahrener Ingenieur möglicherweise erkennen, dass KI die falsche Revision verwendet hat, oder Informationen, die der Anwendung fehlen, manuell suchen. Auf diesen Ansatz lässt sich jedoch kaum noch vertrauen, wenn verschiedene Teams KI für Tausende von Produkten, Konfigurationen und Entscheidungen einsetzen.

Governter Produktkontext muss gemeinsam mit der KI skalieren.

Best Practices für KI-Governance in der Fertigung

Ein sinnvoller erster Schritt besteht darin herauszufinden, wo KI bereits Produktentscheidungen berührt. Einige Anwendungen werden Teil formeller Initiativen sein. Andere sind möglicherweise aus Tools entstanden, die einzelne Teams eingeführt haben, um ein bestimmtes Problem zu lösen.

Anschließend können sich Hersteller auf einige praktische Prinzipien konzentrieren:

• Den Produktkontext steuern, nicht nur den Datenzugriff. Stellen Sie sicher, dass KI zwischen Revisionen, Konfigurationen, Freigabestatus und anderen Informationen unterscheiden kann, die bestimmen, was tatsächlich gilt.
• KI-Befugnisse an die Konsequenzen einer Handlung anpassen. Legen Sie strengere Prüf- und Genehmigungsanforderungen fest, wenn KI nicht mehr nur Informationen findet, sondern Maßnahmen empfiehlt oder initiiert.
• Folgenreiche KI-gestützte Entscheidungen rückverfolgbar halten. Bewahren Sie Produktkontext, relevante Quellinformationen, die daraus resultierende Maßnahme und die menschliche Überprüfung auf, wenn die Bedeutung der Entscheidung dies rechtfertigt.
• Übergänge im gesamten Produktlebenszyklus berücksichtigen. Beachten Sie die nachgelagerten Auswirkungen KI-gestützter Entscheidungen und stellen Sie sicher, dass wichtige Informationen zwischen Engineering, Fertigung, Qualität, Service, Lieferanten und anderen betroffenen Gruppen fließen können.
• Den KI-Einsatz überprüfen, wenn sich Produkte und Prozesse verändern. Modelle verändern sich, Produktinformationen verändern sich und Nutzer finden neue Einsatzmöglichkeiten für erfolgreiche Tools. Die Governance muss sich mit ihnen weiterentwickeln.

KI-Governance ist nichts, was Hersteller einmal einrichten und anschließend als abgeschlossen betrachten können.

Ein Tool, das zunächst Ingenieuren bei der Informationssuche hilft, kann später eingesetzt werden, um Maßnahmen zu empfehlen. Ein Pilotprojekt mit fünf Nutzern kann zu einer Funktion werden, von der Hunderte abhängig sind.

Das Governance-Modell muss mit dieser Nutzung wachsen können.

Für Hersteller beginnt die stärkste Grundlage mit etwas, das sie bereits gut kennen: Kontrolle über Produktinformationen, Produktentscheidungen und Produktänderungen zu behalten. Die Verbindung von KI mit dieser govern­ten Grundlage kann Herstellern helfen, die Geschwindigkeit und die Erkenntnisse von KI zu nutzen, ohne Entscheidungen von dem Produktkontext zu trennen, der ihnen ihre Bedeutung verleiht.

FAQs

Was ist KI-Governance in der Fertigung?
KI-Governance in der Fertigung umfasst die Regeln und Kontrollen dafür, wie KI Produktinformationen nutzt und Entscheidungen in Engineering, Fertigung, Qualität und Service beeinflusst. Dazu gehören Produktkontext, Datenzugriff, menschliche Überprüfung, Verantwortlichkeit, Rückverfolgbarkeit und Risiko.

Was unterscheidet KI-Governance für Hersteller?
Entscheidungen in der Fertigung hängen von Revisionen, Konfigurationen, Anforderungen, Änderungshistorien und dem Zustand physischer Produkte ab. KI-Governance muss sicherstellen, dass KI Informationen verwendet, die tatsächlich für das betreffende Produkt und die jeweilige Entscheidung gelten.

Wie können Hersteller KI-Governance implementieren?
Beginnen Sie mit den KI-Anwendungsfällen, die bereits Produktentscheidungen beeinflussen. Bestimmen Sie, welche Produktinformationen jeder Anwendungsfall benötigt, welche Befugnisse die KI haben sollte, wo eine menschliche Genehmigung erforderlich ist und welche Entscheidungen rückverfolgbar bleiben müssen.

Wie lässt sich die menschliche Kontrolle über KI in der Fertigung aufrechterhalten?
Passen Sie die menschliche Überprüfung an die Konsequenzen der Entscheidung an. Bei Anwendungen mit höherem Risiko sollte festgelegt werden, wer befugt ist, eine KI-gestützte Maßnahme zu prüfen oder zu genehmigen, und diese Prüfung sollte Bestandteil des regulären Workflows sein.

Wie unterstützt PLM die KI-Governance?
PLM verbindet KI mit Produktinformationen im jeweiligen Kontext, einschließlich geltender Anforderungen, Konfigurationen, Revisionen, Änderungen, Fertigungsinformationen und der Historie des Produktlebenszyklus. Diese Beziehungen helfen dabei festzustellen, ob eine KI-Empfehlung für das betreffende Produkt sinnvoll ist.