Daten-Protektionismus hemmt Digitalisierung im Maschinenbau

Die Digitalisierung krempelt auch Deutschlands Vorzeigebranche, den Maschinen- und Anlagenbau, um. Dabei haben Große die Nase vorn, während kleinere Unternehmen zurückhängen.

Rainer Glatz, Geschäftsführer des VDMA, anlässlich einer IBM-Veranstaltung im neu eröffneten Watson-IoT-Center in München: “Rund ein Drittel haben eine Strategie, ein Drittel plant eine. Bei den Unternehmen unter 100 Mitarbeiter haben sich erst ein Fünftel strategisch vorbereitet.”

Ein wichtiges Thema in diesem Zusammenhang ist in den nächsten Jahren der Einstig in die Nutzung intelligenter Algorithmen und maschinellen Lernens. Mit diesem Thema beschäftigt sich die Studie “maschinelles Lernen 2030”, die VDMA und das Competence Center Foresight des Fraunhofer ISI gemeinsam durchführten. Die Ergebnisse, vier Szenarien und Handlungsempfehlungen, entstanden aus der Auswertung von Workshops, an denen Unternehmensvertreter, Wissenschaftler und Vertreter von VDMA sowie FH ISI teilnahmen.

Das Thema ist derzeit besonders virulent, weil eine der wichtigsten der Maschinenintelligenz zugrunde liegenden Technologien, neuronale Netze, seit Kurzem genug leistet, um für industrielle Anwendungen interessant zu werden: Erstens werden immer mehr Dinge mit immer mehr Sensoren ausgerüstet, die ausreichend Datenmaterial erzeugen, um den neuronalen Netzen umfangreichen Stoff zum Lernen zu bieten. Zweitens sind Rechnerleistung und Speicherplatz so groß und vor allem so günstig geworden, dass realitätstaugliche Varianten der Technologie bezahlbar werden.

Denn anfangs hatten neuronale Netze nur wenige Ebenen und deswegen auch nur ein sehr grobes Differenzierungsvermögen – sie konnten die Realität gewissermaßen nur in Umrissen abbilden. Inzwischen baut man neuronale Netze mit weit über hundert Ebenen auf – je mehr Ebenen, desto feingranularer ist die Fähigkeit eines solchen Netzes, die Realität abzubilden und damit die Voraussetzung dafür, zutreffende Schlussfolgerungen aus den Daten zu ziehen, sofern genug davon verfügbar sind.

Um neuronale Netze im Maschinenbau optimal verwenden zu können, müssen Maschinenbauer und ihre Kunden allerdings in weit höherem Umfang als bisher bereit sein, Daten miteinander zu teilen. Dr. Eric Maier, Kompetenzzentrum Future Business beim VDMA: “Datenprotektionismus schadet, weil dann neuronale Netze nicht genug zu lernen haben.”
VDMA und FH ISI verdichteten zu vier Szenarien – der VDMA spricht hier von Zukunftsbildern – wie sich die Nutzung maschinellen Lernens durch den deutschen Maschinen- und Anlagenbau bis 2030 entwickeln könnte. Die wichtigste Determinante ist dabei die Bereitschaft, Daten herauszurücken.

“Avantgarde gewinnt”

Das erste Szenario, “Avantgarde Gewinnt” geht davon aus, dass Maschinen und Anlagen bis 2030 umfassend mit Sensoren ausgerüstet werden, was Reparatur-, Umrüst- und Ausfallzeiten extrem absenkt und die Mensch-Maschine-Schnittstellen gravierend vereinfacht. Maschinenbauer kooperieren dabei mit globalen Softwareunternehmen.

Daten lassen sich dank Weiterentwicklung der Datenstrukturen in der Industrie selektiv und anwendungsspezifisch weitergeben, die Datenhoheit wird über je nach Geschäftsmodell unterschiedliche Standardverträge und Lizenzmodelle europaweit einheitlich geregelt.

Ein kollektiver, weltweiter Datenpool und herstellerübergreifend vernetzte Maschinen ermöglichen, dass von dem, was eine Maschine gelernt hat, alle Maschinen profitieren. Günstige selbstlernende und umprogrammierbare Sensoren mit Vernetzung zu anderen Sensoren liefern vielfältige Messwerte und vorverarbeitete Daten mit Zeitstempel, die in der Cloud gespeichert werden. Daten werden von vielen Nutzern verwendet, zum Beispiel für optimale Nutzung, Produktions- und Produktoptimierung. Der deutsche Maschinenbau ist Vorreiter und bleibt führend.

Größe zählt 

Beim Szenario “Größe zählt” profitieren vor allem die großen Unternehmen, denn sie können über Verträge mit ihren Kunden auf deren Nutzungsdaten zugreifen. Weil sie viele Maschinen und Anlagen im Markt haben, entstehen ausreichende Datenmengen für die Lernvorgänge der neuronalen Netze, allerdings bleiben die Erkenntnisse in der Regel auf die Produkte und Prozesse des jeweiligen Herstellers beziehungsweise seiner Kunden beschränkt.

In diesem Rahmen kann aber durchaus ein umfassende Datenpool entstehen, denn die Kunden profitieren durch umfangreiche Garantien und geringe Ausfallzeiten. Unter den Maschinen eines Herstellers gilt ebenfalls das Prinzip “Eine lernt für alle”, wobei die verwendeten Sensoren in den Maschinen hier meist nicht frei programmierbar, sondern auf eine Messgröße ausgerichtet sein dürften. Reprogrammierbare Sensoren sind zu teuer. Große Maschinen- und Anlagenbauer können ihre Position auch durch Vereinbarungen mit Datenmaklern wie Google oder Apple stärken, deren Algorithmen sie nutzen.

Daten laufen zentral zusammen und werden zentral im Rahmen einer hierarchischen Struktur ausgewertet, fehlende Redundanzen in der Infrastruktur bedingen Ausfallrisiken. Zur Datenübermittlung an die zentrale Cloud jedes dieser Firmen-Datenimperien braucht man funktionierende 5G-Netze. Komponentenhersteller kaufen Nutzungsdaten von den großen Maschinenherstellern.

Die Wettbewerbsposition der deutschen Maschinenbauindustrie ist gut, aber nicht so gut wie im ersten Szenario. Die Datenhoheit ist reguliert, die letzte Entscheidung liegt bei den Menschen. Monotone Bedienvorgänge sterben aus, an ihre Stelle tritt ein ins Gerät integrierter “digitaler Fachmann”, der mit dem Bedienpersonal zusammenarbeitet.

KMU-Netzwerke starten

Das dritte Szenario, KMU-Netzwerke starten, geht von trägen Großunternehmen der Maschinenbaubranche aus, so dass kleinere Player sie im Bereich des maschinellen Lernens überrunden können, indem sie sich zu globalen Netzwerken zusammenschließen, wo das Wissen vieler kleiner Maschinen- und Anlagenbauer zusammenfließt. Es entstehen temporäre Lernumgebungen mit ausreichenden Datenmengen.

Innovative, reprogrammierbare Sensoren werden auch in alte Anlagen integriert. Das Zögern der deutschen Industrie behindert wegen des globalen Datenpools den Fortschritt nicht. Rechtliche Regelungen stellen Autarkie und Entscheidungsfreiheit der in Prozesse eingebundener Menschen sicher. Systemarchitekturen kombinieren zentrale und Schwarmintelligenz.

Neuronale Netze als Sysstembaustein lassen sich in Produktionsketten einbauen. KMUs entwickeln neue wissensbasierte Dienstleistungen. Neue Mensch-Maschine-Schnittstellen mit Augmented Reality machen hochqualifiziertes Bedienpersonal überflüssig, Exoskelette unterstützten das Personal bei bestimmten Arbeiten.

Digitale Steppe 

Das vierte, pessimistischste Szenario geht davon aus, dass ethische Bedenken und der Drang, die eigenen Daten unter Kontrolle zu halten, die Nutzung wissensbasierter Systeme stark einschränken, vor allem, weil nicht genügend Daten verfügbar sind, um neuronale Netze effektiv anzulernen und weil intelligente Sensoren teuer bleiben.

Letztlich könne das internationalen Wettbewerbern ermöglichen, bei den Kunden deutscher Maschinenbauer zu wildern und damit deren Marktposition schwächen. Auch die Einsatzzwecke maschineller Intelligenz wäre in diesem Szenario erheblich eingeschränkt – es bleibt hier bei der bereits bekannten Entscheidungsunterstützung, ein weiteres Anwendungsfeld sind individualisierte, intuitive Bedienschnittstellen, die optimales Bedienverhalten erkennen und nach dem Motto “Ein Nutzer lernt für alle” verwendet werden.

Die Autoren empfehlen den Maschinenbauern, auf maschinelles Lernen ausgerichtete Sensoren in ihre Systeme einzubauen, allein oder kooperativ in Softwarekompetenz in Sachen maschinelles Lernen zu investieren und die Datenhoheit jeweils vertraglich festzulegen. Gesetzgeber soll sich um die Themen Datenschutz und Datenhoheit kümmern sowie Startups fördern. Das Bildungssystem muss stärker interdiszipliniert arbeiten und mehr Data Scientists ausbilden, damit Maschinelles Lernen für die deutschen Maschinenbauer zum Erfolgskonzept wird.