Wenn KI zur Arbeit geht — Transformation der Fabrikautomatisierung

Zusammenfassung der Folgen

Industrial AI bewegt sich vom Labor in die Fabrikhalle. In dieser Folge von Optimistischer Ausblick in fünf, Lauren Espin untersucht, wie KI Herstellern helfen kann, den Fachkräftemangel zu beheben und die technische Produktivität zu verbessern.

Im Mittelpunkt der Geschichte steht Eigen Engineering Agent, entwickelt vom KI-Hub von Siemens in Seattle. Durch die Kombination von KI mit anlagenspezifischen technischen Daten kann Eigen Automatisierungstechnikern helfen, Code zu schreiben und industrielle Systeme zu konfigurieren und komplexe technische Aufgaben mit bis zu fünfmal menschlicher Geschwindigkeit auszuführen. In Piloteinsätzen in mehr als 100 Unternehmen in 19 Ländern hat Eigen eine bis zu 50% höhere technische Effizienz erzielt.

Aber um KI in industrielle Umgebungen zu bringen, sind mehr als leistungsstarke Modelle erforderlich. Menschliches Fachwissen, Simulation und Validierung bleiben unverzichtbar um sicherzustellen, dass KI-generierte Arbeit sicher, zuverlässig und bereit für die reale Welt ist.

Das Ergebnis? Ein Einblick, wie Industrial AI die Fertigung verändern könnte — nicht indem sie Ingenieure ersetzt, sondern indem sie qualifizierten Menschen hilft, mehr zu tun.

Vollständiges Protokoll

Ich bin Lauren Espin, und das ist Der optimistische Ausblick in fünf, ein kurzes Update über eine wichtige Entwicklung, die die Zukunft prägt.

Die Vereinigten Staaten haben sich das ehrgeizige Ziel gesetzt, ihre Wirtschaft zu reindustrialisieren. Das bedeutet, neue Produktionskapazitäten aufzubauen, bestehende Abläufe zu modernisieren und weltweit wettbewerbsfähig zu bleiben — und das alles, während die Industrie mit einem anhaltenden Fachkräftemangel konfrontiert ist.

Industrial AI könnte eines der wichtigsten Tools sein, um dieser Herausforderung zu begegnen. Es kann auf jahrzehntelangen Fortschritten in den Bereichen Automatisierung, Software und dem digitalen Zwilling aufbauen, um Ingenieuren, Bedienern und Technikern zu helfen, produktiver zu werden, Innovationen zu beschleunigen und immer komplexere Probleme zu lösen.

Aber um diese Chance zu nutzen, sind mehr als leistungsstarke KI-Modelle erforderlich. Wir müssen KI in der realen Welt einsetzen, in großem Maßstab, auf eine Weise, die messbare Produktivitätssteigerungen ermöglicht.

Und das bringt uns zu einer Technologie, über die die meisten von uns selten nachdenken — es sei denn, Sie arbeiten in der Fertigung.

Die PLC oder die speicherprogrammierbare Steuerung. Vielleicht hat einer die Leitung kontrolliert, die die Wasserflasche auf Ihrem Schreibtisch gefüllt hat. Ein anderer half bei der Herstellung einer Komponente in dem Auto, das Sie heute gefahren haben. Und ein anderer hat vielleicht geholfen, den Lieferkarton zu packen, der auf Ihrer Veranda aufgetaucht ist.

SPS gibt es überall in der modernen Industrie. Siemens stellt eine Menge davon her. Tatsächlich wird etwa ein Drittel der Maschinen auf der Welt von Siemens-SPS gesteuert.

Und jeder dieser Controller muss programmiert werden.

Das ist die Aufgabe von Automatisierungstechnikern. Sie schreiben Steuercode, konfigurieren Systeme und Netzwerke, testen Verbindungen und stellen sicher, dass immer komplexere industrielle Systeme wie vorgesehen funktionieren.

Und heute sind diese qualifizierten Ingenieure Mangelware.

Also, die offensichtliche Frage: Warum nicht KI nutzen, um die Produktivität unserer Belegschaft zu steigern?

KI arbeitet heute schon hart in den Fabriken. Kameras erkennen Defekte an Produktionslinien. Systeme sagen voraus, wann Motoren kurz vor dem Ausfall stehen. Andere finden Wege, um mehr Durchsatz aus einer kritischen Leitung herauszuholen.

Diese Bewerbungen funktionieren, weil sie wirklich gut darin sind, einen bestimmten Job zu machen. Eine Kamera. Eine Produktionslinie. Geben Sie der KI genug Beispiele und sie lernt, diesen Job extrem gut zu machen.

Aber einen Controller zu programmieren ist kein Job.

Ein Automatisierungstechniker könnte gebeten werden, eine beliebige Anzahl von Problemen zu lösen, und die richtige Antwort hängt von der jeweiligen Anlage ab — der Ausrüstung, der Konfiguration, der Verkabelung, sogar von den Namenskonventionen.

Das macht es schwierig, KI auf die gleiche Weise zu skalieren. Sie können nicht für jede Anlage und jeden Kunden ein neues Modell bauen und trainieren.

In der Zwischenzeit löst Allzweck-KI einen Teil des Problems. Die leistungsstärksten Modelle von heute können argumentieren, Software schreiben und ein viel breiteres Aufgabenspektrum bewältigen. Aber von Natur aus verstehen sie Ihre Fabrik nicht. Die technischen Daten, die eine Anlage beschreiben — ihre Ausrüstung, Konfiguration und elektrische Systeme — sind spezifisch für diese Umgebung und oft privat.

Hier kommt es auf den industriellen Kontext an.

Denken Sie an einen brillanten neuen Ingenieur an seinem ersten Tag. Sie verstehen Technik, aber sie haben noch nie einen Fuß in Ihre Anlage gesetzt. Sie schicken sie nicht zurück zur Schule. Sie geben ihnen Zugriff auf die richtigen Informationen über das spezifische System, an dem sie arbeiten, und sehr schnell leisten sie Beiträge.

Das ist die Idee hinter dem Eigen Engineering Agent.

Eigen wurde im KI-Zentrum von Siemens in Seattle entwickelt und arbeitet in der technischen Software, die Automatisierungsingenieure bereits verwenden. Es kann auf die Projektinformationen zugreifen, die beschreiben, wie eine Anlage konfiguriert ist, zusammen mit elektrischen Schaltplänen und anderen relevanten technischen Daten.

Ein Ingenieur kann in einfacher Sprache beschreiben, was er will. Eigen geht über das Generieren von Vorschlägen hinaus und führt komplexe technische Aufgaben autonom aus. Es kann die Herausforderung verstehen und im Grunde an die Arbeit gehen — Code schreiben oder Systeme konfigurieren — bis es das vom Ingenieur gesetzte Leistungsziel erreicht.

Und es wird bereits eingesetzt.

In Piloteinsätzen in mehr als 100 Unternehmen in 19 Ländern erzielte Eigen eine bis zu 50 Prozent höhere technische Effizienz. Es kann technische Aufgaben mit der zwei- bis fünffachen menschlichen Geschwindigkeit ausführen.

Wenn qualifizierte Automatisierungsingenieure knapp sind, sind diese Gewinne wichtig.

Damit Industrial AI in großem Maßstab eingesetzt werden kann, muss ihr auch vertraut werden.

Deshalb sind menschliche Aufsicht und Validierung in den Prozess integriert. Der Code kann mit Simulationstools getestet werden, die modellieren, wie sich der Controller verhält, bevor er in die aktiven Geräte gelangt, wobei ein Ingenieur die Arbeit überprüft und genehmigt.

Das ist ein wichtiger Unterschied. Bei Industrial AI geht es nicht einfach darum, leistungsstarke KI-Modelle in eine Fabrik zu bringen. Es geht darum, KI mit tiefgreifendem industriellen Kontext und technischem Fachwissen zu kombinieren, damit sie sicher und zuverlässig in der realen Welt eingesetzt werden kann.

Und Eigen ist Teil einer viel größeren Initiative. Siemens investiert in den nächsten drei Jahren 1 Milliarde $ in KI-Fähigkeiten und -Angebote und baut dabei auf jahrzehntelanger Erfahrung in der Anwendung von Technologie in Industrie und Infrastruktur auf.

Weil das nächste Kapitel der KI nicht nur durch leistungsfähigere Modelle definiert wird. Es wird auch von unserer Fähigkeit bestimmt werden, sie in der realen Welt einzusetzen — mit dem industriellen Kontext und dem menschlichen Fachwissen, das erforderlich ist, um echte Probleme zu lösen und messbaren Wert zu liefern.

Das ist ein leiserer Fortschritt als ein Chatbot, der klüger wird. Es passiert in Fabriken, in der Zusammenarbeit mit Ingenieuren und letztendlich in den SPS, die die meisten von uns nie sehen werden.

Aber wir werden alle die Ergebnisse erleben.

Ich bin Lauren Espin, und das ist Der optimistische Ausblick.