Kursbeschreibung
Wenn Industrie 4.0 und KI zusammenkommen, entstehen enorme Chancen, aber auch neue Abhängigkeiten zwischen Anlagen, Datenplattform und Organisation. In diesem Seminar lernst Du, wie Du diese Abhängigkeiten steuerst und KI in der Produktion als wiederholbaren Prozess etablierst. Du startest mit einem klaren Vorgehen zur Use-Case-Auswahl: Welche Probleme sind stabil genug, um sie datengetrieben zu lösen, welche KPIs eignen sich für Nutzenbelege, und wann ist ein regelbasierter Ansatz besser als ein ML-Modell. Du klärst außerdem Make-or-Buy-Entscheidungen und wie Du Lieferanten so einbindest, dass Datenhoheit und IP sauber geregelt sind. Ein Schwerpunkt liegt auf der Shopfloor-Datenkette. Du lernst, wie Du OT-Quellen wie PLC, SCADA und Sensorik mit IT-Systemen wie MES und Historian verbindest, Datenqualität bewertest und Kontextdaten für belastbare Analysen ergänzt. Du entwickelst ein Architektur-Zielbild entlang gängiger Referenzen wie ISA-95 und dem Purdue Model und entscheidest, welche Teile am Edge laufen sollten und was in eine Cloud- oder On-Prem-Datenplattform gehört. Dabei behandelst Du Streaming- und Event-Ansätze, Schnittstellen wie OPC UA und MQTT sowie den Aufbau eines Datenkatalogs. Auf dieser Basis arbeitest Du an typischen KI-Mustern: Predictive Maintenance, visuelle Qualitätsprüfung, Prozessoptimierung und Prognosen für Planung. Du planst Validierung, Labeling und die Erzeugung von Ground Truth so, dass Ergebnisse reproduzierbar sind. Anschließend setzt Du ein Betriebs- und Skalierungsmodell auf: MLOps mit Deployment, Monitoring, Drift und Retraining, A/B-Tests, Rollback und klare Freigabeprozesse. Abschließend integrierst Du Governance, OT-Security und Anforderungen aus dem EU AI Act, damit Deine KI-Transformation nicht nur wirksam, sondern auch sicher und dokumentationsfähig ist.
Zielgruppe
- Produktions- und Werksleitung
- Industrial Engineering, Prozess- und Fertigungsplanung
- Instandhaltung, Reliability Engineering, TPM-Verantwortliche
- IT/OT-Architektur, Data Engineering, Data Science in der Industrie
- Für alle, die KI in der Produktion wirksam einführen und skalieren wollen.
Voraussetzung für die Schulung
- Grundverständnis von Produktionsprozessen und Kennzahlen (z. B. OEE, Ausschuss, Stillstände).
- Basiswissen zu Daten (Tabellen, Zeitreihen) ist hilfreich, aber nicht zwingend.
Kursinhalte
- KI-Use-Cases, die in der Produktion tragen
- Werthebel: Qualität, OEE, Energie, Durchlaufzeit
- Use-Case-Scoping mit Aufwand-Nutzen-Matrix
- Grenzen: Datenlage, Prozessstabilität, Taktzeiten
- Make-or-Buy und Build-vs-Integrate
- Datenbasis im Shopfloor: OT trifft IT
- Signalquellen: Sensorik, PLC, SCADA, MES, Historian
- Datenqualität: Zeitstempel, Sampling, Drift, Missing Values
- Kontextdaten: Aufträge, Rezepturen, Chargen, Werkzeugstände
- Edge vs. Cloud: Latenz, Kosten, Betriebsmodelle
- Architektur für Industrie 4.0 mit KI
- Referenzbilder: ISA-95, Purdue Model, Datenplattformen
- Streaming vs. Batch und Event-getriebene Pipelines
- Digitale Zwillinge als Kontext- und Simulationslayer
- Integration: APIs, OPC UA, MQTT, Datenkatalog
- ML/AI in der Praxis: typische Produktionsmuster
- Predictive Maintenance: Ausfälle, RUL, Anomalien
- Visuelle Qualitätsprüfung: Defekte, Ausschuss, Nacharbeit
- Prozessoptimierung: Setpoints, SPC, Ursachenanalyse
- Planung: Forecasting, Bestände, Rüstoptimierung
- MLOps und Betrieb: vom Pilot zur Linie
- Modell-Lifecycle: Training, Deployment, Monitoring
- Drift, Retraining, A/B-Tests und Rollback-Strategien
- Validierung: Ground Truth, Labeling, Messsystemanalyse
- KPIs: Nutzenmessung, Akzeptanz, Skalierung
- Governance, Sicherheit und Regulatorik
- OT-Security und sichere Datenpfade
- Rollen, Verantwortlichkeiten, Freigabeprozesse
- EU AI Act: Risikoklassen, Dokumentation, Pflichten
- Datenschutz und IP: Lieferanten, Modelle, Daten
