KI in der Qualitätssicherung: maschinelles Sehen als Chance für das QS-Management

KI in der Qualitätssicherung

29.08.2024
Philip Leung

Die Qualitätssicherung hat einen hohen Stellenwert, denn sie gilt als wichtiges Instrument, um Mängeln vorzubeugen und damit verbundene unternehmerische Risikofaktoren einzudämmen, wie etwa defekte Produktionsanlagen oder sinkende Gewinne aufgrund von unzufriedenen Kunden. Doch ist eine manuelle Prüfung wirklich durchweg notwendig, um den Anforderungen gerecht zu werden? Der Einsatz von KI in der Qualitätssicherung zeigt, dass hier erhebliche Potenziale vorhanden sind.

Welche Anwendungsfelder gibt es für künstliche Intelligenz in der Qualitätssicherung?

KI in der Qualitätssicherung — Video- und Bildanalyse mit KI: Features im Überblick Telekom MMS 2024

Ein wichtiges Feld ist maschinelles Sehen – eine Weiterentwicklung von Machine Learning (ML). Um die KI für eine bestimmte Tätigkeit vorzubereiten, nutzt man bei ML Algorithmen, die dem menschlichen Lernen nachempfunden sind. Statt Erfahrungen und Wissen sammelt die Maschine jedoch Daten. Wie funktioniert nun „computerbasiertes Sehen“? Die Technologie für die Objekterkennung und weitere Funktionen liefert Computer Vision (CV). Mit CV ist es möglich, Bilder oder Videos, die mithilfe von vernetzten Kameras aufgenommen wurden, zu analysieren. Die KI sichtet das Bildmaterial und wird darauf trainiert, Dinge auf den Bildern zu erkennen und zu interpretieren.

Laut einer ifaa-Studie aus dem Jahr 2022 gehören die Bild- und Tonverarbeitung sowie die multidimensionale Mustererkennung mit 39 Prozent zu den am häufigsten genannten Chancen von künstlicher Intelligenz in der Produktion.¹ Anwendung findet die Technologie nicht nur in der Qualitätskontrolle, sondern auch in der Prozessüberwachung und Instandhaltung.

Die "AI Vision Suite" von Deutsche Telekom MMS ermöglicht Echtzeit-Objekterkennung und -analyse für präzise Überwachung und Entscheidungsfindung. Die Lösung ist skalierbar und wird an die Bedarfe von Unternehmen sowie deren bestehende IT-Infrastruktur angepasst.

Was sind die größten Herausforderungen in diesem Bereich?

KI in der Qualitätssicherung ist leider noch mit einigen Herausforderungen verbunden. Zum einen ist die Komplexität hervorzuheben. Das bedeutet, für den Einsatz von KI-Systemen wird entsprechendes Fachwissen benötigt. Laut der ifaa-Studie sieht die Mehrheit der Befragten fehlendes Wissen in dem Bereich als größtes Hindernis an. Zum anderen ist eine relativ hohe Anfangsinvestition vonnöten.

Darüber hinaus sollten sich Unternehmen im Klaren darüber sein, dass die Technologie kontinuierlich mit Daten gespeist werden muss. Hier gilt: Je hochwertiger die Daten, desto besser auch die Ergebnisse. Eine schlechte Datenqualität führt im Umkehrschluss zu unbefriedigenden Ergebnissen oder sogar zu Fehlinterpretationen. Wenn immer es um personenbezogene Daten geht, ist zudem auf eine DSGVO-konforme Datenverarbeitung zu achten – und das gilt auch für den Umgang mit Video-/Bildmaterial. Anonymisierung und Bildsegmentierung gelten in diesem Zusammenhang als technische Lösungen zur Einhaltung der Datenschutzstandards.

Die Befragten der Studie sehen in den Kosten sowie Datenschutzanforderungen ebenfalls mögliche Hindernisfaktoren für Unternehmen. Eine fehlende Verfügbarkeit von entsprechenden Algorithmen und Daten scheint immerhin für rund die Hälfte der Befragten problematisch zu sein.

Telekom MMS löst diese Herausforderungen der KI-Video- und Bildanalyse. Die "AI Vision Suite" vereint dabei State-of-the-Art-Technologie mit höchster Skalierbarkeit für eine einfache Integration in jede erdenkliche IT-Landschaft. Mit gebrauchsfertigen Bausteinen sind keine aufwändigen Entwicklungen nötig. Telekom MMS verarbeitet die Video-, 3D- und Bilddaten in der Public Cloud, der Private Cloud oder auf skalierender Edge-Infrastruktur.

Praktische Anwendungsbeispiele von KI-Systemen

Es gibt verschiedene Use Cases von KI in der Qualitätssicherung und Prozessoptimierung. Ein häufig gewähltes Anwendungsbeispiel ist die automatisierte Überprüfung der Produktqualität durch KI-gestützte visuelle Inspektionen.

Auch der Einsatz in den Bereichen Logistik und Lager ist vielen ein Begriff: Lagerbestände lassen sich mithilfe einer KI-basierten Videoanalyse zum Beispiel automatisch überwachen. Ebenfalls mit KI optimieren lässt sich die Verwaltung und Lokalisierung von Ersatzteilen in industriellen Umgebungen. Chancen zur Optimierung bietet auch scannerloses Tracking. Dabei werden an Waren Etiketten angebracht, die im Vorbeifahren automatisch erfasst werden können, was ein manuelles Scannen überflüssig macht. Computer Vision unterstützt des Weiteren die sogenannte optische Zeichenerkennung (OCR). Neben QR- und Barcodes können damit auch Texte erfasst und verarbeitet werden.

Künstliche Intelligenz kann ferner dazu genutzt werden, um Lager- und Transportkapazitäten optimal zu nutzen, etwa durch eine zentimetergenaue dreidimensionale Vermessung von Gütern oder Paletten. Im Bereich der Videoüberwachung eignet sich das maschinelle Sehen außerdem dazu, verdächtiges Verhalten zu erkennen. Das KI-System sollte dann mit entsprechenden Alarmdiensten verbunden werden, um etwa Diebstähle oder Vandalismus zu verhindern beziehungsweise zur Aufklärung beizutragen.

KI in der Qualitätssicherung: Wie sind die Maßnahmen vor Ort umsetzbar?

Die Möglichkeiten von KI in der Qualitätssicherung sind vielfältig. Mit Computer Vision lassen sich zum Beispiel auch bestehende Anlagen sinnvoll erweitern. Doch welche Voraussetzungen müssen geschaffen werden, damit KI-Systeme problemlos funktionieren? Experten der Telekom MMS empfehlen, zu Beginn der Planung eine Machbarkeitsanalyse durchzuführen. Dabei wird überprüft, ob die jeweilige Aufgabe tatsächlich mithilfe von KI schneller oder besser gelöst werden kann. Ziel ist es, unnötige Ausgaben zu verhindern und Investitionen nur bei Erfolg versprechenden Projekten zu tätigen. Außerdem werden hochwertige Daten benötigt – und das am besten schon beim Training. So kann Computer Vision auf die Kernaufgabe bestmöglich vorbereitet werden, gleichwohl lassen sich Fehler bei der Analyse mit hochwertigen Daten vermeiden.