Das Agritech-Startup Small Robot Company (SRC) hat eine Roboterlösung zur chemikalienfreien Unkrautbekämpfung auf Getreidefeldern entwickelt. Das autonome Fahrzeug bringt über Deltaroboter sogenannte Zapper in Position, die das Unkraut mit Stromschlägen eliminieren. Auf einem Versuchsfeld hat sich der Roboter bei der Erkennung und Beseitigung von Unkräutern bereits gut geschlagen.
Bei physischen Produkten sind Mängel in der Regel schnell festzustellen, oft reicht schon ein Blick. Anders sieht es bei KI-Systemen aus. Wie bei diesen Systemen ein Mangel aussehen kann und wie Unternehmen möglichen Mängeln vorbeugen können, berichtet Rechtsanwalt Kay Diedrich.
Durch den Einsatz von Self-Organizing Maps (SOMs), einer Art von neuronaler Netze, haben Industrial Analytics Labs und Optimum eine neue Methode entwickelt, um Fehlerzustände zu erkennen, ohne diese vorher gesehen zu haben.
KI-getriebene Convolutional Neuronal Networks in selbstfahrenden Autos sollen andere Verkehrsteilnehmer erkennen. Dabei gilt: Je selbstständiger das Auto, desto komplexer der Algorithmus und undurchschaubarer dessen Weg zur getroffenen Entscheidung. Ein Validierungs-Tool soll helfen, diesen besser zu verstehen.
Auf der zweiten Konferenz ‚AI for Laser Technology‘ wird am 28. und 29. September 2021 der aktuelle Stand bei der Anwendung von künstlicher Intelligenz in der Lasermaterialbearbeitung diskutiert. Zum Austausch treffen sich hier Forschende, Anlagenbauer, Softwareentwickler und Maschinenbauer. Neben den Fachvorträgen werden am Fraunhofer-Institut für Lasertechnik ILT die Labore für virtuelle Rundgänge geöffnet. Aufgrund der aktuellen Regelungen findet die Tagung online statt.
Um bei anspruchsvollen (Embedded) Vision-Anwendungen ein optimales Ergebnis zu erzielen und um für zukünftige Anforderungen gerüstet zu sein, spielen ein Systemaufbau mit hoher Bandbreite sowie die Unterstützung leistungsfähiger KI-Anwendungen eine wichtige Rolle. Das Embedded Modul TQMx110EB von TQ deckt diese Faktoren vorbildlich ab.
Die geeignete KI-Lösung für das eigene Unternehmen zu finden, kann ein schwieriger Prozess sein. Das Projekt ‚What can AI do for me?‘ hat sich zum Ziel gesetzt, diesen Einstieg zu erleichtern. Resultat ist eine App mit der Unternehmen geeignete Use Cases und Anbieter finden können.
Künstliche Intelligenz (KI) ist zwar in aller Munde, doch nur wenige Unternehmen setzen sie bereits im Personalwesen ein. Eine aktuelle Untersuchung der Deutschen Gesellschaft für Personalführung (DGFP) kommt in diesem Zusammenhang zu dem Ergebnis, dass 93 Prozent der befragten Unternehmen dem KI-Einsatz im HR-Bereich positiv gegenüberstehen. Allerdings haben nur drei Prozent der Umfrageteilnehmer derartige Anwendungen bereits implementiert. Dabei könnten entsprechende Technologien für spürbar effizientere HR-Abläufe sorgen, da sich damit beispielsweise Basiskennzahlen zu Mitarbeitern schnell und einfach bereitstellen und auswerten lassen. Beispiele in Bereichen wie Recruiting oder Skill Management zeigen schon heute, wie KI- und Machine Learning (ML)-basierte Tools das Personalwesen unterstützen können.
Erfolgreiche KI-Projekte kombinieren das Domänenwissen von Prozessbeteiligten mit der Expertise von Datenanalysten und IT-Spezialistinnen. Da nicht jedes Maschinenbauunternehmen über diese drei wichtigen Kompetenzfelder verfügt, sind Kooperationen wichtige Bestandteile von KI-Projekten.
Durch Datenverarbeitung am Netzwerkrand können KI-Systeme in Echtzeit auf Anomalien im Maschinenpark reagieren und Kosten sparen. Um die Spezialisten für Hardware, Vernetzung, KI und weitere Software effizient zusammenzubringen, hat sich der Ansatz Co-Innovation bewährt.
Das Internet of Things (IoT) und künstliche Intelligenz (KI) könnten traditionelle Ansätze zur Produktionsplanung hervorragend ergänzen. Denn ein IoT-vernetzter Maschinenpark kann bei unerwarteten Ereignissen automatisch neue Planungsläufe anstoßen, während die KI die anfallenden Plan- und Ist-Daten der Produktion laufend auf Verbesserungen abklopft.
Gerade bei innovativen Technologien wie künstlicher Intelligenz ist die Bedienung nicht erste Priorität der Softwarehersteller. Aus Sicht der Industrie ist das bedauerlich, denn anlagennah Beschäftigte haben oft die interessantesten Impulse für werksnahe KI-Projekte. Über integrierte Explainability rücken KI-Tools nun näher an die Prozessspezialisten heran.
In der Industrie stehen Schlagworte wie Digitalisierung, Industrial Internet of Things (IIoT) und künstliche
Intelligenz (KI) seit langem für die Möglichkeit, Produktionsabläufe und Wartungsmodelle auf der Basis von Daten zu optimieren. Dadurch ergeben sich für Maschinen- und Komponentenhersteller gleichermaßen Chancen, ihren Kunden neue Angebote für digitale, datenbasierte Services zu machen.
Für den erfolgreichen Einsatz von künstlicher Intelligenz in der Produktion ist eine solide Datenbasis entscheidend. Je größer die Datenmenge und je höher die Datenqualität, desto besser funktionieren KI-Projekte. Falls die Daten in größeren Produktionsanlagen erfasst werden sollen, muss das Netzwerk dafür entsprechend ausgelegt werden – oder im Falle einer Nachrüstung die dafür notwendige Reserve haben. Im folgenden Artikel wird erläutert, auf welche Parameter es dabei ankommt.
Roboter sind in großen Fabriken längst Realität. In wenigen Jahren können sie, unterstützt durch künstliche Intelligenz (KI), auch in kleinen Unternehmen die Beschäftigten bei der Montage unterstützen. Die Voraussetzung dafür ist, dass die Zusammenarbeit mit den lernenden Maschinen sicher ist und dem Menschen motivierende, selbstbestimmte Tätigkeiten erhalten bleiben. In einem fiktiven Anwendungsszenario wirft die Plattform Lernende Systeme einen Blick in die Zukunft der Industriearbeit.
Der Ruf nach intelligenten Lösungen für die Produktionstechnik wird immer größer. Bauteile sollen automatisch erkannt und individuell verarbeitet werden. Dabei spielt Computer Vision eine entscheidende Rolle, jedoch fehlt es noch an Lösungen zur steuerungsnahen Ausführung. Wegen der komplexen Rechenvorgänge ist die Ausführung intelligenter Vision-Algorithmen in einer konventionellen Steuerung meist nicht in Echtzeit möglich. Die Lösung? Eine hardwarebeschleunigte Soft-SPS.
Von der Entwicklung über die Materialbeschaffung, den Produktionsprozess bis zur Nutzung und schlussendlich Entsorgung – wer Produkte nachhaltiger gestalten will, steht vor einer komplexen Aufgabe.
Vermehrt interessieren sich Unternehmen dafür, auf Basis ihrer Fertigungsinformationen Verbesserungspotenziale in der Produktionsplanung und -steuerung zu heben. Maschinelles Lernen und künstliche Intelligenz (KI) kann aber nur dann wirtschaftlich sinnvoll eingesetzt werden, wenn alle relevanten Daten im Zugriff sind und deren Struktur zu den Anwendungen passen. Das Coscom-ECO-System soll eine Plattformökonomie als Basis für Business Intelligence (BI) bieten.
Mängel im Endprodukt, lange Vorlaufzeiten oder Unterbrechungen in der Lieferkette sind Schmerzpunkte in jeder Qualitätssicherung.
In Zusammenarbeit mit Unternehmen aus dem Automobil- und Technologie-Bereich veranstaltet Idealworks eine weltweite AI-Challenge zum Training künstlicher Intelligenz in der Produktion basierend auf synthetischen Daten aus der BMW iFactory.
In der Qualitätsprüfung ist Zeit ein wichtiger Faktor: Wer Fehler rechtzeitig findet, kann sie effektiv und kostensparend beheben. Gemeinsam mit dem Fraunhofer IEM setzt der Automobilzulieferer Benteler dafür in der Warmumformung von Fahrzeugteilen auf Echtzeit-Sensordaten und Künstliche Intelligenz. Damit können Produktionsfehler schneller erkannt, behoben und zukünftig sogar vermieden werden.
Die Anmeldung für die Everyday AI Conference am 21. Juni in London ist geöffnet.
„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?
Bauteile mobil und in Echtzeit überprüfen – das soll die Software Marquis des Fraunhofer IGD ermöglichen.
Künstliche Intelligenz (KI) und Maschinelles Lernen sind seit Jahren in der industriellen Produktion angekommen. Zumindest theoretisch. Mit welcher Vehemenz KI jetzt in der Praxis Einzug hält, soll sich auf der Automatica zeigen, die vom 21. bis 24. Juni 2022 in München stattfindet.
Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.
Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.
Die Vision Cam Ai.go von Imago Technologies soll Anwendern den einfachen Einstieg in Deep Learning ermöglichen.