1. INTELLIGENTE VISUELLE QUALITÄTSKONTROLLE
USE CASE
IN DER FERTIGUNGSINDUSTRIE

2. SETTING THE SCENE
2
EINE KLARE THEMATISCHE ABGRENZUNG ERMÖGLICHT EINE FUNDIERTE ENTSCHEIDUNGSBASIS
IN-SCOPE
OUT-OF-SCOPE
▪ Machine Learning gestützte Qualitätskontrolle in der Produktion oder
Vorproduktion
▪ Einsatz von Machine Vision Systemen zur komplexen Mustererkennung
(Objekte, Texturen, Farben, dreidimensionale Oberflächen)
▪ Digitale Bildanalyse (2D oder 3D) prozessiert mithilfe von trainierten KI-Modellen
z. B. neuronalen Netzen
▪ Identifikation von Teilen, Ausfallerkennung, Defekterkennung, optische
Zeichenerkennung, Farberkennung, Mustererkennung
▪ Nicht-visuelle Qualitätskontrolle (Inhaltsstoffe, Temperatur, sonstige Sensordaten)
▪ Manuelle Qualitätskontrolle durch menschliche Arbeitskräfte
▪ Systeme ohne Machine Learning oder Computer Vision Elemente (Barcode-
Scanning, einfache Ausfallerkennung durch bildgebende Verfahren)
Zielsetzung der Use Case Analyse
▪ Unmittelbare Einordnung der Use Case Relevanz anhand
transparenter Bewertungsdimensionen
▪ Bereitstellung des grundlegenden Informationsangebots
zur Entwicklung einer gemeinsamen Sprache
▪ Herausstellung zentraler Prüfpunkte für eine
unternehmensspezifische Detailanalyse
▪ Vermeidung unrealistischer Erwartungshaltungen
▪ Abbildung der notwendigen Analysetiefe zur
Ersteinschätzung der Anwendungsreife und Marktdynamik

3. 3
ÜBERSICHT DER BEWERTUNGSDIMENSIONEN
8/10 8/10 7/10 6/10 7/10
MARKTREIFESTRATEGISCHER FITUMSETZBARKEITPERFORMANCE KOSTEN REDUKTION
7.6
Intelligente Qualitätssicherung
steigert nicht nur die Kosten-
effizienz, sondern hebt
gleichzeitig die Qualitäts- und
Sicherheitsstandards.
KI reduziert die Aufwände für
Prüfkosten und das Risiko von
Ausfallkosten deutlich.
Startprojekte zur intelligenten
Qualitätssicherung sind bereits
mit vergleichsweise geringem
Aufwand realisierbar.
Größter Engpass ist derzeit die
interne Ressourcenverfügbarkeit
von KI-Spezialisten – Technologie-
vorbehalten kann kommunikativ
vorgebeugt werden.
Die Technologie ist verfügbar,
wird jeden Tag besser und
kostengünstiger – als Early
Follower gilt es jetzt mit dem
Testen zu beginnen.
Künstliche Intelligenz muss im Qualitätsmanagement strategischen Fokus haben,
auch um frühzeitig entsprechende Technologie-Kompetenz aufzubauen.
GESAMT
SCORE

4. 4
DURCH KI KANN OPTISCHE QUALITÄTSKONTROLLE
DEUTLICH VIELFÄLTIGER EINGESETZT WERDEN
Problembeschreibung
Die Fertigungsindustrie verändert sich. Im Rahmen von Industrie 4.0 erlangen
Flexibilität, modulare Produktionsanlagen und kürzere Fertigungszyklen deutlich
höhere Relevanz. Visuelle Qualitätskontrolle ist eine entscheidende Querschnitts- und
Differenzierungsfunktion im Wettbewerb. Aktuelle Systeme sind oftmals unflexibel
und fehleranfällig, sobald sich Umweltbedingungen oder Produkteigenschaften
minimal verändern.
Künstliche Intelligenz (KI) kann durch maschinelles Lernen und visuelle
Mustererkennung zu einer erheblichen Steigerung des Automatisierungsgrades und
damit der Prozesseffizienz beitragen – auch in Bereichen, die aktuell noch stark
manuell geprüft werden müssen.
Zwei Kernprobleme des Qualitätsmanagements werden durch künstliche Intelligenz
adressiert. Erstens, kann der Pseudo-Ausschuss hochautomatisierter Systeme
gesenkt werden. Zweitens ermöglicht der Einsatz von KI auch komplexere
Prüfvorgänge mit multiplen Datenquellen, die bisher manuell geprüft werden
mussten.
Kosten senken und gleichzeitig das Qualitätsniveau der Produktion heben, sind starke
Argumente, sich den Einsatz von KI in der optischen Qualitätskontrolle im Detail
anzuschauen.
Stakeholder-Perspektiven
▪ Setzen in der Regel bereits hochautomatisierte Qualitätskontroll-
Systeme ein
▪ Suchen nach stärkerer Automatisierung und Flexibilität auf
Grund der hohen Prüfkosten und Tragweite von Fehlerkosten
▪ Evaluieren z. T. Lizenzierung proprietärer Systeme an eigene
Kunden und Partner zur Stärkung der Wettbewerbsposition
Groß-
fertigung
Klein-
fertigung
Zulieferer
▪ Arbeiten häufig noch mit manuellen Prüfmethoden
▪ Suchen nach sehr kosteneffizienten Automatisierungslösungen
getrieben durch den internationalen Wettbewerbsdruck
▪ Haben in der Regel knappe IT- und Beratungsbudgets
▪ Versuchen redundante Prüfungsverfahren zu vermeiden, um
eigene Wertschöpfung zu steigern
▪ Brauchen in der Regel eine Null-Fehler Fertigungs-Sicherheit
▪ Müssen sich flexibel der Nachfragesituation im Markt stellen

5. 5
EIN ANWENDUNGSBEISPIEL DEMONSTRIERT DIE
MÖGLICHKEITEN VON KÜNSTLICHER INTELLIGENZ
LösungsalternativenPraktisches Anwendungsbeispiel
Flaschenkontrolle in der Abfüllung
Tausende Flaschen pro Stunde müssen auf ihre
Unversehrtheit geprüft werden, um scharf-
kantige, abgesplitterte oder gerissene Flaschen
auszusortieren und Schadensreklamationen im
Handel oder sogar beim Endkonsumenten
auszuschließen.
Manuelle Kontrolle
Sehr kostenintensiv, besonders im Mehrschichtbetrieb und bei
hohem Stückdurchsatz. 100-prozentige Qualität ist durch
Unaufmerksamkeit oder Ermüdung dennoch nicht
auszuschließen.
Bildgebendes Verfahren
Spezialkamerasysteme mit multiplen Aufnahmemodi gleichen
Bilder pixelgenau ab und finden schadhafte Flaschen.
Anlagekosten liegen jedoch meist zwischen 200.000-500.000 €.
Es besteht erhöhte Gefahr von Pseudo-Ausschuss.
KI-Objekterkennung / Bildsegmentierung
Funktioniert hardware-agnostisch und kommt z.T. ohne eine
Vielzahl von Spezialkameras aus. Das System lernt Blasen, Risse
und Kanten mit hoher Präzision zu erkennen und interpretiert
gleichzeitig Tropfen und Reflexionen korrekt.

6. Output-Effizienz
6
VORTEILE: GERINGERE KOSTEN UND FOLGE-
RISIKEN, HOHE PRÄZISION & GESCHWINDIGKEIT
1) Quelle: https://industrytoday.com//FlippingBook/20.3/files/assets/basic-html/index.html#I
8/10
PERFORMANCE GEWINN
Automatisierte Qualitätskontrolle ist in nahezu allen Fertigungsindustriezweigen ein
entscheidender Hebel zur Steigerung der Prozesseffizienz. Zu differenzieren ist die zu
überwachende Komplexität der Produktkomponenten sowie der bisherige
Automatisierungsgrad des Prozesses.
Hochkomplexe Multikomponenten-Produkte wie Fahrzeuge oder industrielle
Werkzeugmaschinen erfordern Verfügbarkeit und Qualität der Fertigungsinfrastruktur
mindestens im sogenannten „Five nines“-Bereich, also 99,999%. Bei einer Genauigkeit
von nur 99% besteht im Fahrzeugbau beispielsweise immer noch bei etwa 80-100
Teilkomponenten ein Ausfallrisiko – was deutlich zu hoch ist.
Demgegenüber stehen teilweise noch manuell durchgeführte Prüfungen von Stoffen
in der Textilfertigung oder optischen Erzeugnissen (z. B. Linsen). Hier ist die
Fehlererkennung oftmals komplexer, da sich Mängel nicht nur in offensichtlichen
Oberflächenschäden, oder der Vollständigkeitsprüfung äußern, sondern in der Textur,
Trübung, Mustern etc.
Arbeitskräfte, die schichtweise repetitive Qualitätssicherung betreiben, sind zeitlich in
der Anzahl der Prüfvorgänge limitiert und schließen das Risiko von Ermüdungsfehlern
nicht vollständig aus. Damit bleibt die manuelle Kontrolle ein Risikofaktor und
Kostentreiber für den Gesamtfertigungsprozess. Effizienzsteigerung ist vor allem
möglich durch eine kontinuierliche digitale Erfassung von Defekten, Maßen,
Füllständen, Färbungen und Materialbeschaffenheit sowie dem zurückspielen dieser
Informationen in ein lernendes System.
Dadurch können Ausfallrisiken vermieden, Prüfungsvorgänge pro Zeit gesteigert und
hierfür anfallende Personalkosten reduziert werden.
9/10
Produktqualität ist ein zentrales Differenzierungskriterium im globalen, transparenten
und teilweise bereits hochautomatisierten Wettbewerb. Laut einer Infosys Studie1 sind
rund 20% der Fertigungsunternehmen nicht in der Lage, ihre Qualität vollständig zu
messen und ein entsprechendes Risikocontrolling zu betreiben. Insbesondere in
Fertigungsteilprozessen mit bisher geringer Automatisierung (z. B. Textil, Optik) kann
ein KI-basiertes System entscheidend zur Überwindung bisheriger Herausforderungen
in der Prozessautomatisierung beitragen.
Qualität
Es existieren vier wesentliche Dimensionen, in denen KI Risiko minimieren kann:
▪ Compliance-Risiko (Einhaltung von Normen und gesetzlichen Gütestandards)
▪ Materialrisiko (Chargenausfall, Ersatzansprüche)
▪ Finanzielles Risiko (Garantieforderungen, Rückruf, Strafen)
▪ Nicht-aktivierbare Kosten (Kundenunzufriedenheit, Vertrauensverlust)
Risikovermeidung
Der Technologietransfer von einem System auf weitere Fertigungsschritte oder
Prozesse ist nicht unmittelbar möglich. Machine Learning Modelle müssen individuell
auf die Besonderheiten des zu kontrollierenden Objekts trainiert werden. Genereller
Kompetenz-Aufbau sowie technologische Expertise im Bereich Machine Vision lassen
sich hingegen problemlos strukturell auf weitere Anwendungsfälle übertragen.
Skalierung
9/10
6/10
8/10

7. 8/10
7
AUTOMATISIERUNG MANUELLER PRÜFUNGS-
KOSTEN IST DER WICHTIGSTE KOSTENHEBEL
KOSTEN REDUKTION
Kostenbereich Systemkosten Ausfallkosten
Sub-Kategorie Kosten für Prävention Prüfungskosten Interne Ausfallkosten Externe Ausfallkosten
Beschreibung Aufwände zur initialen
Fehlervermeidung
Aufwände zur operativen
Qualitätssicherung und
Folgeschadenvermeidung
Interne Aufwände zur
Fehlerbehebung oder
Schadensminimierung
Externe Aufwände für
Entschädigungen durch Ausfall oder
Produktversagen
Use Case bezogene
Kostenpositionen
▪ Qualitätsplanung
▪ Statistisches Sampling /
Probenentnahme
▪ Mitarbeiterschulungen und
Trainings
▪ Produktdesign-Optimierung
▪ Kundenevaluation und
Marktforschung
▪ Materialinspektion von
Zulieferteilen / Werkstoffen
▪ Produktionsschritt
Qualitätssicherung
▪ Produktabnahmekontrolle
▪ Dokumentationspflicht
▪ Produkt-Testing
▪ Zertifizierungen
▪ Maschinen- und Anlagenwartung
▪ Ausschuss
▪ Nacharbeitungskosten
▪ Nachträgliche
Kleinserienproduktion
▪ Chargenausfall
▪ Produktionsstopp
▪ Reparaturkosten
▪ Garantiekosten
▪ Reklamationen außerhalb der
Garantie
▪ Rückrufe
▪ Haftungsansprüche
▪ Strafzahlungen
▪ Vertrauensverlust bei Kunden
▪ Overhead durch Formalitäten
Einflussbereiche von
KI in der
Qualitätskontrolle
Schwachstellenerkennung in der
Qualitätsplanung, Mitarbeiter-
Effektivität erhöhen
Automatisierung manueller
Kontrollen und Dokumentationen –
bis zu 90% Einsparungspotenzial im
Wirkbetrieb
Steigerung der Prüfungsqualität
durch Eliminierung menschlichen
Versagens und Genauigkeit der
Erfassung
Langfristige Optimierung interner
Gewährleistungsrichtlinien
Effizienzgewinn
durch KI
= sehr niedrig = sehr hoch
8/10 7/10

8. 8
OPTISCHE QUALITÄTSKONTROLLE KANN BEREITS
SEHR EINFACH UND ABGESICHERT STARTEN
EINFACHE UMSETZUNG
Einfachheit der Lösung
Optische Qualitätskontrolle kann prozessual in fünf wesentliche Module bzw.
Arbeitsschritte untergliedert werden und bereits in einem einfachen Setup sehr
wirkungsvoll eingesetzt werden:
1) Datenerfassung: Visuelle Daten werden aus einem Produktionsumfeld mithilfe
von Machine Vision Systemen (Kameras, Scanner, Lasersysteme) erfasst und als
Rohdaten inkl. zugehöriger Metadaten (Zeitstempel, Arbeitsschritt etc.) in einem
on-premise oder Cloud-System erfasst.
2) Trainings-Modul: Für eine effiziente Erkennung von Objekten, Klassifizierung oder
Segmentierung von Bildteilen ist i.d.R. ein Training des KI-Systems notwendig, als
Basis braucht es oftmals vorab gelabelte (korrekt klassifizierte) Input-Daten.
3) KI-Backend: Bilddaten werden arbeitsfähig konvertiert bzw. skaliert, eine
fallabhängige Muster-Erkennung wird anschließend durch die zuvor trainierte KI
prozessiert und eine entsprechende Entscheidung (defekt / kein Defekt) wird
getroffen – oftmals eignen sich hierfür neuronale Netze.
4) Anwendungsoberfläche: Als zusätzliche Absicherung oder zur fortlaufenden
Optimierung des Systems können KI-Entscheidungen an ein Frontend ausgespielt
werden, das manuelle Validierungen und Freigaben ermöglicht, alternativ ist eine
automatisierte Ansteuerung von korrigierenden Robotik-Elementen möglich.
5) Administration: Feedback und Parameter-Optimierung des Modells können aus
dem Anwender-Frontend an das KI-Trainingsmoduls zurückspielt werden, um
langfristig aus dem operativen Betrieb heraus zu optimieren.
Schematischer Prozessablauf
Datenerfassung
Produktion Machine
Vision System
MetadatenBild-Rohdaten
+ +
Erfassung
KI-Backend
Rohdaten
Konvertierung
Muster-
erkennung
Automatisierte
Entscheidung
Trainings-Modul
Training des Machine Learning Modells
Administration
OptimierungFeedback Loop
Anwendungsoberfläche
Ergebnis der
Qualitätssicherung
2nd Level
Prüfung
Validierung
7/10

9. 9
ALS EINSTIEGS-ANWENDUNG IN KI BIETET DER
KLARE NUTZWERT DES USE CASES DIE IDEALE BASIS
7/10
EINFACHE UMSETZUNG
0
2
4
6
8
10
Einfachheit
der Lösung
Inter-
operabilität
Test
Validität
Problem-
bewusstsein
Organisatorische
Offenheit
Interoperabilität
Relevant ist die Anbindung bzw. Integration in bestehende Produktionsprozesse, z. B.
nachgelagerte Robotik-Elemente, die korrigierend Eingreifen (aussortieren). Weiterhin
existiert bei datensensitiven oder latenzkritischen Prozessschritten die Flexibilität, das
System on-premise oder in der Cloud laufen zu lassen. Noch sind dabei nicht alle
Marktlösungen standardisiert. Die grundlegenden Frameworks sind jedoch leicht
integrierbar, über APIs ansteuerbar und kompatibel mit Standard-Systemen, die in
vielen Kundenumgebungen bereits vorzufinden sind (z.B. AWS, Azure, SAP etc.).
Test-Validität
Fallabhängig kann optische Qualitätssicherung automatisiert durch KI bereits in sehr
kleinem Testumfang bereits produktiv funktionieren. Komplexere Setups benötigen
Übergangsphasen und initialen Implementierungsaufwand – können jedoch in der
Regel mit hoher Aussagekraft unabhängig getestet werden.
Problembewusstsein
Vergleicht man die Kosten für die manuelle Prüfung in Industriearbeitsstunden mit der
von automatisierten Systemen, wird das Einsparungspotenzial schnell offensichtlich.
Auch die Eintönigkeit der Arbeit fördert das Problembewusstsein bei Entscheidern.
Organisatorische Offenheit
Sofern klare Einsparpotenziale und Qualitätsoptimierung durch Automatisierung
erreichbar sind, ist der Management Support in nahezu jedem Unternehmen gegeben.
Mitarbeiter, die einen Arbeitsplatzverlust fürchten, werden durch Flexibilisierung ihrer
Tätigkeit und begleitende Kontrollfunktionen oftmals nicht überflüssig, sondern
effektiver eingesetzt.
Bewertung der Umsetzungskomplexität
7/10
6/10
7/1010/10
7/10

10. Ressourcen Verfügbarkeit
10
INTERNE VORAUSSETZUNGEN MÜSSEN
STIMMEN, UM LANGFRISTIG ERFOLGREICH ZU SEIN
6/10
STRATEGISCHER FIT
Langfristiges Ziel des Use Cases ist es, Ressourcen einzusparen bzw. effektiver
einzusetzen. Zur Realisierung werden jedoch zunächst zusätzliche Implementierungs-
und Wartungs-Ressourcen benötigt, die entweder intern bereitgestellt, oder über
externe Partner eingekauft werden müssen.
Wichtig sind dabei vor allem eine saubere und übertragbare Architektur, das initiale
Aufsetzen und trainieren des KI-Modells sowie die Integration in Bestandssysteme.
Inwieweit auf Standard-Lösungen von Dienstleistern zurückgegriffen werden kann,
hängt von der jeweiligen Fallkomplexität ab. Grundsätzlich ist der Anwendungsfall
jedoch recht klar und verglichen mit anderen KI-Anwendungen eher ressourcenarm.
5/10
Der Einsatz automatisierter optischer Qualitätskontrollen ist in zweierlei Hinsicht
wichtig in eine passende Kommunikationsstrategie einzubetten. Erstens sollte die
Angst vor massivem Stellenabbau in der internen Kommunikation durch vorbereitende
Informationen und unternehmensstrategische Einblicke vermieden werden.
Zweitens sollten Kunden und Partner über die Vorteile und Qualitätsstandards
aufgeklärt werden, um Vorbehalten und Unsicherheiten vorzubeugen.
Passende Kommunikationsstrategie
Die Neuartigkeit des Use Cases stammt aus dem Einsatz künstlicher Intelligenz.
Besonders relevant sind neuronale Netze und Deep Learning als zentrale Tools in der
intelligenten optischen Datenverarbeitung. Experten für diese Domäne sind oftmals
nicht mit der nötigen Kapazität verfügbar und müssen rekrutiert werden. Beratungen
können für Tests und PoCs völlig ausreichend sein. In einer Produktiv-Umgebung sind
interne Experten für dieses Thema jedoch unerlässlich.
Know How vorhanden
Notwendige Computing- und Speicher-Kapazität sind zu vergleichsweise
vernachlässigbaren Faktoren geworden. Viel wichtiger sind Daten. Eine ausreichende
Menge visueller Inputdaten zum Training eines KI-Systems sowie das oftmals
notwendige Labeling sind dabei die größten Herausforderungen. Die künstliche
Generierung von Trainingsdatensätzen kann dabei Aufwand deutlich reduzieren.
Inputfaktoren erschließbar
3/10
5/10
7/10
Management Priorität
Jede technologische Innovation und Prozessanpassung ist mit Kosten verbunden und
kann interne Widerstände hervorrufen. Durch das unmittelbar erkennbare finanzielle
Einsparpotenzial und die Reduktion offensichtlicher Risiken ist eine hohe Management
Priorität für die Entwicklung im Normalfall gegeben.
Der zweite positive Aspekt ist die vergleichsweise schnell demonstrierbare
Funktionalität des neuen Systems in Form eines Proof-of-Concepts. Dieser ist
möglicherweise für den Regelbetrieb noch nicht ausgereift genug, schafft aber das
nötige Vertrauen in eine kostenintensivere Weiterentwicklung der Lösung.
9/10

11. 11
DEEP LEARNING ERLAUBT DEN EFFIZIENTEREN
EINSATZ VON MACHINE VISION TECHNOLOGY
Einfluss neuartiger Schlüsseltechnologien Marktdurchdringung
Früher MassenmarktInnovatoren Early Adopter Später Massenmarkt Nachzügler
PENETRATIONSRATE
Systemkomponente Rolle
Marktdurch-
dringung
Adaptions-
stadium
Lösungs-
charakter
Machine Vision Enabler
Früher
Massenmarkt
Deployment individuell
Deep Learning
Neural Networks
Enabler Early Adopter
Proof-of-
Concept
individuell
Intelligente
Picking-Roboter
Performance
Treiber
Früher
Massenmarkt
Optimierung individuell
IoT Sensor Networks
Performance
Treiber
Early Adopter Live-Testing Individuell
Edge Cloud
Performance
Treiber
Innovatoren
Proof-of-
Concept
Standard
Cloud Computing
Access
Accelerator
Später
Massenmarkt
Optimierung Standard
Prototyping OptimierungDeploymentLive Testing
Proof-of-
Concept
Adaptionsstadium
TECHNOLOGISCHE REIFE
MARKTREIFE
0 – 3 % 4 – 17 % 18 – 50 % 51 – 84 % 85 – 100 %
6/10

12. KI-Lösungsanbieter (Spezialisten)
12
DAS POTENZIELLE PARTNERSPEKTRUM ZUR
LÖSUNGSENTWICKLUNG IST BREIT AUFGESTELLT
Hinweis: Kein Anspruch auf Vollständigkeit, die Auswahl der Anbieter erfolgt auf Basis ihres kommunizierten Leistungsangebots bzw.
öffentlichkeitswirksamen Projekten
8/10
ÖKOSYSTEM VERFÜGBARKEIT
MARKTREIFE
Lösungsanbieter Startups Realisierungspartner Open Source Communities
Bei Systemanbietern von KI-gestützter
Qualitätskontrolle sind generalistische
Cloud-Plattformen von Industrie-
spezialisten zu unterscheiden.
Erstere bieten Microservices für die
Fertigungsindustrie, während hochspezial-
isierte Software- bzw. Hardware-Anbieter
auf Basis bestehender Assets eine
Gesamtlösung als Lizenzmodell anbieten.
Die Startup-Landschaft entwickelt sich im
KI-Bereich dynamisch, fokussiert sich
jedoch am Anfang einer technologischen
Entwicklung stärker auf B2C Use Cases.
Dies liegt auch an der hohen Komplexität
in der industriellen Fertigung.
Ausgewählte Spezialisten finden sich
jedoch sowohl in Europa als auch den
USA zum Thema Qualitätssicherung.
Zur Implementierung bzw. zur
Lösungsentwicklung können
spezialisierte IT-Beratungshäuser oder
Forschungs-institut und Universitäten als
Partner zu Rate gezogen werden.
In beiden Segmenten ist das Thema
industrielle Qualitätssicherung breit
abgedeckt – leistungsfähige und
renommierte Partner sind verfügbar.
Die eigenständige Entwicklung von KI-
Lösungen ist im Hinblick auf die
notwendigen Software-Frameworks nicht
kostenintensiv. Eine Vielzahl von Open
Source Angeboten existiert mit
umfassender Community-Unterstützung.
Machine Learning und Computer Vision
werden dabei von nahezu allen gängigen
Frameworks unterstützt.
KI-Lösungsanbieter (Generalisten) KI-Startups Beratung / Implementierung
Forschung
Frameworks

13. 13
KI IST KEIN ZUKUNFTS-THEMA MEHR – DER
PRODUKTIVE EINSATZ IST BEREITS NACHGEWIESEN
*Unternehmensbeispiele exemplarisch ausgewählt – kein Anspruch auf Vollständigkeit
„FEAR OF MISSING OUT“
MARKTREIFE
KI-KOMPETENZ
UNTERNEHMENSGRÖSSE
LEADER
EARLY
FOLLOWER
KMU GROSSUNTERNEHMEN
Anwendertyp*
KI-Strategie*
BUILD BUY
PARTNER
?
Je komplexer der Prüfvorgang, desto
sinnvoller eine eigene Lösung. Bei der
Verwaltung großer Datenmengen,
Compliance-Themen und der auto-
matisierten Ansteuerung von Robotik-
Elementen eignen sich explizit dafür
ausgelegte Lösungen meist besser als
die Adaption existierender Systeme.
Entwicklungs-Frameworks bieten eine
Vielzahl vorhandener Module, die
angepasst werden können. Dies
erfordert jedoch mehr Zeit und die
Investition in KI-Entwickler, welche zur
Zeit nicht nur rar sondern auch sehr
teuer sind.
Das Einkaufen von Standardlösungen
bis hin zu Teams oder Startups, die
sich dem Thema widmen, ist in der
Qualitätsprüfung schwierig. Durch die
Vielzahl der unterschiedlichen
Anforderungen werden auch in naher
Zukunft keine „Produkte von der
Stange“ existieren. Erhältlich sind
jedoch sogenannte KI-as-a-Service
Module von Cloudanbietern wie IBM
oder Microsoft bis hin zu
vortrainierten Speziallösungen von
Industrieexperten wie Cognex oder
vergleichbaren Anbietern.
Der Partneransatz kann in vielen Fällen Sinn ergeben. Der Zusammenschluss mit
Kunden oder Zulieferern, Partnern aus der Forschung, oder eine Lizenzierung
eigener Lösungen zur Refinanzierung sind denkbare Optionen. Argumente hierfür
können geringe Datenverfügbarkeit, gemeinschaftliche Vorteile oder Grundlagen-
Schaffung in experimenteller Umgebung sein. Das Ökosystem bietet ausreichend
Anlaufstellen im deutschsprachigen Raum, solche Projekte umzusetzen.
Wettbewerbsgedanken sollten hierbei hinten angestellt werden, da der potenzielle
Gewinn durch Technologieeinsatz aktuell noch alle Wettbewerber profitieren lässt.
GeschäftsmodelldiversifikationFirst-Mover Marktanteile gewinnen
„low-hanging fruits“ ernten Know How einkaufen
Plug and Play Lösungen Individualisierte Standardlösungen
(Spezial-)Lösungsentwickler Individual-Lösungen
8/10

14. 14
PRAXISBEISPIELE ZEIGEN DEN KLAREN MEHR-
WERT DURCH DIE ADAPTION VON KI-SYSTEMEN
MARKTDYNAMIK
MARKTREIFE
Siemens Gamesa - Turbinenblattinspektion
KPM – Komponentenprüfung in Doppelpumpenmontagelinie
VARTA – Pseudo-Ausschussvermeidung in der Batterieprüfung
Der Qualitätssicherungsprozess bei Siemens Gamesa
wurde dank einer mit Fujitsu gemeinsam entwickelten KI-
Lösung beschleunigt, wodurch die Inspektionszeiten von
neuen Turbinenblättern stark reduziert wurden. Die
zentimetergenaue Abtastung verringert die bisherige
sechsstündige manuelle Prüfung, um 75 Prozent auf ca. 90
Minuten. Link
Kawasaki Precision Machinery (KPM) nutzt ein vollauto-
matisches Machine Vision System auf ihrer Montagelinie.
Geprüft werden sechs verschiedene Teile mit insgesamt 63
Varianten. Durch KI konnte die Notwendigkeit mehrerer
sich bewegender Kameras eliminiert werden. Inspektions-
qualität, Schnelligkeit und Flexibilität konnten deutlich
verbessert werden. Link
Die Herausforderung: Den Pseudo-Ausschuss beim Batterie-
hersteller so niedrig wie möglich zu halten. Bisherige 2D-
Systeme waren in der Lage, Qualitätsmängel durch
Verschmutzungen und Deformationen zu erkennen. Der
Pseudo-Auswurf fiel mit bis zu 10% jedoch deutlich zu hoch
aus. Ein KI-basiertes 3D-System inspiziert Fälle innerhalb
von nur 0,06 Sekunden bei 100% Prüfqualität. Link.
Zentrale
KPIs
Praktische
Learnings
„to-watch“
▪ Overall Equipment Effectiveness (OEE)
▪ Overall Line Efficiency (OLE)
▪ 100%-Prüfqualität
▪ Inspektionszeit pro Objekt
Drei Haupt-Anwendungsfälle für intelligente, automatisierte
Qualitätsprüfsysteme
1) Zeitintensive, unzugängliche manuelle Prüfung
2) Statische Prüfsysteme bei hoher Produktionsflexibilität
3) Ineffizienzen in hoher Stückzahlproduktion durch „overfitting“
klassischer Prüfsysteme
▪ Best Practices in strukturell ähnlichen Produktionsumfeldern
▪ Performanz vglw. einfach konfigurierbarer Cloud-Module
durch kontinuierliches Testing
▪ Interner Optimierungsdruck auf den Effizienz-KPIs für die
Entscheidung auf KI-basierte Systeme umzustellen
9/10

15. 15
SICHERHEIT, STABILITÄT UND EFFIZIENZ SIND
KERNELEMENTE EINER ROBUSTEN INFRASTRUKTUR
1) Quelle: https://www.handelsblatt.com/unternehmen/mittelstand/familienunternehmer/produktionskosten-von-wegen-billig-die-
loehne-in-china-steigen-rasant/22905244.html?ticket=ST-1000859-sQ3qkTRrvBk6FdTcMeD3-ap1
ROBUSTHEIT DER INFRASTRUKTUR
MARKTREIFE
BarrierenTreiber
Arbeitskosten
Steigende Lohnniveaus in westlichen Produktionsstandorten,
insbesondere aber im asiatischen Raum (ca. 10% jährlich seit 20121)
setzen globale Unternehmen zunehmend unter Druck Prozesskosten
zu senken. Qualitätssicherung ist hierbei ein hochrelevanter Hebel.
Datenverfügbarkeit (Sensorik)
Machine Vision Systeme ermöglichen immer mehr Einsatzgebiete für
automatische Qualitätssicherung. Egal ob Einzelbild, Video oder
dreidimensionale Oberflächenmodelle – die Analysetiefe durch
gestiegene Datenverfügbarkeit übersteigt zumeist bereits die
menschliche Wahrnehmung und steigert somit die Ergebnisqualität.
Deep Learning / Neuronale Netze
Der zentrale Entwicklungstreiber von Machine Vision Performanz in den
vergangenen Jahren wird auch künftig die Output-Qualität
kontinuierlich verbessern und somit immer komplexere Aufgaben
ermöglichen.
Mangel an KI-Spezialisten
Die Verfügbarkeit qualifizierter Experten, die in der Lage sind
Systemarchitekturen aufzusetzen und selbstlernende KI-Systeme zu
trainieren und zu administrieren können aufgrund der hohen Nachfrage
und damit entsprechenden Preisen zur Adaptionsbarriere vor allem für
Mittelständler werden.
Existierende bildgebende Verfahren
Bestehende Verfahren sind maschinell lernenden Systemen in puncto
Flexibilität, was veränderte Bedingungen oder Interpretationstiefe
(Reduktion von Pseudofehlern) angeht deutlich unterlegen.
Funktionieren sie in einem eng gesteckten Rahmen jedoch sehr effizient,
gibt es keinen Druck das System grundlegend zu verändern.
Geringe Fehlertoleranz
KI Entwicklung ist ein iterativer Prozess. Optimierung resultiert aus
Erfahrungsdaten. Bei geringer Fehlertoleranz des Use Cases oder der
verantwortlichen Entscheider, können anfängliche Bemühungen
scheitern, da das System nicht genug Lernkapazität bekommen hat, um
in der Produktivumgebung eingesetzt werden zu können.
Unausgereifte Standards
KI Lösungen in der Qualitätskontrolle sind Stand heute noch kein
Standard „Plug and Play“-Service. Sowohl Anbieter als auch Anwender
sammeln Erfahrungen und definieren gemeinsam Standards.
Schlüsselfertige Lösungen sind allerdings auch in Zukunft auf Grund der
spezifischen Anforderungen kaum erwartbar.
Cloud Computing / Edge-Computing
Rechenintensive KI-Anwendungen können heute bereits vergleichs-
weise kostengünstig in der Cloud oder on-premise realisiert werden.
Mit Edge Computing können auch sicherheitsrelevante Daten zu ultra-
geringen Latenzzeiten prozessiert werden und ermöglichen eine
Vollautomation der Qualitätskontrolle.
7/10

16. 7/10
16
INTELLIGENTE QUALITÄTSPRÜFUNG IST BEREITS
PRAXISTAUGLICH, BREITE ADAPTION STEHT BEVOR
MARKTREIFE
Status quo Ausblick
Monitoren Live-Test Deployment
Automatisierte Qualitätskontrolle ohne den Einfluss einer maschinell lernenden KI
im Hintergrund hat wesentliche Fortschritte zur manuellen Inspektion und
Prüfung gebracht. Es beinhaltet jedoch auch einige Schwächen vor dem
Hintergrund zunehmender Flexibilisierung von Produktionsabläufen im Rahmen
der Industrie 4.0.
▪ Höherer Wartungsaufwand und Systemkosten
▪ Geringe Flexibilität und Skalierbarkeit
▪ Hohe Kosten und ggf. Abhängigkeit von einzelnen Lösungspartnern
Die Zukunft von automatisierten Qualitätssicherungssystemen liegt im Einsatz
künstlicher Intelligenz, die manuelle Prüfarbeit z.T. überflüssig macht, extrem
hohe Genauigkeit bei geringem Pseudo-Ausschuss erzielt und flexibel auf
unterschiedliche Varianten, Farben und sogar harmlosen Verunreinigungen
reagieren kann.
▪ Einsatzmöglichkeiten in der Cloud, on-premise oder hybrid
▪ Hohe Skalierbarkeit bis hin zur Erweiterung als neues Lizenzgeschäftsmodell
▪ Geringerer „Vendor lock-in“, sowohl auf Hardware- als auch auf Softwareseite
Innovationsführer,
Großproduzenten
Early Adopter,
KMUs
Prototyp / Proof-of-Concept Optimieren
Wo stehen wir aktuell?

17. CHECKLISTE: INDIVIDUELLE UMSETZUNGSRELEVANZ
17
ORIENTIERUNGSPUNKTE FÜR EINE ERFOLGREICHE USE CASE IMPLEMENTIERUNG
Optimierungspotenzial Veränderungsdruck Aktionspunkte
❑ Aktuell hoher manueller Prüfungs-
aufwand
❑ Produktspezifisch hohe Garantie- bzw.
Ausfallkosten
❑ Aktuell eingesetzte Automatisierungs-
lösung mit hohen Initialkosten
❑ Hohe Anzahl an zu prüfenden
Produktvariationen
❑ Pseudo-Fehler sorgen für Ineffizienzen
Aspekte, die auf den Bedarf an einer KI-gestützten
Qualitätskontrolle hindeuten
❑ Qualität ist wichtigstes Differenzierungs-
element zum Wettbewerb
❑ Derzeitige Lösung ist herstellergebunden
und erfordert hohes Spezialwissen
❑ Flexibilität für die eigene Produktion von
stark wachsender Bedeutung
❑ Höhere Transparenz und Sicherheit im
Compliance angestrebt
❑ Qualitätsschwankungen an
unterschiedlichen Fertigungsstandorten
Faktoren, die den Handlungsdruck im Bereich
Qualitätsmanagement erhöhen
❑ Präzise IST-Analyse der Bestandssysteme
und konkrete Problemdefinition
❑ Definition von internen Projektressourcen
oder Partnersuche
❑ Evaluation von Datenquellen (Qualität,
Volumen, Schnittstellen, Verfügbarkeit)
❑ Short-List-Erstellung von KI-Lösungs-
alternativen bzw. Systemerweiterungen
❑ Minimum-Viable-Testsetup aufsetzen
(außerhalb des Produktivbetriebs)
Konkrete Maßnahmen, die bei einem avisierten
Test-Projekt zu beachten sind

18. ÜBER APPANION
18
WIR HELFEN DABEI, DIREKTEN MEHRWERT AUS IHREN DATEN ZU ERZIELEN
Wir identifizieren passende
KI-Anwendungsfälle und helfen bei der
zielorientierten Priorisierung
IDENTIFY
Wir erstellen einen konkreten Plan über
Anforderungen, Projektorganisation
und feedbackgesteuerte Iterationsschritte
PLAN
Wir evaluieren geeignete Lösungen für
unternehmensspezifische Anforderungen
EVALUATE
Wir begleiten den Entwicklungs-
und Implementierungsprozess und
unterstützen bei der Partnerauswahl
EXECUTE
Wir schaffen Entscheidungssicherheit über
Prozessdesign und funktionale Prototypen
TEST
Wir entwickeln eine zukunftssichere
Datenstrategie auf Basis der langfristigen
Unternehmensziele
SUSTAIN

19. 19
METHODIK
BACKUP

20. UNSERE METHODIK
20
FREQUENTLY ASKED QUESTIONS
Was bedeutet das Use Case Scoring?
Technologische Innovationen im Bereich der künstlichen Intelligenz oder Blockchain
Technologie verändern Unternehmensprozesse, Geschäftsmodelle und Verhaltens-
weisen nachhaltig. Teilweise ist der Fortschritt dabei in so kurzer Zeit erreicht, dass
bestehende Organisationsstrukturen sich nicht schnell genug anpassen können und es
zur Disruption von relevanten Marktteilnehmern oder ganzen Märkten kommt.
Mit dem Use Case Scoring haben wir eine Methode entwickelt, die einen Überblick
über aktuell wichtige technologische Innovationsbereiche in unterschiedlichen
Branchen gibt. In detaillierten Einzelprofilen stellen wir eine erste Einschätzung, eine
strukturierte Priorisierung sowie die wichtigsten Eckdaten zur Verfugung.
Unternehmen können hiermit die Dringlichkeit auf den ersten Blick einschätzen, mit
der sie sich diesen Themen zuwenden sollten.
Wie funktioniert die Use Case Analyse?
Die Use Cases werden industriespezifisch aus unserer langjährigen Erfahrung im
Bereich Markt- und Trendbeobachtung im Digital- und Technologieumfeld einzeln
geprüft und ausgewählt. Das Bewertungsmodell beruht auf fünf zentralen
Dimensionen, die eine umfassende Evaluation des Anwendungsfalls ermöglichen.
(„Performance Gewinn“, „Kosten Reduktion“, „Marktreife“, „Strategischer Fit“ und
„Einfache Umsetzung“).
Alle fünf Dimensionen sind in gewichtete Einzelfaktoren segmentiert, die in den
detaillierten Use Case Profilanalysen transparent bewertet werden. Aus der Erfahrung
zahlreicher Strategie- und Business Intelligence Projekte, die wir in den vergangenen
Jahren sowohl in DAX-Konzernen als auch im Mittelstand aktiv begleitet haben, leitet
sich unser flexibler Bewertungsrahmen ab, der die zentralen Erfolgsfaktoren
technologischer Innovationsprojekte abbildet.
Welche Werte werden für die Use Case Bewertung zu Grunde gelegt?
Bei der Analyse von technologischen Innovationen versuchen wir explizit nicht eine
allgemeingültige Wahrheit zu finden – die verschiedenen Einflussdimensionen und
Perspektiven erfordern im Regelfall eine unternehmensspezifische Detailanalyse.
Einschätzungen, die tatsächlichen Wettbewerbsvorteil bedeuten, ergeben sich oftmals
aus fokussierter Marktbeobachtung, einem fundierten Verständnis von Markt-
dynamiken sowie Geschäftsmodellen. Die Absicherung von Entscheidungen durch
Marktforschung, langfristig angelegten Forschungsprojekten und die Erstellung
umfassender PowerPoint-Analysen dauert häufig zu lange und bindet Ressourcen, mit
denen bereits wichtige Fortschritte in Tests und Prototypen erzielt werden können.
Unsere Alternative ist ein einfaches, intuitives Bewertungsmodell auf einer Skala
von 1 (Worst-Case Voraussetzung) bis 10 (Optimalbewertung), das von einem
ausgewählten Expertenkreis in einem Achtaugenprinzip geprüft und freigegeben wird.
Unser Expertennetzwerk beinhaltet erfahrene Strategieberater, Business Intelligence
Spezialisten, Marktanalysten und Branchenexperten mit praktischen oder
wissenschaftlichem Hintergrund.
Welche Gewichtung der Einzelfaktoren sorgt für eine Gesamtbewertung?
Die Gewichtung der Einzelfaktoren spiegelt eine durchschnittliche Branchen-
einschätzung wider. Die Gewichtungsverhältnisse können auf der Folgeseite nachvoll-
zogen werden. Je nach Unternehmensvoraussetzungen und Use Case Komplexität
können sich Bewertungsdimensionen unterschiedlich stark ausprägen. Eine
individualisierte Einzelfallprüfung bieten wir unseren Kunden daher projektbasiert an.
Wo finde ich weitere Informationen und Use Case Profile?
Unser Use Case Profil-Datenbank befindet sich derzeit im Aufbau. Weitere
Informationen erhalten sie auf appanion.com oder kontaktieren Sie uns persönlich.

21. EINFLUSS DER BEWERTUNGSDIMENSIONEN
21
DAS FLÄCHENMASS REPRÄSENTIERT DIE PROZENTUALE GEWICHTUNG (NORMIERT AUF 100 PROZENT)

22. WIR FREUEN UNS ÜBER IHR FEEDBACK!
Haftungsausschluss: Diese Analyse basiert auf Recherchen und Daten der zuvor genannten Quellen. Alle präsentierten Informationen wurden von Appanion und assoziierten Experten mit großer Sorgfalt recherchiert und aufbereitet. Für die präsentierten Daten und Informationen kann Appanion keine Gewährleistungen jeglicher Art
übernehmen. Informationen und Daten stellen in ausgewählten Fällen individuelle Meinungen dar und bedürfen gegebenenfalls einer weiteren Interpretation als Entscheidungsgrundlage. Nach der Veröffentlichung dieses Dokuments können nicht vorhersehbare Fortschritte in Forschung oder Praxis erzielt werden, die eine alternative
Einschätzung nahelegen. Appanion haftet daher nicht für Schäden, die durch die Verwendung der in dieser Analyse enthaltenen Informationen und Daten entstehen.
Tobias Bohnhoff
Appanion Labs GmbH ▪ Hopfenstrasse 11 ▪ 20359 Hamburg ▪ www.appanion.com