Auf den meisten Linien wird die Qualität am Ende geprüft: Das Produkt kommt vom Band, geht in die Kontrolle, und erst dort erfahren Sie, dass die Charge einen Fehler hat. Das Problem ist, dass die Kosten bereits angefallen sind - verschwendetes Material, Maschinenzeit, Stillstand und Ausschuss. Vorausschauende Qualität in der Fertigung dreht diese Logik um: Statt Fehler im Nachhinein zu finden, sagt sie diese aus Prozessdaten voraus, bevor das Produkt überhaupt entsteht.
Aus unserer Erfahrung liegt die Schwierigkeit nicht darin, ein Modell zu trainieren, sondern darin, es in einen echten Produktionsprozess einzubinden und in der Produktion am Leben zu halten. Wir sagen es offen: Eine Fabrikreferenz zu vorausschauender Qualität haben wir nicht. Was wir haben, ist echte Kompetenz in AI, Daten und Modellen (innerhalb der RITS Group sind das unsere LLM-, AI- und Datenteams, die GenAI-, RAG- und LLM-Projekte geliefert haben) sowie jahrelange Arbeit in Industrie- und Industrie-4.0-Projekten. Diese Verbindung - Daten- und Modellmenschen plus Verständnis für die Fertigung - ist genau das, was ein solches Projekt braucht.
Warum reicht klassische Qualitätskontrolle nicht mehr aus?
Weil sie zu spät greift und zu wenig sieht:
- sie findet den Fehler am Ende, wenn die Kosten für Material und Maschinenzeit bereits ausgegeben sind,
- sie prüft Stichproben, nicht die gesamte Ausbringung - manche Fehler gehen unbemerkt durch,
- sie erklärt die Ursache nicht - Sie wissen, dass die Charge schlecht ist, nicht warum,
- sie skaliert nicht mit steigenden Stückzahlen und Produktvarianten.
Die Endkontrolle beantwortet die Frage „ist das gut?”, während ein Entscheider die Antwort auf „was läuft gleich schief und was tun wir dagegen?” braucht.
Was sind vorausschauende Qualität und Produktionsanalytik mit AI?
Es geht darum, die Qualitätsentscheidung nach vorne zu verlagern, gestützt auf Daten von der Linie. In der Praxis bauen wir Modelle, die:
- die Fehlerwahrscheinlichkeit vorhersagen für eine Charge oder eine einzelne Einheit aus Prozessparametern,
- Anomalien erkennen im Maschinenverhalten, bevor daraus Ausschuss wird,
- Risikofaktoren sichtbar machen - welche Parameter die Qualität am stärksten drücken,
- die Entscheidung des Bedieners unterstützen nahezu in Echtzeit.
AI-gestützte Produktionsanalytik ist eine Schicht, die breiter ist als ein einzelnes Modell: Sie verbindet Daten aus Maschinen, MES-/ERP-Systemen und Qualitätskontrolle zu einem Bild, das das Geschehen in der Fertigungshalle tatsächlich steuert.
Welche Daten brauchen Sie für eine Qualitätsprognose?
Ein Modell ist nur so gut wie die Daten, die es speisen. Meist arbeiten wir mit:
- Prozessdaten aus Maschinen und Sensoren (Temperatur, Druck, Geschwindigkeit, Vibration),
- Ergebnissen der Qualitätskontrolle - die Labels „gut/fehlerhaft”, die das Modell lehren,
- MES-/ERP-Daten zu Charge, Rohstoff, Schicht und Rezeptur,
- Kontext - Materiallieferant, Umgebungsbedingungen, Maschinenhistorie.
Der erste Schritt ist meist kein Modell, sondern das Bereinigen und Zusammenführen dieser Daten. Ohne das hat selbst der beste Algorithmus nichts, woraus er lernen könnte - und wir behandeln diese Arbeit (Data Engineering) als Fundament des Projekts.
Wie kommen Sie vom Piloten in die Produktion (MLOps)?
Die meisten AI-Projekte in der Fertigung bleiben auf einer Folie mit einem vielversprechenden Piloten stecken. Der Unterschied zwischen Demo und Einführung heißt MLOps - die Disziplin, die ein Modell in der Produktion am Leben hält:
- Versionierung von Daten und Modellen, damit Ergebnisse reproduzierbar sind,
- automatisierte Pipelines für Training und Deployment statt von Hand gestarteter Skripte,
- Modellmonitoring - Drift erkennen, wenn sich der Prozess ändert und das Modell „altert”,
- Retraining in einem kontrollierten Zyklus statt als einmaliger Schuss.
Ohne diese Schicht verliert ein Modell, das im Piloten funktionierte, nach einigen Wochen still an Genauigkeit. Deshalb planen wir MLOps von Anfang an und schrauben es nicht am Ende an.
Wie halten Sie den Menschen in der Schleife und das Vertrauen in die Modelle?
Ein Qualitätsleiter zeichnet keine Entscheidung ab, die er nicht versteht. Deshalb bauen wir Lösungen, die den Menschen in der Schleife halten:
- das Modell empfiehlt, es entscheidet nicht für den Menschen - Bediener oder Ingenieur haben das letzte Wort,
- wir zeigen, warum das Modell ein Risiko markiert hat (welche Parameter ins Gewicht fielen),
- wir starten im beratenden Modus und automatisieren bestimmte Entscheidungen erst mit der Zeit,
- wir messen die Genauigkeit offen, damit Vertrauen auf Zahlen ruht und nicht auf Glauben.
Vertrauen in ein Modell wächst schrittweise, und das ist ein bewusster Teil der Einführung, kein Nebeneffekt.
Welche Kompetenzen liefern wir für ein AI-Projekt in der Fertigung?
Wir formen das Team um die konkrete Etappe des Projekts, nicht „auf Vorrat”:
- Data Engineers - Aufbau von Datenfluss und Datenqualität von der Linie,
- ML-Spezialisten und Data Scientists - Entwurf und Training der Modelle zur Qualitätsprognose,
- MLOps-Ingenieure - Deployment und Betrieb der Modelle in der Produktion,
- Analysten, die die Ausgabe des Modells in eine Entscheidung übersetzen, die die Fertigungshalle versteht.
Das sind reale Rollen, die wir besetzen - im Modell Team-Verstärkung oder dediziertes Team. Wir verkaufen keine fertige „AI aus der Box”, wir liefern die Menschen, die sie bauen - in Ihrer Organisation.
Was sind die Fallstricke bei der Einführung von AI in der Fertigung?
Wir sehen sie immer wieder, deshalb sprechen wir sie direkt an:
- mit dem Modell beginnen statt mit den Daten - das Ergebnis ist ein großartiger Algorithmus ohne verlässliche Eingaben,
- ein Pilot ohne Weg in die Produktion - die Demo beeindruckt, erreicht aber nie die Linie,
- keine Labels - ohne eine Historie „gut/fehlerhaft” hat das Modell nichts, woraus es lernen könnte,
- den Bediener ignorieren - eine Lösung, die die Fertigungshalle nicht nutzt, ist von Anfang an tot,
- ein einmaliges Projekt - ein Modell, das eingeführt und vergessen wird, verliert an Genauigkeit, während der Prozess driftet.
Jeder dieser Fallstricke ist eine Entscheidung, die Sie von Anfang an richtig treffen können - wenn Sie jemanden haben, der das schon einmal gemacht hat.
Wie schnell kann ein Team in das Projekt einsteigen?
Tempo ist entscheidend. Unsere Rekrutierung schließt in der Regel in etwa drei Wochen ab und dehnt sich nur bei nicht standardmäßigen Anforderungen auf zwei Monate. Als Nearshore-Partner aus Polen arbeiten wir in einer nahen Zeitzone, das Team steigt also ohne langen Anlauf in Ihren Rhythmus aus Meetings, Reviews und Datenworkshops ein. Meist beginnen wir mit einem kurzen Data Assessment, das Ihnen sagt, ob eine Prognose überhaupt machbar ist, bevor Sie in eine vollständige Einführung investieren.
Wie machen wir das bei RITS?
Wir machen das als Nearshore-Partner aus Polen und verbinden AI- und Datenkompetenz mit Verständnis für die Fertigung:
- Kompetenz in AI, Daten und Modellen kommt aus unserem Team (RITS Group: LLM, AI, Daten), mit realen GenAI-, RAG- und LLM-Projekten,
- wir haben Erfahrung aus Industrie- und Industrie-4.0-Projekten, verstehen die Realität der Fertigungshalle also, nicht nur ein Notebook mit einem Modell,
- wir behandeln MLOps und Datenqualität als Fundament, nicht als Zugabe,
- wir prüfen die Kompetenzen vor dem Start und formen das Team um die Etappe des Projekts.
Wir sagen es ehrlich: Eine Fabrikreferenz zu vorausschauender Qualität haben wir noch nicht. Was wir liefern, sind die Menschen, die sie bauen können - im Modell Team-Verstärkung oder dediziertes Team.
Womit beginnen Sie?
Beginnen Sie mit einem konkreten Qualitätsproblem (z. B. dem einen Fehler, der am meisten kostet) und mit der Frage, welche Daten Sie bereits haben. Das entscheidet, ob eine Prognose machbar ist, welche Kompetenzen Sie brauchen und wie groß der erste Schritt sein sollte. Die Unterschiede zwischen den Kooperationsmodellen haben wir in unserem Artikel zu IT-Kooperationsmodellen beschrieben.
Wollen Sie vorausschauende Qualität oder Produktionsanalytik mit AI einführen? Sprechen wir darüber - wir stellen Team und Vorgehen passend zu Ihren Daten und Prozessen zusammen.
Führen Sie vorausschauende Qualität und Produktionsanalytik mit AI gemeinsam mit uns ein