Welches Potenzial birgt Künstliche Intelli- genz für die Wert- schöpfung in den Optischen Technolo- gien? Diese Frage stellte die Fachkonfe- renz ‚KI in der Photonik’ Anfang Oktober in Berlin. Vor allem zeigte sie, wie kom- plex die Herausforderung ist, Daten für KI-Anwendungen überhaupt nutzbar zu machen. Erst die Strategie, dann die KI Am Anfang, sagt Stephan Kiene von Mi- crosoft Deutschland, müsse immer eine Datenstrategie stehen. Noch dominierten Datensilos, also unverbundene Systeme und inkompatible Formate. Kiene, der das Azure-Geschäft für öffentliche Auf- traggeber leitet, plädiert für zentrale Da- tenplattformen, auf denen Fertigungs-, Sensor- und Lifecycle-Management-Daten zusammenlaufen – und für genügend Re- chenleistung, um Simulationen, digitale Zwillinge und KI-Prozesse zugleich zu betreiben. Das übergeordnete Ziel laute, eine engmaschige 360°-Qualitätsüberwa- chung zu etablieren. Dass der Bedarf dafür unaufhaltsam wächst, machte unter anderem Martin Stambke deutlich. Der Produktmanager Sensorik bei Trumpf erinnerte daran, dass eine Autotür etwa 70 Schweißnähte auf- weise, eine Batteriezelle oder ein Brenn- stoffzellen-Stack jedoch mehrere Hundert – und keine einzige davon dürfe fehler- haft sein. Dr. Jan-Philipp Weberpals, Audi, und Konstantin Ribalko, Precitec, bestä- tigen das: Bei der Zellkontaktierung für Batteriemodule müsse trotz wechselnder Materialdicken und Schweiß tiefen jede Verbindung halten. Schon ein einziger Defekt könne einen mehrere Tausend Euro teuren Akku unbrauchbar machen. Christoph Hauck, Technologie- und Ver- triebsvorstand bei Toolcraft, formuliert klare Erwartungen an KI-Systeme: Sie sollten aus Sensordaten die idealen Pa- rameterkonfigurationen für eine voraus- schauende Prozessplanung ermitteln, Fehler in Echtzeit erkennen und so den Aufwand teurer CT-Prüfungen sen- ken. Für additive Verfahren wünscht er sich adaptive Echtzeitregelungen und eine First-Time-Right-Produk- tion, die selbst bei Losgröße 1 ohne Nacharbeit alle Qualitätsanforderun- gen erfüllt. Die Beispiele verdeutlichen, wie sich industrielle Rahmenbedingun- gen verändern: Anwendungen wer- den komplexer, Bauteile werthaltiger, Verfahren vielfältiger – und die An- forderungen an Rückverfolgbarkeit und Datenqualität steigen. Viele Un- ternehmen generieren heute enorme Datenmengen, die jedoch in isolier- ten Systemen liegen. So liefern sie oft nur geringe Erkenntnisgewinne; Zusammenhänge bleiben unklar, Feh- lerbewertungen erfolgen manuell und subjektiv. Hier setzt KI an – aber nur, wenn die Datengrundlage solide ist. Stephan Kiene machte deutlich, dass die Einführung von KI keine tech- nische, sondern eine strategische Aufgabe sei. Cloudbasierte Hoch- leistungsrechner und Datenplattfor- men eröffneten neue Möglichkeiten, Prozess-, Sensor-, Maschinen- und Prüfdaten dort nutzbar zu machen, wo sie gebraucht werden: in Simula- tionen, in Edge-Rechnern oder in der Fertigung selbst. Die Koexistenz zen- traler und dezentraler Infrastruktu- ren müsse bewusst gestaltet werden, um aus heterogenen Daten echten Mehrwert zu gewinnen. „Je mehr ge- nerierte Daten tatsächlich für KI-Mo- delle nutzbar sind, desto besser und realitätsnäher werden sie. Es ist ein selbstverstärkender Prozess, in dem die Datenplattform zum Innovations- treiber im Unternehmen wird“, hält Kiene fest. Wissen und Auto mation im Zusammenspiel Wie viel Detailarbeit nötig ist, zei- gen Thomas Kosche von BCT Steu- erungs- und DV-Systeme sowie Max Zimmermann vom Fraunhofer ILT. > > > 25 LP.PRO TO GO KI revolutioniert die Laser- materialbearbeitung – von der Prozessüberwachung bis zur aktiven Strahlfor- mung. Entscheidend sind eine saubere Datenstrate- gie sowie die Verbindung von Fachwissen und Auto- mation. Anwendungen wie das robotikgestützte Laser- auftragschweißen werden damit präziser, schneller und reproduzierbarer – bis hin zu selbstlernenden Fertigungsanlagen. Im Quantenlabor von Infi- neon verschmilzt Halblei- tertechnik mit Photonik: Ionenfallen und photoni- sche Chips als Basis einer neuen Generation integrier- ter Quantenprozessoren.