Gerade in der Industrie hat der Einsatz von Künstlicher Intelligenz (KI) das Potenzial, bisherige Entwicklungs-, Produktions-, Wartungs- und Serviceprozesse zu revolutionieren. Aber: Während industrielle KI häufig in vollautonomen, umfänglich vernetzten Fabriken gedacht wird, sieht die Realität in den Produktionsbetrieben noch anders aus. Statt allumfassender Großprojekte liegt der Schlüssel aktuell oft in fokussierten, explorativen Ansätzen, die es ermöglichen, mit beherrschbarer Projekt- und Technologiekomplexität akute Herausforderungen in der Produktion zu adressieren und praktisch zu beheben.
Pain Point bei der Einrichtung
Wie so ein Ansatz in einem potenziell tiefgreifenden Anwendungsfall aussehen kann, zeigt ein Praxisbeispiel von Uhlmann Pac-Systeme aus Laupheim. Der Hersteller baut Maschinen, mit denen Pharmaunternehmen weltweit Pharmazeutika in Blister, Trays, Flaschen oder Faltschachteln verpacken. Das Verpacken dieser sensiblen Produkte erfordert Verarbeitungsprozesse mit hoher Präzision. Die damit einhergehende Komplexität wird durch die strengen regulatorischen Vorgaben noch deutlich erhöht. Dazu kommen noch jeweils kundenspezifische Vorgaben, so dass viele Verpackungslinien individuelle Anpassungen aufweisen.
Die Parametrisierung einer Blister- oder Kartoniermaschine vor der Auslieferung oder nach einer Formatnachlieferung erfordert daher einen erheblichen Aufwand. Je nach Maschinenausprägung müssen bis zu 500 Parameter – darunter Heiztemperaturen, Formzeiten, oder Vorschub – manuell eingestellt werden. Monteure richten die Maschinen bisher ein, indem sie mit einer aus Stammdaten und Erfahrungswissen gewonnenen Startkonfiguration beginnen und sich dann iterativ den optimalen Werten annähern. Zwischen der Änderung der Parameter erfolgt jedes Mal ein Testlauf mit Prüfen der Ergebnisse. Da viele Parameter voneinander abhängen, erfordert dieser Prozess immenses Erfahrungswissen, das sich von neuen Kollegen und Kolleginnen zeitaufwändig erarbeitet werden muss.
Erschwerend kommt ein demografischer Faktor hinzu, denn in den nächsten Jahren gehen bei Uhlmann Pac-Systeme, wie in vielen deutschen Industrieunternehmen, viele erfahrene Mitarbeitende in Rente. Mit ihnen droht ihr über Jahrzehnte aufgebautes Erfahrungswissen zu verschwinden – es sei denn, es gelingt, dieses Wissen systematisch digital zu sichern.
Technologie, die direkt vom Shopfloor kommt
Hier setzt das KI-basierte Assistenzsystem SmartAssist an, das von Experten aus Analytics & AI der Uhlmann Pac-Systeme und des Future Labs der Uhlmann Group entwickelt wurde. Die Initiative dafür kam direkt von den Monteuren auf dem Shopfloor. „Das war der Best Case für die Entwicklung neuer Lösungen. Wenn man direkt mit dem konkreten Anwendungs-Problem anfängt, tut man sich leichter und hat am Ende einen realen Mehrwert für die Produktivität“, betont Dr. Mario Rometsch, Head of Analytics & AI bei Uhlmann Pac-Systeme.
SmartAssist ist eine browserbasierte Web-App auf Google-Cloud-Basis, die sich nahtlos in das SmartControl HMI der Maschinen integriert. Stammdaten wie Produkt- und Folientyp etc. können direkt an die Maschine gesendet werden. Die Monteure sehen alle Daten, die sie benötigen, live in der App. Nach einem Testlauf berechnet die App, welche Parameter angepasst werden sollten, und macht entsprechende Vorschläge, die anschließend durch den Techniker geprüft und freigegeben werden.
Zwei Machine-Learning-Modelle für maximale Effizienz
Im Hintergrund von SmartAssist arbeiten zwei kombinierte Machine-Learning-Modelle:
Vorab-Berechnung der Startparameter: Ein erstes Modell analysiert historische Projektdaten nach passenden Übereinstimmungen bei Folienarten, Produktmerkmalen und Maschinentypspezifikationen. Auf dieser Basis schlägt das System ein optimiertes Set an Startparametern vor.
Optimierungsloop im Einrichtungsprozess: Für den iterativen Feinabstimmungsprozess kommt ein zweites Modell zum Einsatz. Es wird auf realen Datenpunkten aus Maschinenläufen (Kombinationen aus Konfigurationen und Ergebnis-Evaluierungen) trainiert. Dieses Modell kann anschließend berechnen, welche Parameteränderungen notwendig sind, um von einer suboptimalen Parametrierung zu einem erfolgreichen Lauf zu gelangen.
„SmartAssist ist keine spekulative Blackbox, sondern gelebtes Machine Learning auf Basis von unseren eigenen Shopfloor-Daten. Für die Anwender bleibt der Prozess transparent und nachvollziehbar“, erklärt Dr. Mario Rometsch.
Signifikante Zeitersparnis und Wissenssicherung
Erste Evaluierungen in der Praxis stützen die Annahme, dass die Lösung die Effizienz des Parametrierungsprozesses steigert: Bei Blister- und Kartoniermaschinen können über 70 Prozent der Startparameter vollautomatisch vorab berechnet und vorgeschlagen werden. Dadurch werden Zeitaufwand pro Maschine und das Fehlerrisiko durch die manuelle Eingabe der Parameter deutlich reduziert. SmartAssist bietet darüber hinaus einen nachhaltigen strategischen Vorteil: Weil Parameteränderungen, Maschinenläufe und erfolgreiche Vorgehensweisen strukturiert erfasst und dauerhaft verfügbar gemacht werden, sichert die App das Wissen erfahrener Mitarbeiter systematisch. Dadurch können bewährte Vorgehensweisen übergreifend genutzt und nachrückenden Teams standardisiert zur Verfügung gestellt werden.
Dass dieser praxisnahe Ansatz nicht nur intern überzeugt, zeigen auch aktuelle Branchenauszeichnungen: SmartAssist wurde 2025 sowohl beim Allianz Industrie 4.0 Award Baden-Württemberg als auch mit dem zweiten Platz beim VOICE Best Data Project Award ausgezeichnet sowie in 2026 mit dem FREDDIE Award in der Kategorie Nextgen Industrial AI prämiert.
Was der Fall SmartAssist für die KI-Praxis zeigt
Fokus & Einbindung : KI-Projekte gelingen am besten in überschaubaren Anwendungsfeldern mit konkreten Herausforderungen und einer tiefen Integration der späteren Anwender ab Tag eins. Bei SmartAssist war das Domänenwissen der Monteure der entscheidende Erfolgsfaktor: Die Idee entstand direkt auf dem Shopfloor und wurde gemeinsam mit dem Team vor Ort weiterentwickelt.
Datenverfügbarkeit als Erfolgsfaktor : Die zügige Umsetzung verdankt das Projekt der hohen Qualität sowie der schnellen Verfügbarkeit der Daten. Dass historische Projekt-, Format- und Maschinendaten bereits im eigenen Unternehmen vorhanden waren, erlaubte eine direkte und unkomplizierte Nutzung.
Hürden bei Implementierung und Skalierung : Technische und regulatorische Hürden zeigen sich bereits im internen Betrieb – etwa bei der Validierung von Änderungen sowie der Integration in bestehende Maschinen- und Softwarearchitekturen. Für eine spätere Skalierung auf weitere Standorte oder externe Kunden kommen diese Anforderungsprofile verstärkt zum Tragen und müssen aktiv adressiert werden.
