Produktionsplanung: Fundiert entscheiden durch Agententraining

Share on facebook
Share on twitter
Share on linkedin
Share on xing
Share on whatsapp
Share on email
Share on print

Produktionsplanung: Fundiert entscheiden durch Agententraining

Share on facebook
Share on twitter
Share on linkedin
Share on xing
Share on whatsapp
Share on email
Share on print
Deep Reinforcement Learning wurde bisher vor allem bei Computerspielen eingesetzt. as Schweizer Unternehmen ProSim will den Ansatz auch für andere Aufgaben im Unternehmen nutzbar machen.
Produktionsplanung mit künstlicher Intelligenz

Quelle: ProSim GmbH

Deep Reinforcement Learning heißt, ein Softwareagent lernt in einem spezifischen Umfeld optimale Entscheidungen zu treffen. Eignet sich das Verfahren, das bisher vor allem bei Computerspielen eingesetzt wurde, auch für die Produktionsplanung?

Das Schweizer Unternehmen ProSim ist davon überzeugt, dass mit einem Deep RL-Ansatz auch Problemstellungen von Unternehmen gelöst werden können. Die Idee dahinter ist es, den „Agenten“ in der künstlichen Umgebung (Prozesssimulation) zu trainieren, damit er anschließend im realen Umfeld die bestmöglichen Entscheidungen trifft.

Produktionsplanung mit Deep Reinforcement Learning

Das Deep Reinforcement Learning ist ein Teilgebiet des Machine Learning und zielt darauf ab, Entscheidungen vom Computer mit Hilfe eines neuronalen Netzwerkes ausführen zu lassen. Anwendung findet es hauptsächlich bei Computerspielen und autonomem Fahren. Bekannteste Errungenschaft ist hierbei der Sieg des Computerprogramms AlphaGo gegen einen der weltbesten Go-Spieler. ProSim verfolgt nun aber einen neuen Ansatz. „Wir sind überzeugt, dass das Deep Reinforcement Learning Unternehmen vor allem im Bereich der Produktionsplanung helfen kann“, erklärt Patrick Kehrli, einer der beiden Geschäftsführer von ProSim.

Dafür wird die komplette Produktion zunächst in einem Simulationsmodell abgebildet. Diese Simulation kann bereits ohne künstliche Intelligenz dafür genutzt werden, die manuell erzeugten Produktionspläne zu validieren. „Noch interessanter wird es aber, wenn ein Algorithmus mittels der Simulation trainiert wird“, meint Kehrli. Dieser kann sich eine Strategie erlernen, mit welcher die Produktionsplanung verbessert werden kann. Sobald der Algorithmus gut genug ist – das heißt, besser als die bisherige Produktionsplanung – wird dieser für die Planung der Produktion genutzt.

Unternehmen können durch die Kombination von Deep Reinforcement Learning und Prozesssimulation ihre Produktionsplanung überprüfen und potenzielle Engpässe schon frühzeitig erkennen. Der Algorithmus ermöglicht so auf lange Sicht eine optimierte Produktionsplanung und erhöht dadurch auch die Wirtschaftlichkeit des Unternehmens.

Mehr Informationen unter www.prosim.ch.

Erfahren Sie hier mehr darüber, wie man optimal Mehrwert aus Maschinen- und Produktionsdaten generieren kann.

Lesen Sie auch: „Maschinensteuerung und Robotik integrieren: So geht’s“.

Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn
Share on xing
XING
Share on whatsapp
WhatsApp
Share on email
E-Mail
Share on print
Drucken

Ihre Meinung zum Artikel

avatar
  Abonnieren  
Benachrichtige mich bei

Andere Leser haben sich auch für die folgenden Artikel interessiert

Die Co-Elektrolyse ist ein neuer, sehr effizienter Weg, um aus CO2 und Wasser synthetische Kraftstoffe und Chemikalien herzustellen. Im Projekt Prometheus wollen Jülicher Forscher mit der WZR ceramic solutions GmbH, der Aristoteles-Universität Thessaloniki und dem Mineralölunternehmen Hellenic Petroleum mittels 3D-Druck einen Membranreaktor für die Herstellung synthetischer Kraftstoffe mit extradünnen Zellen entwickeln.

Tragen Sie sich jetzt kostenlos und unverbindlich ein, um keinen Artikel mehr zu verpassen!

* Jederzeit kündbar

Entdecken Sie weitere Magazine

Schön, dass Sie sich auch für weitere Fachmagazine unseres Verlages interessieren.

Unsere Fachtitel beleuchten viele Aspekte der Digitalen Transformation entlang der Wertschöpfungskette und sprechen damit unterschiedliche Leserzielgruppen an.