Ein neuer Ansatz für Schulungsvideos für Hersteller und Verarbeiter

Jemand zeichnet einen Maschinenexperten auf, der eine Aufgabe ausführt. Anschließend wird das Video automatisch auf eine KI-Engine hochgeladen, die den Inhalt indiziert und in verdauliche Segmente aufteilt.

Der akute Arbeitskräftemangel in der Metallverarbeitung ist nicht neu, und die Schuldzuweisungen sind auch nicht neu. Kinder sind damit aufgewachsen, nicht mit Vergasermotoren herumzuspielen, sondern mit Smartphones und Computern. Die berufliche Bildung ist seit Jahren rückläufig. Die Fertigung hat ein Imageproblem.

Fab-Shops, die keine Erfahrung finden, stellen möglicherweise Leute auf der Grundlage ihrer Soft Skills ein, einschließlich der Lernbereitschaft der Leute. Aber wie werden diese Menschen genau unterrichtet? Sehr oft ist der Lernprozess eindeutig altmodisch. Jemand begleitet einen erfahrenen Abkantpressen- oder Laserschneidemaschinenbediener, um sich mit der Zeit langsam in die Materie einzuarbeiten. Das Problem ist, was passiert, wenn ein Neuling eine Frage hat und der Veteran, den er begleitet, ungeduldig wird? Schließlich muss er Teile produzieren, und der Neue bremst ihn nur aus.

Viele sprechen an dieser Stelle über Unternehmenskultur, Führung und andere vage Konzepte, bleiben dann aber bei einer konkreten Lösung stehen. Sam Zheng, CEO von DeepHow, sagt, sein Unternehmen habe eines gefunden.

DeepHow wurde 2018 von Zheng, Wei-Liang Kao und Patrik Matos ins Leben gerufen und bietet eine Art automatisierte Videoindizierung und -bearbeitung. Durch Öffnen einer mobilen App kann eine Person aufzeichnen, wie ein Experte vor Ort bestimmte Aufgaben ausführt. Der aufgezeichnete Inhalt wird automatisch in eine sichere Cloud hochgeladen, wo eine Engine mit künstlicher Intelligenz (KI) die verschiedenen Schritte der Aufgabe identifiziert und das Video dann in verdauliche Segmente schneidet. Neue Mitarbeiter können das Video dann auf einer Website oder einer mobilen App ansehen (und mehrmals überprüfen). Das Betrachtungsverhalten wiederum speist die KI-Engine ein, sodass diese Inhalte im Laufe der Zeit effektiver bearbeiten kann.

Stellen Sie sich das wie eine Art KI-gesteuerte Khan-Akademie für die Fabrik vor. Im Gegensatz zu Khan basiert DeepHow jedoch nicht auf Allgemeinwissen, sondern auf aufgabenspezifischem Know-how. Die Idee dahinter ist, dass Menschen besser lernen könnten, nicht nur durch das Beschatten, sondern auch durch das wiederholte Ansehen und Wiederholen lehrreicher Videoinhalte. Dieser Inhalt wird nicht einfach wie ein beliebiges Internetvideo erstellt und veröffentlicht (er befindet sich immer auf einem sicheren Server). Nach Angaben des Unternehmens werden Inhalte stattdessen auf einzigartige Weise segmentiert und bearbeitet, wobei die KI aus Datenpunkten schöpft, die zeigen, wie der Betrachter am besten lernt. Während diese hochgradig anpassbare Inhaltsbibliothek wächst, wächst auch die Fähigkeit eines Herstellers, Talente in der Werkstatt zu entwickeln.

Als Forscher im akademischen Bereich und am Siemens Corporate Research Innovation Lab in Princeton, New Jersey, verfügt Zheng über einen Hintergrund in Ingenieurpsychologie und untersucht, wie Menschen und Maschinen interagieren.

„Als ich meine digitalen Innovationsprojekte leitete, sah ich im Grunde, wie wir all diese komplexen automatisierten Systeme in der Werkstatt einführten. Man dachte, dass Automatisierung alle Probleme lösen könnte, anstatt sich mit echten Menschen zu befassen. Das hat nicht funktioniert.“ "

Fab-Shops beschäftigen Maschinen und Menschen, ob jung oder alt. Ein Hersteller verfügt möglicherweise über eine neue Abkantpresse mit Touchscreen-Steuerung, die eine 3D-Biegesimulation anzeigt. Aber nur ein paar Meter entfernt könnte jemand anderes eine Abkantpresse im Dinosaurierformat bedienen. Für bestimmte Teile funktioniert es immer noch einwandfrei, und außerdem kommen einige der Veteranen der Werkstatt mit der Bedienung zurecht. Neuere Mitarbeiter werden die alte Maschine jedoch nicht anfassen, und auch die Werkstattveteranen fühlen sich mit der neueren Maschine nicht wohl. Dieses Missverhältnis zwischen Mensch und Maschine, erklärte Zheng, führe zu enormen betrieblichen Problemen und sei ein Problem, das mit automatisierten Maschinen allein nicht gelöst werden könne.

Noch schlimmer ist, dass die Trainingsprogramme von Geschäft zu Geschäft sehr unterschiedlich sind. Der FABRICATOR-Kolumnist Steve Benson, Präsident von ASMA LLC, einem in Salem, Oregon ansässigen Schulungsunternehmen für Abkantpressen, hat alles gesehen. Einige Unternehmen bieten fundierte Schulungen zum Lesen von Bauplänen und zum Umgang mit Präzisionsmessgeräten an. Sie sind noch Neulinge, wenn sie mit der Teilefertigung beginnen. Aber auch das Maschinenhandbuch ist ihnen nicht fremd und sie wissen, wie man einen Messschieber und andere Messwerkzeuge liest und kalibriert.

Wieder andere Hersteller folgen der Trainingsphilosophie, bei der es um Feuerversuche geht. Wie Benson es in der diesmonatigen Bending Basics-Kolumne ausdrückte, beginnen einige Neulinge ihren Tag nach einer allzu kurzen Einführung, in der die Hauptperson sagt: „Drücken Sie diesen Knopf und treten Sie 300 Mal auf dieses Pedal.“

Sam Zheng, CEO und Mitbegründer von DeepHow, hat einen Hintergrund in Ingenieurpsychologie und untersucht, wie Menschen mit Technologie interagieren.

Jede Maschine und jeder Prozess in der Metallverarbeitung hat ihre eigene Lernkurve, und jeder Mensch erlebt diese Kurve anders. Während Hersteller überall ihre digitalen Transformationen durchlaufen, beginnen sie, Produktionsmuster und versteckte Ineffizienzen zu analysieren.

Eine solche Nachverfolgung wird immer detaillierter. Produktionssoftware kann tatsächliche Maschinenzykluszeiten aufdecken (im Gegensatz zu den reinen Ein- und Ausstempelzeiten von Aufträgen in Enterprise-Resource-Planning-Software) und diese Informationen mit den Personen korrelieren, die die Maschinen bedienen. Auf diese Weise können Manager und Vorgesetzte tief in die Daten eindringen und beginnen, Muster zu erkennen – nicht nur im Produktfluss, sondern auch in der Leistung von Menschen: Diese Menschen erledigen bestimmte Aufgaben schneller als alle anderen; Warum?

Wenn Schulungssoftwareplattformen aufkommen, können Manager beginnen, Fragen zu stellen. Wie haben diese Leute alle anderen übertroffen? Wie haben sie den Prozess erlernt und welchen Weg haben sie eingeschlagen, um so schnell so kompetent zu werden? Heutzutage können Manager ihre Antworten nicht nur auf eine Ahnung, sondern auf reale Daten stützen.

Zheng erinnerte sich an einen Besuch in einem Anheuser-Busch-Werk, als er eine große Pinnwand sah, auf der die Gesichter aller Mitarbeiter im Werk, geordnet nach ihren Erfahrungen, zu sehen waren. „Es gab eine riesige Gruppe von Leuten mit zwei bis drei Jahren Erfahrung und eine große Gruppe von Leuten mit 20 bis 30 Jahren Erfahrung, von denen viele eindeutig kurz vor dem Ruhestand standen. Und dann war da niemand in der Mitte.“

Dieser Altersunterschied sei bei vielen Herstellern allzu häufig geworden, sagte Zheng, und er stelle eine weitere Herausforderung für den Arbeitskräftemangel dar. Das bedeutet, dass Hersteller sicherstellen müssen, dass das Know-how so schnell wie möglich an die nächste Generation weitergegeben wird.

Doch warum und wie entstand dieser Altersunterschied überhaupt? Viele verweisen auf Globalisierung und Automatisierung, aber wie Zheng betonte, spielte auch die Art der Automatisierung eine Rolle. „Die Qualifikationsanforderungen haben sich in den letzten 20 Jahren verändert“, sagte er. „Früher haben wir alle über handwerkliche Fähigkeiten gesprochen. Jetzt muss man sich mit HMIs [Mensch-Maschine-Schnittstellen] auskennen.“

Einige der neuesten Metallbearbeitungsmaschinen verfügen mittlerweile über HMIs, die zumindest grafische Elemente aus der Unterhaltungselektronik, insbesondere Smartphones, übernehmen – aber das war nicht immer so und es gibt noch viele klobige HMIs.

„Wir wissen, dass diese HMIs schrecklich sind“, sagte Zheng. „Sie sind so weit entfernt von den typischen Benutzererfahrungen, die Menschen in ihrem Alltag machen.“

Analytics hat auch die Hürden bei der Rekrutierung erhöht. „Jeder Betrieb ist heute so datengesteuert. Jeder sagt: ‚Wir müssen die Produktivität messen.‘ Die Menschen müssen entsprechende Fähigkeiten entwickeln.“

In der Fertigung tendiert man dazu, in den Begriffen Mensch oder Maschine zu denken; Ein Vorgang ist entweder manuell oder automatisiert. Natürlich geht es in der Fertigung wirklich um Mensch und Maschine, und abgesehen von ein paar benutzerfreundlichen HMIs wurde die Mensch-Maschine-Verbindung weder untersucht noch verbessert. Maschine und Mensch arbeiten als System zusammen.

Ein Experte mit Headset führt die Zuschauer durch den Einrichtungsvorgang einer Maschine.

Eine Maschine, die außerordentlich schnell fertigt, sieht vielleicht beeindruckend aus, ist aber nicht sehr praktisch, wenn nur wenige Leute lernen können, wie man das Ding bedient. Wenn ein Experte einen unkomplizierten Job an einer Abkantpresse mit moderner Steuerung einrichtet, kann ein relativer Anfänger den Job wahrscheinlich ausführen. Doch wie wird aus dem Neuling schließlich ein Experte?

„Jüngere Arbeitnehmer verbringen vielleicht Wochen oder Monate damit, den Experten durch die Werkstatt zu begleiten, aber können wir das Know-how dieses Experten erfassen? Und können wir es digitalisieren und dafür sorgen, dass der Experte jederzeit verfügbar ist? Wir wollen digitalisieren und kartieren.“ das Know-how, so dass es sehr einfach ist, es zu teilen“, sagte Zheng.

DeepHow verwendet eine KI-Engine, die das Unternehmen Stephanie nennt, um Audio- und Videoinhalte zu lesen, die Benutzer hochladen. „Stephanie verwendet die Audio- und Videodaten als Eingabe“, sagte Zheng, „und als erstes versucht sie, die Komplexität zu verstehen und den Arbeitsablauf zu modellieren. Anschließend indiziert sie [die Informationen] und segmentiert diese Komplexität in verdauliche Teile und bietet Schritt- Schrittweise Anleitung. Stephanie kann Experten verstehen, die verschiedene Sprachen und mit starkem Akzent sprechen. Sie kann die Audiodaten auch zur späteren Verbreitung in verschiedene Sprachen übersetzen.

„Auf der Lernseite nutzen wir KI auf eine gute Art und Weise. Anstelle von KI, die Empfehlungen in sozialen Medien optimiert, um Ihre Aufmerksamkeit zu erregen und Sie süchtig zu machen, und das alles nur, um mehr Anzeigen zu verkaufen, nutzen wir KI, um unsere Präsentation zu verbessern.“ Informationen für Lernende unter Berücksichtigung des aktuellen Stands ihres Kompetenztrainings. Dies trägt dazu bei, ein personalisiertes Training zu erstellen.“

Die KI-Engine nutzt Forschungsergebnisse, die auf Deep Learning basieren, einem Bereich der KI, der (stark vereinfacht) das neuronale Netzwerk des menschlichen Gehirns nachahmt. Die Technologie passt das, was Zheng ein „Pre-Training-Modell“ nannte, an die industrielle Umgebung an. Stellen Sie sich das Vortraining wie die High School vor. „Dort lernt man all diese allgemeinen Themen“, sagte Zheng. „Danach wird man fokussierter und muss einen bestimmten Bereich erlernen.“ Genau das macht Stephanie, wenn sie eine bestimmte Fertigungsaufgabe analysiert.

Zheng unterscheidet Wissen von Know-how. Wissen ist allgemein, während Know-how das Wissen ist, das zur Erreichung einer bestimmten Aufgabe angewendet wird. Wenn Menschen beides haben, haben sie bessere Chancen, eine erfolgreiche und erfüllende Karriere im Fab Shop aufzubauen.

Hier kommt das ins Spiel, was Zheng die „Know-how-Landkarte“ nennt. Er verglich es mit Google Maps. Jahrelange Daten haben die Karten-App immer intelligenter gemacht. „Sie geben einfach Ihr Ziel ein und es zeigt Ihnen Schritt für Schritt, wie Sie basierend auf den aktuellen Bedingungen dorthin gelangen.“

Das gleiche Konzept gilt für die Know-how-Landkarte. Angenommen, ein Bediener einer Abkantpresse möchte wissen, wie er eine andere Abkantpresse mit einer anderen Art von Steuerung bedienen kann. Stephanie kennt seinen aktuellen Status, also das Know-how, über das der Operator bereits verfügt, und wie er es gelernt hat (welche Videos er gesehen hat, welche Teile er wiederholt hat, wie oft und wie lange). Stephanie stützt sich auf eine Videobibliothek voller „verdaulicher Wissensbrocken“ und gibt dem Bediener den besten „Weg“, um die andere Steuerung zu erlernen.

Die Art dieser Route – wie lang, wie viele Kurven und Wendungen – hängt davon ab, wie ähnlich die Technologie ist. Um das Biegen von Platten zu erlernen, ist möglicherweise ein anderer Weg erforderlich, der etwas länger ist. Um das Laserschneiden zu erlernen, ist möglicherweise ein noch längerer Weg erforderlich.

Heute wird die DeepHow-Technologie bei Stanley Black & Decker, Anheuser-Busch und anderswo in Werken in den USA und im Ausland eingesetzt. In den meisten Fällen zeichnen Benutzer Experten mit ihrem Smartphone auf, einige verwenden jedoch fortschrittlichere Kameras. Der Einsatz tragbarer Videoaufzeichnungsgeräte kann besonders wertvoll sein, wenn die Sicht des Bedieners bei der Vermittlung von Anweisungen hilfreich ist. Die Technologie kann auch illustrative Grafiken integrieren.

Darüber hinaus kann eine Verbindung zu unternehmensweiten Leistungs- und Produktivitäts-Dashboards hergestellt werden. Letztendlich sieht Zheng eine solche KI als das „fehlende Teil“ der Smart Factory, das dabei hilft, die sich ständig verändernde Technologie auf die Menschen abzustimmen, die das Beste aus dieser Technologie herausholen müssen.

„Wenn es um Industrie 4.0 geht, reden alle über Technologie und darüber, Maschinen intelligenter zu machen“, sagte Zheng. „Aber was ist mit den Leuten?“