top of page
  • AutorenbildFlavia Cristian

Anomalie-Erkennung – Wie man Abweichungen in der Produktion verhindert

Was sind Abweichungen in der Produktion?

Anomaly Detection in supply chains
Erkennung von Anomalien in Lieferketten

Die Fertigungsindustrie ist heutzutage so komplex wie nie zuvor. Global verteilte Lieferketten, Lagerbestände, Logistik und dynamischere Fertigungsprozesse haben große Vorteile mit sich gebracht. Diese neuen Prozesse haben jedoch auch Schwachstellen geschaffen, welche Sicherheitslücken aufweisen können. Eine der größten Herausforderungen für die Fertigungsindustrie ist die Vermeidung von Betrug. Betrug kann in vielen Formen auftreten, darunter:

  • Beschaffungs- und Iventarbetrug

  • Produktfälschungen

  • Versicherungsbetrug

  • Verletzung geistigen Eigentums

  • Bestechung

  • Interessenkonflikte

  • Diebstahl oder Missbrauch von Lagerbeständen

  • Preis- oder Angebotsabsprachen

Angesichts immer breiterer und komplexerer Lieferketten ist es zunehmend schwieriger geworden, den Überblick zu behalten. Zudem verlassen sich Unternehmen bei einer Vielzahl von Dienstleistungen immer mehr auf Drittanbieter, wodurch der Bedarf an einer Kontrolle der Lieferanten gestiegen ist. Einem Bericht der Vereinigung zertifizierter Betrugermittler (Association of Certified Fraud Examiners, ACFE) aus dem Jahr 2020 zufolge verlieren produzierende Unternehmen jährlich im Durchschnitt fast 200.000€. Dieser Betrag ist bedeutend höher als der durchschnittliche Betrugsschaden für alle Branchen (150.000€). (Miller, 2020)

Angesichts der aktuellen Lage ist die Frage nicht ob, sondern wann Sie von Betrug betroffen sein werden. Ihr Unternehmen muss darauf vorbereitet sein, gegen Beschaffungsbetrug vorzugehen und diesen einzudämmen. Dieses Risiko können Sie nicht ignorieren. Zum Glück bieten Big Data, Analytik und künstliche Intelligenz wirksame Möglichkeiten zur Betrugsbekämpfung. Die Antwort ist die Anomalie-Erkennung.


KI-gestützte Anomalie-Erkennung

Die meisten Hersteller verfügen mittlerweile über eine Vielzahl an Sensoren, die über ihre Anlagen verteilt sind. Diese überwachen Lieferketten, Prozesse und sogar einzelne Produkte auf ihrem Weg vom Rohmaterial zum fertigen Produkt. Trotzdem sind in vielen Unternehmen zusätzlich noch immer Mitarbeiter damit beschäftigt, verschiedene Informationen manuell in ihre Systeme einzuspeisen. Die Tausenden von Datenpunkten, die durch diese Sensoren und Dateneingaben erzeugt werden, führen zu riesigen Mengen an Big Data.


Mit der Zeit bilden diese Daten Muster und Trends, die den regulären Betrieb Ihres Unternehmens bestimmen. Die Anomalie-Erkennung vergleicht Echtzeit-Datenströme mit diesen „normalen“ Mustern und hebt Unstimmigkeiten oder Ausreißer hervor, sobald sie auftreten. Doch die Sache hat einen Haken: Es ist unmöglich, all diese komplexen Datenströme zu überwachen und jeden Vorfall oder Ausreißer manuell zu verfolgen. Aus diesem Grund haben wir Lösungen mit künstlicher Intelligenz entwickelt, die auf industrielle Anwendungsfälle zugeschnitten sind.

Mit Hilfe von Machine Learning und Automatisierung können Systeme zur Anomalie-Erkennung automatisch große Datensätze analysieren und auf Abweichungen aufmerksam machen. In manchen Fällen können diese Anomalien erklärt werden, in anderen Fällen können sie jedoch auf Betrug hinweisen.


Wie die Anomalie-Erkennung Abweichungen bekämpft

KI-gestützte Systeme zur Erkennung von Ausreißern basieren auf maschinellen Lernverfahren wie Deep Learning, um Anomalien zu erfassen. Anomalie-Erkennung kann für eine Vielzahl von Zwecken verwendet werden, einschließlich der Erkennung von Abweichungen und Intrusion Detection. Diese Art der Analyse kann auch dabei helfen, Geschäftsprozesse zu verbessern und neue Wachstumschancen aufzudecken. Da sie automatisiert ist, können Erkennungssysteme rund um die Uhr laufen und alle Aspekte Ihres Unternehmens überwachen.

Außerdem unterscheidet die KI-Komponente echte Anomalien von gewöhnlichen Abweichungen. Dies ist von entscheidender Bedeutung. Cognitive Computing hilft dem System zur Anomalie-Erkennung selbstlernende Algorithmen zu verwenden, die auf Data Mining, Mustererkennung und Natural Language Processing basieren. Im Laufe der Zeit erhöhen sich die Genauigkeit und Präzision Ihres Erkennungssystems, da es die Fähigkeit hat, mehr über die Daten Ihres Unternehmens zu lernen.

Durch Anomalie-Erkennung können Qualitätsprobleme frühzeitig erkannt und Vorfälle schneller abgearbeitet werden. In den vielschichtigen Produktionsbedingungen von heute sind Excel-Tabellen kein praktisches Werkzeug mehr für die Verwaltung und Überwachung von Daten. Angesichts der zunehmend verflochtenen Lieferketten, der vielschichtigen Bestände und der häufigen, umfangreichen Transaktionen braucht es eine Möglichkeit, Einblick in die internen Kontrollmechanismen, Aufzeichnungen und Herstellungsverfahren Ihres Unternehmens zu erhalten.

Viele Tools bieten zwar die technischen Möglichkeiten, um Unregelmäßigkeiten zu erkennen, erfordern aber oft, dass diese manuell in diversen Dashboards und Berichten aufgespürt werden. Im Gegensatz dazu kann Machine Learning die Erkennung von Betrugsfällen automatisieren und Auffälligkeiten hervorheben, wie z.B.:

  • Ungewöhnliche Verringerung des Lagerbestands

  • Aufgeteilte Bestellungen

  • Ungeklärter Anstieg des Rechnungsvolumens

  • Wiederholte Zahlungen an Lieferanten ohne erbrachte Leistungen

  • Ungewöhnliche Angebotspreise

  • Plötzlicher Anstieg der Kundenreklamationen

Automating fraud detection with machine learning
Automatisierte Erkennung von Abweichungen mit maschinellem Lernen

Anomalien können auf verschiedenen Ebenen und an unterschiedlichen Stellen auftreten und auf Abweichungen hindeuten, weshalb es wichtig ist, sie zu erkennen. Die Daten, die Sie mit einer KI-gestützten Lösung zur Erkennung von Anomalien sammeln, können Ihnen auch dabei helfen, einen Aktionsplan zu erstellen, mit dem Sie schnell auf solche Vorfälle reagieren können.


Entwicklung eines soliden Plans zur Bekämpfung von Abweichungen

Die Ergebnisse und Erkenntnisse aus Systemen zur Anomalie-Erkennung können bei der Erstellung eines datenbasierten Plans zur Betrugsbekämpfung helfen. Ein solcher Reaktionsplan lässt sich in vier Hauptkategorien unterteilen:

  1. Erkennen

  2. Benachrichtigen

  3. Erklären

  4. Reagieren

Im Folgenden werden wir diese vier Hauptbestandteile weiter aufschlüsseln und einen praktischen Arbeitsablauf zur Anomalie-Erkennung untersuchen.


Schritt Nr. 1: Erkennen

Die Erkennung ungewöhnlicher Vorgänge oder Anomalien ist der erste Schritt, um auf Betrug zu reagieren. Mit unseren Lösungen können Sie automatische Signa-Analysen durchführen, um Trends, saisonale Schwankungen und Schwellenwerte für Anomalien zu verstehen und zu definieren. Dabei ist es von zentraler Bedeutung, das System zur Verfolgung von Analysen auf einer angemessenen Feinheitsstufe zu entwickeln.

Sie müssen die Unvorhersehbarkeit Ihrer Branche berücksichtigen, dürfen sich aber gleichzeitig nicht zu weit von den grundlegenden Details entfernen. Wenn Sie nur die oberste Ebene betrachten, können Ihnen wichtige Anomalien entgehen, die Sie jedoch teuer zu stehen kommen könnten. Wenn Sie hingegen zu sehr ins Detail gehen, werden Sie mit einer Flut von Warnmeldungen konfrontiert. Bei den meisten dieser Warnungen wird es sich nicht um echte Probleme handeln, sondern nur um allgemeine Abweichungen, die von Zeit zu Zeit auftreten. Dies kann zu einem Phänomen führen, das als „Alarm-Müdigkeit“ bekannt ist.

Wenn Alarm-Müdigkeit auftritt, beachten Ihre Mitarbeiter die eintreffenden Warnmeldungen nicht mehr, und Ihr Unternehmen ist infolgedessen verwundbar. Deshalb ist es entscheidend, die Kontrolle über Ihre Überwachungsstufen als Teil Ihres Reaktionsplans beizubehalten. Anomalie-Erkennung erleichtert die Überwachung auf den für Ihr Unternehmen und Ihre Branche relevanten Ebenen und verhindert, dass Ihr Team mit übermäßig komplizierten Prozessen überfordert wird.


Schritt Nr. 2: Benachrichtigen

Sobald Ihr System eine Anomalie entdeckt, müssen die betroffenen Personen informiert werden. Oft treten Vorfälle außerhalb der normalen Arbeitszeiten auf, weshalb ein robustes Benachrichtigungssystem als Hauptbestandteil Ihres Reaktionsplans vorhanden sein muss. Warnungen sollten über mehrere Kanäle verbreitet werden, darunter E-Mail, Slack, Microsoft Teams, Webhooks und andere Kommunikationsplattformen oder -kanäle, die in den bestehenden Workflow Ihres Teams passen.

Die besten Anbieter von Lösungen zur Anomalie-Erkennung stellen ein Dashboard und eine benutzerdefinierte Oberfläche zur Verfügung, um schnell die Erkenntnisse und Informationen anzuzeigen, die zur Lösung von Problemsituationen benötigt werden. Wir bei craftworks entwickeln Software-Dashboards zusammen mit unseren maßgeschneiderten Lösungen zur Anomalie-Erkennung, um sicherzustellen, dass Sie über eine Plattform verfügen, die Ihren speziellen Anforderungen entspricht.

Die Meldungen Ihres Systems sollten eine klare Einschätzung des Geschehens liefern und zusätzliche nützliche Informationen enthalten, die Ihrem Team helfen zu entscheiden, ob ein Ereignis weiter geprüft werden sollte.



Schritt Nr. 3: Erklären

Der dritte Schritt Ihres Plans zur Betrugsbekämpfung in der Produktion sollte darin bestehen, die Anomalie zu erklären und dann eine Lösung für das Problem zu finden. Die übliche Frage dazu lautet: „Warum hat sich die Leistung bei dieser Messgröße verändert?“ In dieser Phase des Plans muss Ihr Unternehmen eine Ursachenanalyse durchführen, um diese Frage zu beantworten und etwaige Vorfälle zu beheben. Eine Plattform zur Datenanalyse ermöglicht es Ihnen, alle Informationen, die mit dieser Abweichung in Zusammenhang stehen könnten, schnell zu ermitteln.

Sobald Sie die Hauptursache ermittelt haben, können Sie Schritte zur Behebung des Problems unternehmen. Aus diesem Grund ist die Aufzeichnung und Analyse Ihrer Daten so wichtig. Nur wenn Sie über datengestützte Messgrößen verfügen, können Sie die Ursache einer Veränderung auf evidenzbasierte Weise ermitteln. Diese Messungen geben Ihnen einen Einblick in die Vorgänge Ihres Unternehmens. Allerdings darf nicht vergessen werden, dass Vorfälle auch durch externe Faktoren oder geschäftliche Zusammenhänge verursacht werden können, die nicht immer durch Sensoren und Überwachung messbar sind.

Die Ursachenanalyse kann automatisiert werden, was Ihnen Zeit und Geld spart. Lassen Sie sich von unseren Experten dabei helfen, die genaue Ursache einer Anomalie in Sekundenschnelle herauszufinden, ohne auf eine manuelle Analyse zurückgreifen zu müssen. Dies ist die Stärke von KI und Machine Learning.


Schritt Nr. 4: Reagieren

Sobald Sie die Hauptursache der Anomalie ermittelt haben, können Sie auf den Vorfall reagieren. Oft kann die Quelle der Abweichung identifiziert werden, bevor ein ernsthafter Schaden entstanden ist. Das System liefert Ihnen die notwendigen Informationen, um Gegenmaßnahmen gegen betrügerisches Verhalten in Ihren Lieferketten zu ergreifen und so die Integrität Ihrer Prozesse wiederherzustellen.


Sobald Sie sich mit dem Vorfall befasst haben, ist es wichtig zu überprüfen, was geschehen ist. Lösungen zur Anomalie-Erkennung liefern die Daten, die Ihnen helfen, die für das Problem verantwortlichen Schlupflöcher zu schließen. Eines der Grundprinzipien der Sicherheit ist die kontinuierliche Verbesserung. Indem Sie Vorfälle als Gelegenheit für Verbesserungen betrachten, stellen Sie sicher, dass Sie in der Lage sind, Betrugsrisiken besser zu minimieren. Abgesehen davon, dass Sie sich auf Ihr System verlassen, müssen Sie auch Ihre Programme und Verfahren zur Sensibilisierung überprüfen.


Der praktische Anwendungsfall

Lösungen zur Anomalie-Erkennung werden in allen Fällen eingesetzt, in denen die Ergebnisse nicht übereinstimmen - von der Erkennung von Materialfehlern bis zur Fraud-Bekämpfung. Durch die Anpassung Ihrer Lösung an Ihre tatsächlichen Bedürfnisse können Sie Umsatzverluste, Systemausfälle und andere Ausreißer erkennen, die sich auf den Gewinn auswirken können. Eine der besten Möglichkeiten, um zu verstehen, wie etwas funktioniert, ist durch Beispiele. Für uns sind diese Lösungen keine Theorien. Sie sind tatsächlich ausschlaggebend für das erfolgreiche Wachstum unserer Kunden.

Einer unserer jüngsten Kunden ist ein Hersteller von Belägen und Verkleidungen. Wie viele andere verfügte das Unternehmen über eine Fülle an Datenströmen, hatte aber keine Möglichkeit, diese zu speichern oder zu verarbeiten. Das Unternehmen erkannte, dass dieser Mangel an Transparenz ein kritisches Problem darstellte, und wandte sich daher an craftworks. Wir halfen ihnen, ein cloudbasiertes Datenverarbeitungssystem in Microsoft Azure zu erstellen. Durch die Implementierung des neuen Systems zur Anomalie-Erkennung konnte der Kunde direkt die folgenden Resultate feststellen:

  • 50% weniger Fehler in der Produktion

  • Kürzere Markteinführungszeit

  • Nutzung von Qualitätsdaten in Echtzeit bei der Herstellung des Produkts

Diese Ergebnisse zeigen deutlich die echten Vorteile eines robusten Systems zur Anomalie-Erkennung.

Paint and finish quality control
Hersteller von Belägen und Verkleidungen

Der craftsworks-Unterschied

Wir haben persönlich erlebt, wie Technologie Unternehmen dabei helfen kann, Spitzenleistungen zu erzielen. Dies ist der Kern von allem, was wir bei craftworks tun. Wir stehen Ihnen als Partner zur Seite, um Sie zu beraten, wie und warum eine Lösung zur Anomalie-Erkennung für Ihre spezifischen Anwendungen geeignet sein könnte. Anschließend planen und führen wir gründliche Machbarkeitsstudien durch.


Auf Grundlage dieser Studien erstellt unser Team gemeinsam mit Ihnen Prototypen von Algorithmen zur Anomalie-Erkennung, um den tatsächlichen Mehrwert eines vollständigen Systems für Ihr Unternehmen zu demonstrieren. Nach Fertigstellung der Lösung arbeiten wir dann eng mit Ihnen zusammen, um sicherzustellen, dass die Plattform nahtlos in Ihre bestehende IT-Infrastruktur integriert wird. Wir bieten eine Vielzahl von Lösungen und Dienstleistungen für die Anomalie-Erkennung in Ihrem Unternehmen an, darunter Beratung, Co-Development und Full-Service-Pakete. Unsere Beratungsdienste umfassen maßgeschneiderte Workshops, die Ihnen helfen, die perfekte Lösung für Ihr Unternehmen zu finden. Unser Co-Development-Angebot richtet sich an Unternehmen, die bereits über ein funktionierendes Team verfügen, denen es aber möglicherweise an technischem Wissen oder Erfahrung mangelt. Wir sind mehr als nur ein Anbieter; wir sind der industrielle KI-Partner für Lösungen zur Anomalie-Erkennung. Sind Sie auf der Suche nach einer Komplettlösung für Ihre spezifischen Anforderungen?


craftworks bietet auch ein Full-Service-Paket an, bei dem unsere Experten den gesamten Prozess von Anfang bis Ende betreuen. Mit dem Aufkommen von Industrie 4.0 wachsen sowohl das Datenvolumen als auch die Unvorhersehbarkeit der Daten weiter an. Systeme zur Anomalie-Erkennung haben sich als hervorragende Lösung erwiesen, um sowohl Betrug zu bekämpfen als auch Möglichkeiten zur Verbesserung der Prozesse in Ihrem Unternehmen aufzudecken und so deren Effizienz zu steigern.


Durch den Einsatz künstlicher Intelligenz können Sie von einer reaktiven zu einer proaktiven Haltung übergehen. Technologische Algorithmen können inzwischen Vorhersagefunktionen bereitstellen. Die Lösungen sind da, um Ihnen zu helfen, die Kontrolle über die Daten Ihres Unternehmens zu erlangen und Gewinnverluste zu minimieren.

Quellenangaben Miller, C. (2020, November 10). Fraud is Fraught in Manufacturing: Tips to Prevent Expensive Losses. Concannon Miller. Retrieved November 17, 2022, from https://blog.concannonmiller.com/4thought/fraud-is-fraught-in-manufacturing-tips-to-prevent-expensive-losses



Ähnliche Beiträge

Alle ansehen

Comments


bottom of page