Der Unterschied zu damals? Heute ist die Technologie zugänglich und weit verbreitet. KI ist längst kein Forschungsprojekt mehr, sondern findet Anwendung in zahlreichen Bereichen. Während Chatbots wie ChatGPT im letzten Jahr im Fokus standen, hat die Technologie inzwischen Reife erlangt, dass sie auch in industriellen Anwendungen, etwa im Labor, eingesetzt werden kann. Aber was kann KI im Labor leisten?

Voraussetzungen für den Einsatz von KI

Jeden Tag produzieren zahlreiche Labore eine enorme Datenmenge. Das sind Messdaten, Prüfparameter oder Materialdaten, die bei regelmäßigen Qualitätsprüfungen oder bei der Entwicklung neuer Produkte generiert werden. Mit dieser massiven Datenflut gehen oft auch Probleme einher. Instrumente sind häufig nicht integriert, weshalb die Daten oft verstreut über verschiedene Prüfgeräte, Excellisten oder sogar Papierdokumenten sind. Doch selbst wenn die Daten in einer Datenbank zu finden sind, erweist sich eine umfassende Datenauswertung in der Praxis häufig als zu aufwändig. Das Ergebnis: Die Labordaten werden nicht genutzt und das Potenzial zur Optimierung von Entwicklung und Qualitätssicherung bleibt ungenutzt. So bleiben Chancen zur Effizienzsteigerung und Innovation unerschlossen.

Genau hier setzt die künstliche Intelligenz an. KI ist wie gemacht, um mit komplexen Daten zu arbeiten und deren volles Potenzial zu erschließen. Von der Mustererkennung über die Vorhersage von Ergebnissen bis hin zur Automatisierung von Prozessen – die Einsatzmöglichkeiten sind vielfältig und revolutionieren die Art und Weise, wie Labore arbeiten.

Für den erfolgreichen Einsatz von KI im Labor müssen allerdings drei entscheidende Voraussetzungen erfüllt sein: ausreichende Rechenkapazitäten, hochentwickelte Technologien zur Verarbeitung natürlicher Sprache — Natural Language Processing (NLP) — sowie eine solide strukturierte Datenbasis.

Zur Rechenkapazität gehören Hardware und Algorithmen, die eine effiziente Verarbeitung großer Datenmengen und das Durchführen komplexer Analysen in realistischen Zeiträumen ermöglichen. Der Zugang zu ausreichender Rechenkapazität ist heute recht leicht; zahlreiche Dienstleister bieten geeignete Rechenressourcen an. Anbieter für flexible und skalierbare Rechenressourcen sind beispielsweise Amazon Web Services (AWS) und Microsoft Azure. Die zweite Säule ist das Natural Language Processing (NLP). NLP ermöglicht es dem Labormitarbeiter, auf intuitive Weise mit künstlicher Intelligenz zu interagieren.

Das kann per Sprach- oder Tastatureingaben erfolgen. NLP konvertiert natürliche Sprache in ein Format, das von Computern verstanden und verarbeitet werden kann, was die Zusammenarbeit zwischen Mensch und Maschine erheblich vereinfacht. Die dritte Säule sind strukturierte und qualitativ hochwertige Daten im Labor.

Ein Schlüsselinstrument hierfür ist der digitale Zwilling, die digitale Kopie eines physischen Objektes oder Prozesses. Durch eine kontinuierliche Aktualisierung mit Echtzeitdaten ermöglicht der digitale Zwilling eine vollständige Überwachung und Analyse einer Probe im Labor. Im Laborumfeld wird mit dem digitalen Zwilling der Mehrwert der KI voll ausgeschöpft, der aus allen vier Datenebenen besteht: Rezepturdaten, technische Spezifikationen, Probendaten und Messergebnisse.

Während Rechenkapazität und Natural Language Processing leicht zugänglich sind, scheitern viele Labore an der Strukturierung ihrer Daten. Einerseits profitieren viele Labore von der Vielseitigkeit von Laborinformations- und Managementsystemen (LIMS), Proben effizient zu verwalten, Daten zu erfassen und Ergebnisse zu analysieren. Das Hauptproblem ist jedoch die Integration der Instrumente. Diese ist mit hohen Kosten verbunden, weshalb Labore häufig nur einen Teil der Messmethoden und der verfügbaren Daten einbinden. Dies führt zu manuellen Dateneingaben, einer fragmentierten und unvollständigen Datenhaltung, die sich meist nur auf das vermeintlich Wichtigste beschränkt. Dadurch können Labore nicht das volle Potenzial ihrer Daten nutzen, und einer KI würde eine umfassende und konsistente Datenbasis fehlen.

Deshalb müssen moderne Lösungen sicherstellen, dass eine vollständige und flexible Vernetzung umgesetzt wird, wenn eine KI-fähige Digitalisierungslösung geschaffen werden soll. Dabei ist häufig auch eine zusätzliche Anbindung an ERP, MES und Produktionssysteme vorteilhaft. Je mehr Daten die KI zur Verfügung gestellt bekommt, desto größer ist der "Fundus", aus dem KI schöpfen kann und desto höher wird am Ende der Nutzen für das Unternehmen.

KI im Prüflabor – wozu?

Die Einsatzmöglichkeiten von KI variieren je nach Industriezweig und Laborumgebung. Trotzdem gibt es einige typische Anwendungsfälle, die über verschiedene Branchen hinweg relevant sind. Anhand einiger Beispiele soll hier veranschaulicht werden, wozu KI derzeit fähig ist und was die Zukunft bringen wird.

Beispiel: Entwicklung eines neuen Farblacks

Das erste Beispiel stammt aus einem Labor der Farben- und Lackbranche. Es zeigt, wie KI den Entwicklungsprozess effizienter gestalten kann. Üblicherweise beginnt das Unternehmen mit der Definition der Kundenanforderungen, etwa einem Lack für den Flugzeugbau, der leichter sein soll, um Gewicht einzusparen. Aus diesem Anforderungsprofil leitet das Labor die Zielparameter ab, die die Endrezeptur erfüllen muss, wie Viskosität, Dichte oder chemische Beständigkeit.

Im nächsten Schritt steht die Auswahl der Startrezeptur an, die Ausgangsbasis für die Entwicklung und Prüfung neuer Varianten. Dabei spielt die Nutzung historischer Daten eine zentrale Rolle, da diese den reichen Erfahrungsschatz aus vergangenen Entwicklungsprojekten des Unternehmens enthalten. Künstliche Intelligenz kann hier unterstützen, indem sie historische Daten durchforstet und tiefgreifende Analysen vornimmt (s. auch Bild 2). So können etwa Zusammenhänge zwischen der Viskosität des Lacks und einem verwendeten Lösungsmittel oder Additiv identifiziert werden. Das Know-how des Mitarbeiters wird durch eine solide Datenbasis ergänzt, auf die sich die Entscheidungen stützen können. Insgesamt steigt so die Wahrscheinlichkeit, zeitnah bzw. schneller eine erfolgsversprechende Ausgangsrezeptur zu finden.

Bild 3a: Die Grafiken 3a-c sind das Ergebnis der Aufgabe (Prompt) an das KI-Tool: „Please provide a bar graph for viscosity, UV resistance and VOC for all tested recipes“. © LabV Intelligent Solutions

Im nächsten Schritt werden dann mehrere Rezepturvarianten im Technikum zusammengemischt und mit ihnen diverse Prüfungen durchgeführt — von der Viskosität über die Dichte bis zu Aschegehalt und Farbtreue. Da alle Prüfdaten in einer zentralen Datenbank vorliegen, kann KI alle Messwerte aller Rezepturen prüfen und bei Bedarf auch Korrelationen und Zusammenhänge analysieren. Um den Zugriff auf die Daten zu erleichtern, lassen sich mit einem einzigen Prompt (Aufgabenstellung an das KI-Tool) die gewünschten Prüfdaten auch visualisieren, anhand derer das Labor die Daten interpretieren kann.

Bild 3b © LabV Intelligent Solutions

Im hier gezeigten Beispiel (Bilder 3a - c) zeigt die Rezeptur 3 die höchste Viskosität und UV-Resistenz, während die Dichte im Vergleich zur Ausgangsrezeptur niedriger ist. Diese Auswertung wäre zuvor in Excel notwendig gewesen und hätte mehrere Stunden in Anspruch genommen, was jetzt die KI auf Knopfdruck erledigt.

.

Doch die Möglichkeiten von KI reichen weiter: mit einer soliden Datenbasis lassen sich Korrelationen aufdecken und erste Interpretationsideen entwickeln (s. Bild 4).