Startseite > Medizintechnik > Systeme & Anwendungen > Arznei für KI-Projekte

Visuelle Qualitätskontrolle

Arznei für KI-Projekte

10. November 2022, 10:00 Uhr | Dr.-Ing. Mario Holl, InspectifAI

Künstlicher Intelligenz ist in der medizintechnischen Qualitätskontrolle kein neuer Technologieansatz mehr, dennoch scheitern viele KI-Projekte. Woran liegt das und wie können die Hürden und Herausforderungen überwunden werden?

Regulatorische Rahmenbedingungen definieren in der Medizintechnik einen hohen Qualitätsstandard in der Fertigung und Produktherstellung. Ein Beispiel ist die optische Qualitätskontrolle medizinischer Primärpackmittel wie Ampullen oder Spitzen, als letztem Produktionsschritt sowie nach einer möglichen Befüllung. Um mögliche Verunreinigungen, Produktdefekte oder Kontamination zu erkennen, wird jedes dieser Medizinprodukte einer 100%-Qualitätskontrolle unterzogen, als Qualitätsreferenz gilt stets das Detektionsvermögen eines ausgebildeten Inspektionsspezialisten. Soll die Inspektion von einer Maschine abgenommen werden (Automatische Inspektionsmaschine, AVI), muss vom Hersteller oder Abfüller ein Nachweis erfolgen, dass die Inspektionsqualität mindestens der des ausgebildeten Inspektionsspezialisten entspricht.

Über Inspectif AI
InspectifAI ist ein Joint Venture der Geschäftsbereiche Pharma und Digital des Maschinenbauers und Technologiekonzerns Körber. Die Ausgründung entwickelt maschinenübergreifende, GxP-konforme Softwarelösungen für die KI-gestützte visuelle Inspektion in der medizinischen Fertigung.	Gegründet in 2021 in Karlsruhe zählt InspectifAI heute rund 30 Mitarbeiter – von Datenwissenschaftlern über Entwickler, Designer bis hin zu Edge- und Medizinexperten. InspectifAI möchte nicht mehr und nicht weniger als die Arzneimittel- und Patientensicherheit revolutionieren.

Für die visuelle Qualitätskontrolle per AVI werden die fertigen Produkte automatisch durch die Maschine geführt. Industrielle Bildverarbeitungskameras nehmen jedes Produkt auf, die Bilder werden in Echtzeit von einer entsprechenden Imaging-Software ausgewertet, deren Ergebnis führt anhand der hinterlegten Qualitätskriterien und erlaubten Varianzen zu einer Ja-/Nein-Entscheidung für das Produkt. Gut- oder Schlechtprodukt, Ausschuss oder Weiterverwendung. Je nach Produktkomplexität kann es zu hohen Fehlauswurfraten kommen, d. h. Gutprodukte werden als Schlechtprodukte deklariert und fälschlicherweise ausgeworfen. Um auslieferfähige Produkte nicht zu verschwenden, obliegt die finale Entscheidung häufig noch einem Inspektionsspezialisten, der eine Zweitprüfung vornimmt. Dieses zeit- und ressourcenintensive Verfahren widerspricht dem eigentlichen Ziel der automatisierten Qualitätskontrolle und bedingt für medizintechnische und pharmazeutische Unternehmen Kosten im einstelligen Millionenbereich.

KI – die passende Technologie zum Problem

Die hohen Fehlauswurfraten und der daraus entstehende Zielkonflikt basieren auf technischen Limitierungen regelbasierter Vision-Tools wie Grauwertanalysen. Bei der Analyse der maschinellen Entscheidungsfindung fällt auf, dass alle Produkte auf gewisse Merkmale und spezielle Muster einschließlich produktspezifischer Verhaltensweisen geprüft werden. Die Detektion und Beachtung ist aufwendig und nur mit regelbasierten Systemen abzubilden. Daher eignen sich neuronale Netze, die dediziert auf diese Muster und Verhaltensweisen trainiert werden, um die Detektionsrate zu steigern und so die Fehlauswurfrate in der optischen Qualitätskontrolle stark zu verringern (Bild).

Künstliche Intelligenz ist in der automatisierten industriellen Inspektion auf dem Vormarsch zum Goldstandard, wenn es um die einheitliche und zuverlässige visuelle Inspektion geht, sowohl für neue Maschinen wie auch für Bestandsmaschinen via Retrofit. KI erreicht nicht selten Spitzenwerte: Eine erhöhte Produktqualität durch Steigerung der Detektionsrate bei zeitgleicher Reduktion der Fehlauswurfrate und um durchschnittlich 85% verringerte Kosten in der Nachinspektion sind realistische Ergebnisse. Dennoch ist der Weg zum Standardeinsatz künstlicher Intelligenz mit Steinen und Hürden gespickt, aufgrund derer KI-Projekte in kleinen und großen Unternehmen oft scheitern.

Warum KI-Projekte scheitern

Die häufigsten Gründe für ein Scheitern von Projekten unter Einbeziehung von künstlicher Intelligenz sind Technologieversessenheit, finanzielle Hürden sowie eine unzureichende Datenqualität.

Grund 1: Die Technologie steht im Vordergrund

Der Grundstein für das Scheitern eines KI-Projekts wird oftmals gleich am Anfang gelegt – und zwar durch einen zu starken Technologiefokus. Künstliche Intelligenz ist in aller Munde, ein hippes Thema, dem ein großes Potenzial nachgesagt wird. Natürlich möchte von diesem Potenzial jedes Unternehmen profitieren. Als Konsequenz wird intensiv nach Anwendungsfällen gesucht, die mit KI gelöst werden können. Häufig wird sich allerdings durch die Technologiebrille mit Anwendungsfällen beschäftigt, deren Relevanz zweitrangig ist, eine Priorisierung, wo KI am nützlichsten eingesetzt werden kann, fehlt.

Um diesen Fehler zu vermeiden, muss künstliche Intelligenz als das begriffen werden, was es ist: Ein datengetriebener, statistischer Baukasten mit Vor- und Nachteilen, der zur Lösung spezifischer Probleme genutzt werden kann – aber nicht um jeden Preis genutzt werden muss. Dies ersetzt keinesfalls die sorgfältige kundennahe Arbeit, um Problemfelder in den medizintechnischen Prozessen und deren Relevanz eindeutig zu identifizieren. Die Frage, mit welcher Technologie ein Problem gelöst wird, ist sekundär und sollte erst nach klarem Verständnis der Prozesse und Probleme beantwortet werden.

Grund 2: Initiale Kosten und ein langer Atem

Einen häufigen Grund für das Scheitern von KI-Projekten stellen finanzielle Hürden dar. Im Folgenden sind diese am Beispiel eines mittelständigen Maschinenbauers der Medizintechnikbranche skizziert, welcher exemplarisch aus maschinengenerierten Daten mittels KI neue Wertschöpfung für den Kunden und einen neuen digitalen Umsatzstrom generieren möchte. Doch mit welchem Set-up können erfolgreiche KI-Projekte technisch realisiert werden?

Auch bei KI-Projekten und digitalen Produkten ist eine gewisse Grundinfrastruktur erforderlich. Es werden beispielsweise diverse Softwareumgebungen wie GitHub zur Versionsverwaltung von Softwarecode und Steuerung agiler Softwareentwicklung sowie der Zugang zu Cloud-Ressourcen und -Services benötigt. Zur digitalen Infrastruktur gehören zudem die richtigen Talente und Fachkräfte, die Software- und KI-Projekte umsetzen können. Sollte diese Infrastruktur zu umfassend sein, können KI-Funktionalitäten heutzutage auch bereits in Low- oder No-Code-Applikationen bereitgestellt werden.

Die technische Umsetzung eines KI-Projekts oder Produkts ist in diesem Fall aber nur der erste Schritt. Ein erfolgreiches Projekt braucht die passende Kommerzialisierung. Dies umfasst u. a. die Definition einer Monetarisierungsstrategie, aber vor allem auch Unterstützung und Schulung der Vertriebsverantwortlichen, für die der Vertrieb eines solchen Produktes potenzielles Neuland darstellt. Diese »digitale Durchdringung« des Unternehmens – von der technischen Infrastruktur über Softwareexperten, dem Neudenken von Businessmodellen, zur Unterstützung von Vertriebsspezialisten – ist investitionsintensiv und fordert einen langen Atem, Rückhalt und ein starkes Engagement der Managementebene.

Grund 3: Datenverfügbarkeit und -qualität

KI erfordert Daten, viele Daten. Existieren keine Daten, können die Methoden des Machine Learning oder Algorithmen der künstlichen Intelligenz nicht angewendet werden. Aber selbst bei ausreichenden Datenmengen ist eine ungefilterte Verwendung dieser ohne Vorprozessierung nicht ratsam. Warum KI-Projekte an der fehlenden Existenz von Daten und der mangelnden Vorprozessierung scheitern können, soll das Beispiel eines lernenden neuronalen Netzes anhand von vorklassifizierten Daten zeigen.

Zunächst erfolgt eine Aufteilung des Datensets in Trainings- und Testdatensatz. Anhand des Trainingsdatensatzes wird das neuronale Netz trainiert, d. h. Vorhersagen des Modells werden mit den jeweiligen klassifizierten Daten verglichen. Hierdurch bilden sich algorithmisch die Knotengewichtungen des neuronalen Netzes aus. Das Modell »erlernt« Muster und Verhaltensweisen, die im Trainingsset enthalten sind, zu erkennen. Die Vertrauenswürdigkeit des Modells wird im Anschluss mit dem statistisch unabhängigen Testdatensatz geprüft.

Es ist intuitiv einsichtig, dass das Modell nur Verhalten und Muster erkennen kann, die im Trainingsset enthalten sind. Werden diese Daten nicht konsistent und korrekt vorklassifiziert, kann das Modell keine akkuraten Muster und Sachverhalte erlernen und wird auch im anschließenden Modelltest versagen. Die Ursachensuche ist mühsam, steckt sie doch tief in den Datenmengen verborgen. Die mangelnde Performance der Modelle, verbunden mit einer mangelnden tiefgründigen Datenanalyse, führen in dieser Konsequenz zu einem Scheitern des KI-Projekts.

Das Potenzial künstlicher Intelligenz

Künstliche Intelligenz hat das Potenzial, den Produktionsalltag radikal zu verändern. Perspektivisch gehen die Möglichkeiten KI-gestützter visueller Qualitätskontrolle in der Medizintechnik weit über das oben beschriebene Szenario hinaus. So lässt sich das »gebundene Wissen« in Form von neuronalen Netzen sehr gut teilen und kann so maschinen- sowie standortübergreifend Einsatz finden. Ferner besteht die Möglichkeit, ein neuronales Netz, das für ein spezifisches medizintechnisches Produkt entwickelt wurde, für weitere, physikalisch sehr ähnliche Produkte zu verwenden. Dieser »Transfer« gelingt umso besser, je ähnlicher die Definition von Gut- und Schlechtprodukt ist.

Maschinelles Lernen stellt für die visuelle Inspektion einen Quantensprung dar. Geringere Konfigurationsaufwende, starke Leistungsverbesserung und hohes Skalierungspotenzial sind nur drei Aspekte, die aufzeigen, dass die visuelle Qualitätskontrolle in der Medizintechnik und weiteren Industriezweigen sich stark verändern wird.

Der Einstieg in die Welt der KI stellt oft eine große Herausforderung dar. Doch anstatt zu fragen: »Woran scheitern KI-Projekte?«, sollte in den Vordergrund rücken, wie die angestrebte digitale Transformation zur Ausnahme dieser Regel werden kann. Die oben genannten Punkte können dabei helfen zu verstehen, was oft schiefläuft und der Schlüssel dazu sein, es gleich richtig anzugehen und die größten Stolperfallen zu vermeiden. Wie jedes erfolgreiche Projekt braucht auch KI Zeit und Mühe, seine Fähigkeiten zu entfalten. Die schrittweise und bedachte Einführung eines KI-Anwendungsfalls und spätere Ausweitung auf Unternehmensebene ist daher empfehlenswert. (uh)

++++++++++++++++++

Lesen Sie passend dazu unser ergänzendes Interview mit Dr. Mario Holl
»Die KI kommt retrofit ans Edge«

++++++++++++++++++