Die meisten Simulationsteams verschwenden keine Zeit mit der Erstellung von Modellen. Sie verschwenden sie damit, die von anderen geschriebene Logik zu lesen, nach dem Ereignis zu suchen, das einen Lauf unterbrochen hat, und dieselben Verifizierungsarbeiten zu wiederholen, bevor jemand den Ergebnissen vertraut. Genau hier zahlt sich der Einsatz von KI in der Simulationsmodellierung bereits aus.
Die Diskussion über KI im operativen Bereich neigt dazu, direkt auf autonome Fabriken zu springen. Die unmittelbareren Vorteile sind jedoch kleiner und praktischer: Stunden mühsamer Modellierungsarbeit werden auf Minuten verkürzt, und Entscheidungen innerhalb des Modells werden präziser, ohne dass jemand eine neue Regel schreiben muss. Hier sind fünf Möglichkeiten, wie Sie KI bereits heute in Simulations- und Terminierungsmodellen einsetzen können. Die Beispiele stammen durchweg aus Live-Demonstrationen an Beispielmodellen und nicht aus Kundenprojekten, sodass Sie sehen können, wie die jeweiligen Anwendungsfälle in der Praxis aussehen.
Welche Arten von KI lassen sich mit einem Simulationsmodell kombinieren?
Zwei Arten von KI sind heute bei der Simulationsmodellierung nützlich. KI-Assistenten, die mit Simulationssoftware verbunden sind und Modelle anhand von Anfragen in einfacher Sprache lesen, erstellen, ausführen und erklären können. Neuronale Netze, die in ein Modell eingebettet sind, lernen aus simulierten Daten und treffen Vorhersagen, während das Modell läuft. Das eine hilft dem Modellierer. Das andere hilft dem Modell.
KI-Assistenten. Ein mit Ihrer Simulationssoftware verbundener KI-Assistent kann das konkret geöffnete Modell erkennen und darauf reagieren, anstatt nur allgemein über Simulationen zu sprechen. Diese Verbindung erfolgt über das Model Context Protocol (MCP), einen offenen Standard, sodass Teams die KI nutzen können, über die sie bereits verfügen.
Eingebettete neuronale Netze. Ein neuronales Netz ist ein Modell des maschinellen Lernens, das die Beziehung zwischen Eingaben und einer Ausgabe anhand von Beispieldaten lernt, anstatt anhand von Regeln, die jemand geschrieben hat. In eine Simulation eingebettet, kann es einen Wert vorhersagen, beispielsweise wie lange die Bearbeitung eines Auftrags auf einer bestimmten Linie dauern wird, und das Modell kann in Echtzeit auf diese Vorhersage reagieren.
Die ersten vier der unten aufgeführten Möglichkeiten nutzen KI-Assistenten. Die fünfte nutzt neuronale Netze.
1. Wie kann KI Ihnen helfen, ein Simulationsmodell zu verstehen, das Sie nicht selbst erstellt haben?
KI kann ein unbekanntes Simulationsmodell innerhalb weniger Minuten erklären: was es tut, wie seine Logik funktioniert und welche einzelnen Einstellungen welche Auswirkungen haben. Anstatt Prozesse manuell nachzuvollziehen, stellen Sie eine Frage in einfacher Sprache und erhalten eine Antwort zu diesem spezifischen Modell.
Jedes Unternehmen, das schon seit einiger Zeit Simulationen einsetzt, verfügt über geerbte Modelle: Diese wurden von einem Berater, einem ehemaligen Kollegen oder von Ihnen selbst vor drei Jahren erstellt. Sich wieder auf den neuesten Stand zu bringen, bedeutet in der Regel stundenlanges Durchklicken der Logik, bevor man etwas mit Sicherheit ändern kann. Bei dieser Überprüfung tauchen oft auch Dinge auf, die es wert sind, korrigiert zu werden, wie zum Beispiel Logik, die denselben Wert zweimal berechnet, oder Eingaben, die auf einen Teil des Modells angewendet werden, auf einen anderen jedoch nicht.
Beispiel: In einer Demonstration anhand eines Beispielmodells zur Kraftstoffversorgung mit fünf Terminals, 15 Baustellen und 75 Lkw-Routen lautete die erste Frage schlicht: „Erkläre, was dieses Modell tut und wie es funktioniert.“ Der Assistent lieferte innerhalb von etwa anderthalb Minuten eine präzise Zusammenfassung in einfacher Sprache, einschließlich des Optimierungsschritts, der die Lieferungen für jeden Zeitraum festlegt. Als es anschließend nach einer Einstellung mit einem kryptischen zweibuchstabigen Namen gefragt wurde, gab es eine Vermutung auf der Grundlage des Namens ab, wies deutlich darauf hin, dass es sich um eine Vermutung handelte, und überprüfte diese anschließend anhand der modellinternen Beschreibung. Genau dieses Verhalten ist gefragt: eine als solche gekennzeichnete Vermutung, die anschließend überprüft wird.
2. Kann KI Simulationsmodelle anhand einer Beschreibung in einfacher Sprache erstellen?
Ja, bei klar definierten Strukturen. Beschreiben Sie, was Sie wollen, so wie Sie es einem Kollegen erklären würden, und die KI fügt die Objekte hinzu, legt deren Eigenschaften fest und verknüpft die Logik. Außerdem teilt sie Ihnen jede Annahme mit, die sie dabei getroffen hat.
Dies ist kein Ersatz für die Entwicklung eines Modells. Es ist ein schnellerer Weg, die grundlegende Struktur zu erstellen, damit Sie Ihre Zeit für die Teile aufwenden können, die Ihr Urteilsvermögen erfordern. Alles, was Sie nicht konkret festlegen, erhält einen sinnvollen Standardwert – genau deshalb ist die schriftliche Zusammenfassung ihrer Entscheidungen wichtig. Lesen Sie sie.
Beispiel: In einer Demonstration wurde ein Assistent gebeten, eine einfache Produktionslinie mit drei Stationen zu erstellen, bei der 10 Einheiten pro Stunde ankommen und die Durchsatzraten bei 12, 14 und 11 pro Stunde liegen. Das Modell wurde in weniger als einer Minute erstellt und vernetzt. Dabei übertrug er die Zahlen in das von der Software benötigte Format, erläuterte die Annahmen, die er bei fehlenden Details getroffen hatte, und sagte voraus, welche Station den Engpass bilden würde, noch bevor das Modell überhaupt ausgeführt wurde.
3. Wie kann KI beim Debuggen eines Simulationsmodells helfen?
Das Debuggen mit KI beginnt damit, das Problem zu beschreiben, anstatt danach zu suchen. Man teilt dem Assistenten mit, was falsch aussah und ungefähr wann, und er liest das Ereignisprotokoll des Modells, geht die Ereignisse, die dazu geführt haben, rückwärts durch und erklärt, was passiert ist – so muss man nicht durch Tausende von Protokollzeilen scrollen.
Jeder, der schon einmal eine Simulation debuggt hat, kennt das Muster. Tief im Verlauf eines Durchlaufs passiert etwas Seltsames, und um die Ursache zu finden, muss man Ereignis für Ereignis durchgehen, bis sich das Problem zeigt. KI macht diese Suche überflüssig.
Beispiel: Angenommen, ein Lauf verhält sich ab einem bestimmten Zeitpunkt seltsam. Die Anfrage kann so vage sein wie: „Etwas Seltsames passiert etwa bei Zeit 14,7. Was ist los?“ Der Assistent findet dieses Zeitfenster im Ereignisprotokoll und geht die Abfolge der Ereignisse durch, die dazu geführt haben, sodass Sie viel schneller zum richtigen Zeitpunkt und zum richtigen Logikabschnitt gelangen und Ihre Zeit damit verbringen können, zu entscheiden, was dagegen zu tun ist.
4. Kann KI ein Simulationsmodell verifizieren?
Ja. Anhand einer einzigen Anfrage kann die KI ein Modellverifizierungsexperiment entwerfen und durchführen: Sie wählt die Methode aus, führt Pilotversuche durch, legt fest, wie lange und wie oft das Modell laufen soll, gleicht die Ergebnisse mit der Theorie ab und dokumentiert ihre Ergebnisse. Dabei folgt sie demselben Prozess, den auch ein erfahrener Modellierer anwenden würde.
Die Verifizierung ist der Schritt, der bei knappen Fristen oft gestrichen wird, und doch ist sie entscheidend dafür, ob man den Ergebnissen überhaupt vertrauen kann. Außerdem ist sie mühsam: einen Pilotversuch durchführen, die Ausgabe prüfen, Anpassungen vornehmen, erneut ausführen. An der Methode der KI ist nichts Neues. Was sich ändert, ist, wer den repetitiven Teil übernimmt.
Beispiel: Für die oben gezeigte Beispielstrecke mit drei Stationen lautete die Anforderung in einem einzigen Satz: Die KI sollte das Modell verifizieren, entscheiden, wie lange und wie oft es laufen soll, und die Ergebnisse in Excel ausgeben. Wie das geschehen sollte, wurde nicht angegeben. Der Assistent wählte einen statistischen Standardansatz, führte mehrere Experimentierrunden durch und verfeinerte diese, verglich die Ergebnisse mit den theoretischen Vorhersagen für eine solche Produktionslinie und erstellte eine Arbeitsmappe, in der jeder Schritt und die endgültige Konfiguration dokumentiert wurden. Der gesamte Vorgang dauerte etwa zehneinhalb Minuten.
5. Wie können neuronale Netze Entscheidungen innerhalb eines Simulations- oder Dispositionsmodells verbessern?
Ein in ein Simulationsmodell eingebettetes neuronales Netzwerk kann Ergebnisse vorhersagen, beispielsweise wie lange die Bearbeitung eines Auftrags auf jeder Produktionslinie dauern wird, und das Modell kann diese Vorhersage nutzen, um während des Laufs Entscheidungen zur Routenplanung oder Auftragsvergabe zu treffen. Da das Netzwerk aus den modellinternen Simulationsdaten lernt, kann es Muster erkennen, die eine manuell festgelegte Regel übersehen würde.
Die meisten Simulations- und Dispositionsmodelle treffen Entscheidungen anhand von Regeln: den Auftrag an die kürzeste Warteschlange oder an die Linie mit dem geringsten verbleibenden Arbeitsaufwand senden. Diese Regeln funktionieren gut, bis die tatsächlichen Zusammenhänge kompliziert werden. Die Durchlaufzeit hängt oft von der Zusammensetzung der bereits auf einer Linie befindlichen Produkte ab, nicht nur von deren Anzahl, und eine einfache Regel kann das nicht erkennen. Ein neuronales Netzwerk hingegen schon.
Ein weniger offensichtlicher Vorteil liegt darin, woher die Trainingsdaten stammen. Im realen Betrieb fallen selten genügend saubere, vielfältige Daten an, um ein Modell zu trainieren. Eine Simulation kann so viele Daten generieren, wie Sie benötigen, einschließlich Szenarien, die noch nicht eingetreten sind. Netzwerke können auch in externen Tools trainiert und mithilfe des Industriestandards ONNX importiert werden.
Beispiel: In einem Demonstrationsmodell wurden Aufträge basierend auf der prognostizierten Durchlaufzeit der jeweiligen Linie auf drei Produktionslinien verteilt. Im Vergleich zur zufälligen Zuweisung von Aufträgen verkürzte die Routing-Lösung des neuronalen Netzwerks die Zeit bis zur Fertigstellung aller Aufträge um mehr als ein Drittel. Eine zufällige Zuweisung ist jedoch eine leicht zu übertreffende Basis. In einem realen Projekt sollte der Vergleich mit Ihrer besten bestehenden Regel erfolgen, und wenn das neuronale Netzwerk nicht eindeutig besser abschneidet, behalten Sie die Regel bei. Sie ist einfacher zu erklären und zu warten.
Wo sollten Sie mit KI in der Simulationsmodellierung beginnen?
Beginnen Sie dort, wo Ihr Team am meisten Zeit mit notwendigen, aber sich wiederholenden Arbeiten verliert. Für die meisten Teams sind das das Verstehen bestehender Modelle, das Debugging oder die Verifizierung – dies sind auch die Bereiche mit dem geringsten Risiko, um KI auszuprobieren, da ein Modellierer jedes Ergebnis überprüft.
Drei Fragen helfen dabei, den Fokus einzugrenzen:
- Wie viele Ihrer Modelle versteht nur eine einzige Person? Wenn die Antwort „mehr als null“ lautet, beginnen Sie mit der Modellerklärung.
- Wird jedes Modell einer dokumentierten Verifizierung unterzogen, bevor seine Ergebnisse einen Entscheidungsträger erreichen? Falls nicht, schließt eine KI-gestützte Verifizierung diese Lücke und hinterlässt einen Nachweis.
- Haben Ihre Routing- oder Dispositionsregeln Schwierigkeiten, wenn sich der Produktmix ändert? Das ist ein Kandidat für ein neuronales Netzwerk, das anhand Ihrer aktuellen Regel getestet wird.
Egal, wofür Sie sich entscheiden: Seien Sie konkret. Detaillierte Anfragen führen zu besseren Ergebnissen als vage.
Häufige Fragen zur KI in der Simulation
Wird KI die Simulation ersetzen?
Nein. KI und Simulation erfüllen unterschiedliche Aufgaben. Ein Simulationsmodell ist eine überprüfbare Darstellung des tatsächlichen Verhaltens Ihres Betriebs, sodass Sie Änderungen ausprobieren können, bevor Sie sie in der Praxis umsetzen. KI beschleunigt die Erstellung, das Verständnis und die Überprüfung dieses Modells und kann aus den vom Modell generierten Daten lernen. Die sich wiederholenden Teile der Arbeit werden an die KI übertragen. Die Beurteilung, ob ein Modell die Realität widerspiegelt und wie mit den Ergebnissen umgegangen werden soll, bleibt den Menschen vorbehalten.
Ersetzt KI das Fachwissen im Bereich Simulation?
Nein. KI beschleunigt die Erstellung, Erläuterung, Fehlerbehebung und Überprüfung von Modellen, aber es muss immer noch jemand beurteilen, ob das Modell das reale System widerspiegelt und ob die Ergebnisse sinnvoll sind. Fachwissen ist das, was die Ergebnisse der KI vertrauenswürdig macht.
Benötige ich ein spezielles KI-Tool?
Nein. Da MCP ein offener Standard ist, ist Simulationssoftware, die MCP unterstützt, nicht an einen bestimmten KI-Anbieter gebunden. Viele beliebte KI-Assistenten unterstützen mittlerweile MCP, sodass Teams oft das Tool nutzen können, über das sie bereits verfügen. Die Unterstützung variiert je nach Produkt und Tarif; überprüfen Sie daher die Dokumentation Ihres KI-Tools, um sicherzustellen, dass es eine Verbindung zu MCP-Servern herstellen kann.
Kann ich meine Modelldatei nicht einfach in einen allgemeinen KI-Chatbot hochladen?
Das geht zwar, und es funktioniert bis zu einem gewissen Grad. Was es jedoch nicht kann, ist mit dem laufenden Modell zu arbeiten: es live zu überprüfen, zu ändern, Experimente durchzuführen und die Ergebnisse zu überprüfen. Das ist der Unterschied, den eine direkte Verbindung ausmacht.
Sind KI-generierte Ergebnisse zuverlässig?
Sie sind ein solider erster Entwurf. KI-Antworten können von Lauf zu Lauf variieren. Behandeln Sie die Ausgabe daher so, wie Sie die Arbeit eines Kollegen behandeln würden: Überprüfen Sie die Annahmen, fragen Sie nach den Gründen für wichtige Entscheidungen und verifizieren Sie die Ergebnisse, bevor Sie handeln.
Wie unterstützt Simio KI in der Simulation?
Simio enthält zwei MCP-Server: einen, der einen KI-Assistenten mit der Simio-Dokumentation verbindet, und einen, der ihn mit dem von Ihnen geöffneten Modell verbindet. Daher funktionieren die ersten vier Anwendungsbeispiele in diesem Beitrag direkt in Simio mit der KI Ihrer Wahl. Simio unterstützt zudem eingebettete neuronale Netze, die auf Daten trainiert wurden, die von Ihrem eigenen Modell generiert oder im ONNX-Format importiert wurden – für die Art von modellinternen Entscheidungen, die im fünften Anwendungsbeispiel beschrieben werden.
Sehen Sie es in Aktion
Die Beispiele in diesem Beitrag stammen aus einer Live-Sitzung, in der alle fünf Anwendungsfälle in Simio demonstriert wurden. Um jeden einzelnen in Aktion zu sehen, schauen Sie sich die Aufzeichnung des Webinars „KI mit Simio nutzen“ an.
Wenn Sie bereits Simulationssoftware nutzen, die MCP unterstützt, probieren Sie den einfachsten Test aus: Wählen Sie ein Modell aus, mit dem Ihr Team Schwierigkeiten hat, und bitten Sie einen KI-Assistenten, es zu erklären. Innerhalb weniger Minuten werden Sie wissen, ob die Antwort mit dem übereinstimmt, was Sie selbst herausgefunden hätten.