Apollo Tyres: Die KI, die Produktionsverschnitt reduziert

Ein Instabilitätsfenster bei jedem Rezeptwechsel

Jeder Rezeptwechsel an einer Extrusionslinie öffnet ein Instabilitätsfenster, und genau dort leistet eine KI, die Produktionsverschnitt reduziert, ihre beste Arbeit.

Für einige Minuten kommt die Mischung außerhalb der Spezifikation heraus und muss überarbeitet oder verschrottet werden. In einer Hochvarianten-Fabrik öffnet sich dieses Fenster dutzende Male pro Tag.

Apollo Tyres hat sich für die Schließung mit einem hausinternen Regelungssystem entschieden. Die indische Unternehmensgruppe mit Hauptsitz in Gurgaon und Produktionsstätten in Indien und Europa hat ein Vorhersagemodell auf der Edge und einen Agenten platziert, der die Linie während der Produktion korrigiert. Der Fall wird im AWS for Industries Blog zusammen mit Harsh Vardhan, Global Head des Digital Innovation Hub von Apollo Tyres, beschrieben.

Die interessante Wahl liegt im Verb: hausinternen entwickelt, nie eingekauft.

Die Originalidee: Den Regelkreis auf einem sicheren Stellantrieb schließen

Die Originalidee ist in ihrer Form fast trivial und in der Praxis selten: den Regelkreis schließen.

Klassische Systeme arbeiten nach dem Prinzip der Vorsteuerung: Sie stellen die Parameter beim Start ein und hoffen, dass das Material folgt. Apollo Tyres hat die Logik umgekehrt. Der Regler misst das Laufflächenprofil und die Seitenwand bei jedem Messzyklus, vergleicht den Wert mit der Spezifikation und korrigiert automatisch die Liniengeschwindigkeit, sobald er eine Abweichung erkennt.

Das Vorhersagemodell schätzt die optimale Startgeschwindigkeit zum Zeitpunkt des Rezeptwechsels. Es arbeitet mit über 40 kritischen Variablen innerhalb eines Satzes von über 200 Prozessmerkmalen.

Die Feinheit liegt in der Wahl des Stellantriebs. Von hunderten beobachteten Größen steuert das System eine: die Liniengeschwindigkeit. Ein enger Regelkreis auf einem sicheren Stellantrieb macht das Verhalten vorhersehbar, überprüfbar und für die Arbeitskräfte in der Fertigung akzeptabel.

Die Zahlen und ihre Herkunft

Die veröffentlichten Zahlen sind vier, und es lohnt sich, sie zu trennen.

• Branchenkontext: 30–35 Umrüstungswechsel pro Tag in einer Hochvarianten-Anlage
• Struktureller Verlust: 5–6% des Produktionsvolumens in der Überarbeitung beim Hochfahren verbrannt
• Ergebnis: Stabilisierungszeit um etwa 40% gesunken, Überarbeitung beim Hochfahren um etwa 26% gesunken
• Reife: Etwa 44% der KI- und Machine-Learning-Initiativen kommen in Produktion

Alle vier Zahlen stammen aus derselben Quelle, dem von AWS for Industries veröffentlichten und vom Unternehmen mitunterzeichneten Beitrag^[1]: vom Protagonisten erklärtes Ergebnis, mit vollständig beschriebener Funktionsweise.

Die Metrik, die für einen Werksdirektor zählt, ist die zweite, da sie den Nenner bestimmt. Die 5–6% verlorenes Volumen ist die Gesamtmenge; die 26% ist der von dieser Gesamtmenge wiedergewonnene Anteil. Eine echte Rentabilität wird dort berechnet, nie bei der isolierten Prozentziffer.

Es gibt dann die Differenz zwischen den beiden Ergebniszahlen. Die Stabilisierungszeit sinkt stärker als die Überarbeitung (40% gegenüber 26%), ein Zeichen dafür, dass der geschlossene Regelkreis die kritische Phase kürzer macht als er Material außerhalb der Spezifikation eliminiert. Das Spiel bleibt in der Schlussphase offen.

Die Vermittlung: Der Mensch bleibt über dem Regelkreis

Hier kommt der Teil, der diesen Fall wirklich wertvoll macht: die Vermittlung.

Ein geschlossener Regelkreis an einer Extrusionslinie ist ein System, das das Produkt autonom beeinflusst. Apollo Tyres hat dies mit zwei expliziten Einschränkungen akzeptiert: Sicherheitsvorkehrungen und Human-on-the-Loop-Überwachung.

Der Mensch bleibt über dem Regelkreis, sieht die Korrektionen und kann sie stoppen. Dies ist eine bewusste Begrenzung des Umfangs, nie ein Rückschritt. Eine Alternative, eine vollständig autonome Kontrolle über Dutzende von Parametern, hätte die Fehlerausfallmoden vervielfacht und die Qualitätsvalidierung beschwert.

Wer ähnliche Projekte leitet, kennt den typischen Fehlerpunkt: Die Fertigung schaltet das System bei der ersten merkwürdigen Korrektur aus. Ein enger Regelkreis mit dem Menschen oben übersteht den ersten Monat. Dies ist, mehr als die Prozentangaben, die Entscheidung, die erklärt, warum die Lösung noch aktiv ist.

Die ehrlichste Zahl ist die 44%

Die aufschlussreichste Zahl der Geschichte ist der Anteil der Initiativen, die in Produktion gehen.

Etwa 44% bedeutet, dass ein großer Teil der KI-Projekte der Gruppe vor der Produktionslinie stehen bleibt: Prototypen, Tests, Dinge, die im Labor laufen und sich vor der Fabrik stoppen. Eine Marketing-Mitteilung hätte diese Ziffer aus dem Text herausgehalten.

Ihre Veröffentlichung ändert die Interpretation des gesamten Falls. Der geschlossene Regelkreis bei der Extrusion ist der Überlebende aus einem Portfolio, nie ein isolierter Glücksfall.

Für die Entscheidungsträger liegt die praktische Lehre im Verhältnis. Eine Pipeline von Versuchen ist nötig, um einen industriellen Erfolg zu erzielen, und eine gemeinsame Datenplattform ist nötig, um den zehnten Versuch wirtschaftlich zu machen. Apollo Tyres hat zuerst die Cloud-native Datenplattform gebaut, dann die Modelle darauf platziert: die Reihenfolge dieser beiden Schritte erklärt die Prozentziffer.

Hausinterner Entwicklung schlägt Standardlösung

Der Fall stärkt eine These, die sich bei erfolgreichen Industrie-Deployments immer wieder zeigt: Wer den Prozess versteht, baut besser als wer die Lösung verkauft.

Die APC von Apollo Tyres entsteht im Digital Innovation Hub der Unternehmensgruppe. Der Cloud-Anbieter stellt die Bausteine bereit (die MLOps-Pipeline läuft auf Amazon SageMaker und Amazon Bedrock), die Domänenkompetenz bleibt beim Unternehmen.

Der praktische Unterschied liegt im Verbesserungszyklus. Ein internes Team ändert die Abweichungsschwelle am selben Tag, an dem der Fertigungsleiter sie diskutiert; ein externer Anbieter eröffnet ein Ticket.

Dieselbe Richtung zeigt sich anderswo. Forrester vertrittdie Ansicht, dass private KI in B2B-Marketing-Anwendungsfällen öffentliche KI schlagen wird^[2], aus ähnlichen Gründen: proprietäre Daten, spezifischer Kontext, Kontrolle über den Lebenszyklus des Modells. Das Muster durchzieht die Branchen.

Wie viel ist dieses Ergebnis wirklich wert

Eine methodische Klarstellung ist nötig, um den Kreis mit Präzision zu schließen.

Die zwei Schlüsselzahlen stammen aus einem Text, den das Unternehmen und sein Cloud-Anbieter mitunterzeichnet haben. Dies ist ein vom Protagonisten erklärtes Ergebnis, das auf unabhängige Bestätigung wartet.

Es fehlen auch drei Informationen, die ein anspruchsvoller Leser wünschen würde: der Zeitrahmen des Vorher-Nachher-Vergleichs, die Anzahl der abgedeckten Linien und der absolute Wirtschaftswert der Einsparung. Die zwei Ziffern bleiben glaubwürdig in ihrer Größenordnung und für den beschriebenen, mit der Prozesspysik kohärenten Mechanismus. Sie sind zu verstehen als das, was sie sind: im Haus gemessene Unternehmensergebnisse.

Diese Unterscheidung gilt für jeden Industriefall. Eine von Dritten verifizierte Zahl wiegt schwerer; eine mit erklärtem Mechanismus erklärte Zahl wiegt jedoch immer noch schwerer als ein begeistertes Adjektiv.

Was du mitnehmen kannst

Drei Dinge, die auch außerhalb der Reifenproduktion übertragbar sind.

Erstens: Suche nach dem kleinen und wiederkehrenden Verlust, den die Gewinn- und Verlustrechnung verschleiert. Fünf Punkte Volumen in Verlusten beim Hochfahren wiegen mehr als viele Innovationsprojekte mit glänzendem Namen.

Zweitens: Schließe den Regelkreis auf einen Stellantrieb nach dem anderen. Ein Stellantrieb, eine Messung, eine Schutzvorrichtung, eine Person, die von oben überwacht.

Drittens: Halte das Modell nah bei dem, der den Prozess versteht, und kaufe nach außen nur die Infrastruktur.

Es bleibt eine offene Frage, gut für jede Organisation. Welcher deiner Prozesse erzeugt einen systematischen Verschnitt bei jedem Übergangspunkt, und welche Größe könntest du bei jedem Zyklus messen, um sie automatisch zu korrigieren?