Ford betreibt Smartphone-basierte Qualitätskontrolle in 27 Werken. Was das für den Rest der Fertigung bedeutet.
Fords hauseigenes Mobile AI Vision System (MAIVS) ist inzwischen eine der weltweit größten Smartphone-basierten Qualitätssicherungs-Installationen. Branchenberichte verorten MAIVS bei rund 700 Arbeitsstationen an etwa 20 Standorten weltweit, mit bereits zig Millionen abgeschlossenen Prüfungen.
Das ist größer als die meisten klassischen Machine-Vision-Installationen. Und es ist das bisher deutlichste Signal, dass Smartphone-basierte Prüfung die Experimentierphase hinter sich gelassen hat.
Was Ford tatsächlich gebaut hat
MAIVS kombiniert handelsübliche Smartphones mit On-Device-KI-Modellen, die Teile an der Linie prüfen. Die Smartphones sitzen in festen Halterungen. Sie machen bei jedem Teil ein Foto. Die Inferenz läuft lokal auf dem Gerät, und das System markiert auffällige Teile, bevor sie weiterwandern.
Ford hat das intern nach einer Reihe kostspieliger Rückrufe entwickelt. Ein Popular-Science-Profil über Walter LaPlante, den Engineer hinter dem Programm, beschreibt, wie MAIVS aus einem Pilot in Chicago zu einem globalen Rollout skaliert ist. Das System fängt Probleme ab, die sonst erst bei der Auslieferung oder schlimmer, beim Händler, auftauchen würden.
Der Trainingsansatz ist der Teil, den die meisten Hersteller überraschend finden. Die Werker markieren Gut- und Schlechtteile direkt in der App. Das Modell lernt daraus. Es gibt kein spezialisiertes Data-Science-Team, das die Modelle betreibt. Das macht die Linie.
Warum das über Ford hinaus wichtig ist
Zwei Dinge machen den Ford-Case für die gesamte Branche relevant.
Erstens die Größenordnung. Rund 700 Arbeitsstationen an etwa 20 Standorten sind ein Deployment-Footprint, den kaum ein Tier-1-Zulieferer mit fester Bildverarbeitung jemals erreichen wird. Diese Zahl ist nur tragbar, weil die Hardware ein handelsübliches Smartphone ist und nicht eine Industriekamera für 10.000 Euro plus Objektiv plus SPS plus Beleuchtung. Design News berichtet von Größenordnungen-Einsparungen bei vergleichbaren Smartphone-Linien, was zu dem passt, was wir in unseren eigenen Deployments sehen.
Zweitens die Methode. Das Worker-in-the-Loop-Training, das Ford nutzt, ist genau das Muster, das die breitere Smartphone-Prüfungs-Kategorie definiert. Modelltraining wandert raus aus Spezialistenteams und rein in die Hände von Linienverantwortlichen, die wissen, wie "gut" in ihrer Fertigung aussieht.
Die Lücke, die der Rest der Branche schließen muss
Die meisten Hersteller können kein MAIVS bauen. Ford hatte die Größe, um ein internes Engineering-Team, eine eigene Trainings-Pipeline und ein mehrjähriges Change-Management-Programm zu rechtfertigen. Tier-1-Zulieferer, mittelgroße OEMs und die Mittelständler, mit denen wir arbeiten, sind für so einen Eigenbau nicht aufgestellt.
Was die Ford-Story wirklich beweist, ist dass die zugrunde liegende Technologie im Maßstab funktioniert. Die offene Frage ist, wie Teams ohne Fords Größe dieselben Vorteile ohne denselben Engineering-Aufwand bekommen.
Genau daran arbeiten wir bei Enao. Unsere Plattform erlaubt es einer Linienführung, eine Smartphone-basierte Prüfstation in ungefähr vier Stunden einzurichten und in fünf Tagen produktiv zu nehmen. Kein internes ML-Team nötig. Die Hardware ist ein iPhone, eine Halterung und optionale Beleuchtung. Das Modell lernt aus den Gut- und Schlechtteil-Markierungen der Werker, nach demselben Muster wie MAIVS.
Die Kategorie hat die Kipppunkt-Phase erreicht
Mit Fords öffentlichem Commitment auf Smartphone-Prüfung in dieser Größenordnung hat sich die Konversation geändert. Qualitätsverantwortliche, die einen Referenzfall brauchten, haben jetzt einen. Finanzteams, die bei Consumer-Hardware in der Produktion skeptisch waren, haben jetzt ein Gegenbeispiel mit rund 700 Arbeitsstationen.
Wenn Du die Kategorie evaluierst, ist der Ford-Case das untere Ende dessen, was möglich ist, nicht die Decke. Kleinere Teams müssen Fords Engineering-Investment nicht nachbauen. Sie brauchen eine Plattform, die denselben Ansatz nutzt und ihn ab Regal kaufbar macht.
Einen breiteren Vergleich zwischen Smartphone-basierter Prüfung, fester Bildverarbeitung und den anderen Anbietern am Markt findest Du in unserem Vergleich der Anbieter für KI-Sichtprüfung, unserem Guide zu Machine-Vision-Systemen und unserer Übersicht zu Anwendungsfällen in der Fertigung.
Setzt Du iPhone-basierte Prüfung ein oder evaluierst die Kategorie? Tausch Dich mit anderen Teams in unserer Community aus.
Jetzt starten
Möchtest Du sehen, wie Enao Vision auf Deiner Linie funktioniert? Du kannst kostenlos starten mit einem iPhone, das Du schon hast, oder der Community beitreten, um Dich mit anderen Qualitäts- und Produktionsteams auszutauschen, die KI auf den Shopfloor bringen.
