Heute begrüßen wir Innokentij Bogatykh stellvertretend für das dreiköpfige Gründerteam von ModelForge auf unserem Hot Seat. Das Start-up aus Augsburg revolutioniert die KI-basierte Prozessoptimierung für die Chemieindustrie. Wir sprechen mit dem Team über ihre Mission, die Herausforderungen in der Branche und wie ihre Technologie diese adressiert.
Verpassen Sie weiterhin nicht das Spotlight Webinar von ModelForge! 🗓️03.02 ⌚ 11:00, 📍online! Jetzt registrieren:
Hallo liebes Team von ModelForge. Könnt Ihr uns einen Überblick über ModelForge und seine Mission geben?
Chemische Anlagen wirtschaftlich und stabil zu betreiben ist schwierig, weil Entscheidungen oft unter Zeitdruck und mit unvollständigen Informationen in komplexen, dynamischen Systemen getroffen werden. ModelForge baut auf jahrelanger Forschung in Prozessoptimierung auf und nutzt KI, um Mitarbeiter kognitiv zu entlasten und Anlagen effizienter zu fahren. Dafür haben wir eine Plattform entwickelt, mit der sich KI-basierte Assistenzsysteme schnell und passgenau für die jeweilige Anlage und das konkrete Problem erstellen und integrieren lassen.
Welche spezifischen Herausforderungen in der Chemieindustrie adressiert Eure Softwarelösung?
Wir adressieren die Realität im Anlagenbetrieb: Prozesse verändern sich laufend. Klassische Vorhersagemodelle, die für Optimierung eingesetzt werden, verlieren dabei schnell an Performance, und die Systeme degradieren über die Zeit. In der Folge werden modellbasierte Lösungen häufig zu teuren, wartungsintensiven Einzelprojekten mit hohem Aufwand. Die Lösung sind adaptive Prozessmodelle, die sich automatisch an Veränderungen anpassen und sich einfach erstellen lassen. Dadurch bleibt die Systemperformance stabil, und die Einstiegshürde sinkt.
Wie funktioniert die KI-basierte Prozessoptimierung in Eurer Software und welche Vorteile bietet sie im Vergleich zu herkömmlichen Methoden?
Die KI-basierte Prozessoptimierung nutzt KI, um vorherzusagen, wie sich der Prozess entwickeln wird. So werden unerwünschte wie auch gewünschte Betriebszustände früh erkannt, und das System empfiehlt Eingriffe, die den Betrieb näher an das wirtschaftliche Optimum führen. Der Mensch behält dabei immer die Kontrolle. Im Vergleich zu klassischen Methoden lässt sich die Lösung schnell auf eine breite Palette chemischer Prozesse und Anlagen anpassen und kommt ohne laufende Wartung aus. Zudem ist sie so flexibel, dass sie sich auf ähnliche Anlagen übertragen lässt, ohne spürbar an Performance zu verlieren. Damit wird softwaregestützte Prozessoptimierung vom teuren Einzelprojekt zur skalierbaren Flottenlösung.
Könnt Ihr uns Beispiele für erfolgreiche Anwendungen Eurer Werkzeuge in der Industrie nennen?
Die besten Ergebnisse erzielen wir in Batch-Prozessen. Hier variieren die Ausgangsbedingungen von Ansatz zu Ansatz stark. Entscheidungen müssen oft unter Zeitdruck getroffen werden. Zu diesen Prozessen gehören Batch-Reaktionen und Batch-Destillationen. Der optimale Fahrplan lässt sich dort nicht einfach aus festen Rezepten ableiten. Die KI prognostiziert den Batch-Verlauf frühzeitig. Sie macht Abweichungen und kritische Zustände rechtzeitig sichtbar. Außerdem gibt sie konkrete Empfehlungen für die Fahrweise. So laufen Batches schneller und stabiler, und die Anlagenfahrer werden entlastet.
Dr. Innokentij Bogatykh über sich und Model Forge:
Ich habe in meiner Promotion gesehen, dass gute Forschungsansätze oft nicht im Anlagenbetrieb ankommen, weil Integration und ein zuverlässiger Betrieb zu aufwendig sind. Diese Themen werden selten systematisch adressiert, nicht weil sie unwichtig wären, sondern weil sich darüber kaum publizieren lässt. Dass Software seltener abstürzt, sauberer integrierbar ist oder in kurzer Zeit stabil produktiv läuft, ist wissenschaftlich schwer zu verwerten. In der Praxis sind genau diese Faktoren jedoch häufig das Zünglein an der Waage.
Deshalb haben meine Co-Founder und ich ModelForge gegründet, um neueste KI-Methoden so bereitzustellen, dass sie robust im Betrieb laufen, sich schnell integrieren lassen und einen klaren wirtschaftlichen Nutzen liefern.
