„In der Praxis werden ML-Modelle vielmehr zu einem Werkzeug, das den Entwickler unterstützt und seine Arbeit effizienter macht.“

Inwieweit können KI-gestützte Formulierungen und prädiktive Modellierung die Entwicklung heute realistisch beschleunigen?

Dr. Marco Tapken: Einen der größten Effekte der aktuellen KI-Entwicklung sehe ich zunächst an ­einer anderen Stelle, als häufig vermutet wird: im Umgang mit Daten. Die rasanten Fortschritte rund um große Sprachmodelle zeigen eindrucksvoll, welches Potenzial entsteht, wenn große Mengen qualitativ hochwertiger und strukturierter Daten zur Verfügung stehen. Für die industrielle Lackentwicklung bedeutet das vor allem, dass wir grundlegend darüber nachdenken müssen, wie wir Daten erzeugen, strukturieren und langfristig nutzbar machen. Mein Lieblingssatz dazu: „Daten sind das Rohöl des 21. Jahrhunderts – und Uncountable ist unsere Raffinerie, um daraus Treibstoff zu gewinnen.“ Erst wenn Daten in ausreichender Qualität und Struktur vorliegen, können Machine-Learning-Methoden ihr volles Potenzial entfalten. Ein wichtiger Schritt besteht daher darin, klassische lineare Screeningreihen zu verlassen und stärker multidimensionale Datensätze zu erzeugen, beispielsweise durch Design-of-Experiments-Ansätze. Parallel dazu müssen Entwickler ein besseres Verständnis für statistische Modelle und Machine Learning (von einfachen Regressionsansätzen bis hin zu komplexeren probabilistischen Modellen) entwickeln.

Spannend ist hier unsere Erfahrung aus meinem Bereich der Coloristik: Systeme von Unternehmen wie X-Rite oder ­Datacolor sind deshalb so leistungsfähig, weil sie nicht nur statistische Ausgleichsrechnungen verwenden, sondern physikalisch fundierte Modelle der Lichtstreuung und ­Absorption in Pigmentsystemen berücksichtigen. Die Einbindung solcher physikalischen ­Modelle führt dazu, dass bereits mit relativ ­wenigen Messpunkten sehr präzise Vorhersagen möglich sind. Dies haben wir mit den ­gleichen Daten und Machine Learning nicht geschafft. Aus meiner Sicht liegt daher eine große Chance darin, statistisch-physikalische Modelle und maschinelles Lernen miteinander zu kombinieren. Statistische Modelle können zunächst robuste Datensätze erzeugen, die anschließend genutzt werden, um Machine-Learning-Modelle zu trainieren, die das statistische Modell übertreffen werden.

Gleichzeitig sollte man die Erwartungshaltung realistisch halten: Die Vorstellung, dass KI in absehbarer Zeit vollständig autonom neue Lackformulierungen entwickelt, halte ich für nicht realistisch. In der Praxis werden ML-Modelle vielmehr zu einem Werkzeug, das den Entwickler unterstützt und seine Arbeit effizienter macht. Wenn Datenqualität, Mess­systeme und Versuchsplanung stimmen, lassen sich bereits heute spürbare Effizienzgewinne erzielen. In einzelnen Projekten konnten wir beispielsweise rund 20 bis 25 % der notwendigen Versuche einsparen, indem wir Modelle zur Vorhersage von Eigenschaften genutzt haben. Gleichzeitig zeigen sich die Grenzen sehr schnell, wenn Daten unstrukturiert erhoben werden oder Messsysteme nicht ausreichend präzise sind. Der bekannte Grundsatz „Garbage in, garbage out“ gilt daher auch für ML-gestützte Entwicklung unverändert. Der eigentliche Hebel liegt daher weniger in den Algorithmen selbst, sondern in einer konsequenten Datenstrategie, hochwertiger Messtechnik und einer experimentellen Planung, die Daten gezielt für datengetriebene Methoden erzeugt.

Wie können digitale Hilfsmittel zu einem besseren Verständnis komplexer Wechselwirkungen innerhalb von Rezepturen beitragen?

Tapken: Eine der größten Herausforderungen in der Lackentwicklung besteht darin, komplexe Zusammenhänge zwischen Rohstoffen, Additiven und den resultierenden Eigenschaften einer Formulierung zu verstehen. Besonders Rohstoffschwankungen stellen dabei in vielen Anwendungen ein zentrales Problem dar, da sie sich häufig erst in der finalen Performance eines Systems bemerkbar machen. Gleichzeitig ist es in der Praxis oft schwierig, Daten zu einzelnen Rohstoffchargen systematisch mit den Eigenschaften der fertigen Formulierung zu verknüpfen. Klassische Datenstrukturen, etwa in Tabellenkalkulationen, stoßen hier schnell an ihre Grenzen, da sie Beziehungen zwischen Formulierungsparametern, Rohstoffdaten und Prüfergebnissen nur sehr eingeschränkt abbilden können.

Moderne digitale Entwicklungsplattformen ermöglichen es dagegen, solche Daten strukturiert miteinander zu verknüpfen und statistisch auszuwerten. In einem Projekt konnten wir beispielsweise über eine Korrelationsanalyse einen möglichen Zusammenhang zwischen der Kratzfestigkeit eines Lacks und dem eingesetzten Entschäumer identifizieren. Obwohl eine Korrelation zunächst nur eine Hypothese darstellt, bestätigten gezielte Folgeversuche diesen Zusammenhang tatsächlich. In einem anderen Fall führten starke rheologische Schwankungen bei der Produktion einer Titandioxidpaste zunächst zu intensiven Untersuchungen der Rheologieadditive. Erst eine datenbasierte Analyse machte sichtbar, dass Chargenschwankungen des Pigments die Ursache des Problems waren. Digitale Tools können solche Zusammenhänge innerhalb von Sekunden sichtbar machen und helfen Entwickler:innen dabei, die richtigen Hypothesen zu formulieren und gezielte Experimente abzuleiten.

Ein weiterer entscheidender Faktor ist die systematische Erfassung aller (auch der scheinbar „gescheiterten“) Experimente. Gerade negative Experimente enthalten häufig wertvolle Informationen über die Grenzen eines Systems und sind für Machine-Learning-Ansätze besonders relevant. Wenn beispielsweise eine Formulierung vollständig geliert oder ein Prüfkriterium nicht mehr messbar ist, sollte diese Information dennoch strukturiert im Datensatz abgebildet werden. Nur so kann ein Modell lernen, welche Parameterkombinationen problematisch sind. Digitale Systeme helfen zudem dabei, Rohstoffinformationen, Prüfdaten und Formulierungsparameter in einer gemeinsamen Datenstruktur zu erfassen und damit erstmals systematisch Beziehungen zwischen diesen Ebenen sichtbar zu machen. Gleichzeitig ermöglichen sie es, Methoden wie ­Design of Experiments, Korrelations­analysen oder Machine­Learning-Modelle direkt in den Entwicklungsprozess zu integrieren. Voraussetzung für den erfolgreichen Einsatz solcher Systeme ist jedoch nicht nur die Technologie selbst, sondern auch ein kultureller Wandel innerhalb der Organisation. Entwickler:innen müssen lernen, stärker datengetrieben zu arbeiten und statistische Methoden als Teil ihres täglichen Werkzeugkastens zu verstehen. Wenn dieser Wandel gelingt, können digitale Plattformen die Effizienz der Lackentwicklung erheblich steigern und gleichzeitig zu einem deutlich besseren Verständnis komplexer Formulierungssysteme beitragen.

Veranstaltungstipp

• Artikel speichern
• Diesen Artikel drucken