Ein ERC-Grant für EPFL-Professorin Maryam Kamgarpour – und was ihre KI-Forschung zu Multi-Agenten und stochastischer Regelung ganz konkret für die Schweizer Industrie bedeutet.
Präzision trifft KI: Warum dieser ERC-Grant für die Industrie zählt
2025 hat der Europäische Forschungsrat einer Professorin an der EPFL einen prestigeträchtigen ERC Consolidator Grant zugesprochen: Maryam Kamgarpour. Hinter dieser Meldung steckt mehr als akademische Ehre. Für die Schweizer Industrie ist das ein Signal: Multi-Agenten-Lernen und stochastische Regelung wandern aus der Theorie direkt an die Werkbank.
Wer in der Produktion Verantwortung trägt – ob in der Präzisionsfertigung, im Maschinenbau oder in der Prozessindustrie – steht vor denselben Fragen: Wie halte ich Qualität stabil, obwohl die Prozesse komplexer werden? Wie reduziere ich Stillstände, ohne überall Sicherheitsreserven zu verschwenden? Und wie bringe ich Mensch, Roboter und Software so zusammen, dass am Ende ein wirtschaftlicher Vorteil entsteht?
Die Forschung von Kamgarpour zielt genau auf diese Schnittstelle: KI-gestĂĽtzte Optimierung in unsicheren, dynamischen Umgebungen. Also genau das, was eine moderne Fabrik ist.
Was hinter Kamgarpours Forschung steckt – in Klartext
Der ERC Consolidator Grant fördert Projekte, die schon exzellent gestartet sind und nun auf das nächste Niveau gehoben werden sollen. Im Fall von Maryam Kamgarpour geht es um Multi-Agenten-Lernen und Regelung in stochastischen Umgebungen.
Kurz gesagt:
Wie können viele „Akteure“ – Maschinen, Roboter, Software-Agenten – gemeinsam Entscheidungen treffen, obwohl die Umgebung unsicher ist und sich ständig ändert?
Multi-Agenten-Systeme: Mehrere Akteure, ein Ziel
In einer typischen Schweizer Produktionshalle arbeiten längst nicht mehr nur einzelne, isolierte Maschinen. Man findet:
- CNC-Zentren mit automatisierten Spannsystemen
- Robotersysteme fĂĽr Handling, Montage oder Palettierung
- Fördertechnik, Lagerlogistik, fahrerlose Transportsysteme (FTS/AGV)
- Qualitätsmesssysteme inline und offline
Jedes dieser Systeme trifft Entscheidungen: Wann starte ich den nächsten Zyklus? Welche Palette bearbeite ich zuerst? Wo schicke ich das FTS hin?
Multi-Agenten-Lernen untersucht, wie solche Einheiten gemeinsam so lernen können, dass am Ende das Gesamtsystem besser wird – nicht nur ein einzelner Roboter.
Stochastische Umgebungen: Realität statt Labor
„Stochastisch“ heisst: Es gibt Zufall und Unsicherheit. In der Industrie ist das der Normalfall:
- Lieferungen kommen früher oder später als geplant
- Werkzeugverschleiss verläuft nicht immer gleich
- Nachfrage schwankt und reiĂźt LĂĽcken in die Planung
- Sensoren liefern manchmal verrauschte oder fehlerhafte Daten
Kamgarpours Forschung setzt genau hier an: robuste KI-Methoden, die mit diesen Unsicherheiten umgehen, statt sie zu ignorieren. Das ist der entscheidende Unterschied zu vielen hĂĽbschen, aber wenig praxistauglichen KI-Demos.
Konkreter Nutzen fĂĽr die Schweizer Fertigungsindustrie
FĂĽr Produktionsleiter, Betriebsingenieure und Werkleitende ist eine Frage zentral: Was bringt mir das konkret? Die BrĂĽcke von der EPFL-Forschung zur Fabrikhalle ist klarer, als viele denken.
1. Vorausschauende Wartung, die mehr kann als Alarme schicken
Viele Unternehmen haben bereits erste Projekte zur vorausschauenden Wartung (Predictive Maintenance) gestartet. Oft bleiben sie aber auf halbem Weg stehen:
- Das System meldet einen potenziellen Ausfall, aber niemand weiss, wie das in die Feinplanung passt.
- Mehr Alarme führen zu „Alarmmüdigkeit“ – am Ende reagiert doch wieder nur der Schichtleiter nach Bauchgefühl.
Mit Multi-Agenten-Lernen lässt sich ein Schritt weitergehen:
- Das Wartungs-KI-Modell ist ein Agent unter vielen.
- Produktionsplanung, Lager und Instandhaltung sind ebenfalls Agenten.
- Alle verhandeln in Sekundenbruchteilen, wann eine Maschine in die Wartung geht – abhängig von Auftragsprioritäten, Ersatzteilbestand und verfügbaren Fachkräften.
So entsteht kein starres Wartungsfenster mehr, sondern ein dynamisch optimierter Wartungsplan, der Qualität und Liefertermine berücksichtigt. Genau hier liegt die Stärke des Forschungsfelds von Kamgarpour.
2. Prozessoptimierung in unsicheren Umgebungen
Die Schweizer Präzisionsindustrie lebt von engen Toleranzen. Gleichzeitig ist der Druck auf Durchsatz und Kosten hoch. Klassische Optimierung geht von stabilen Rahmenbedingungen aus – die Realität kennt aber:
- stark schwankende Losgrössen
- kurzfristige Eilaufträge
- Variabilität bei Materialchargen
Stochastische Regelung und KI-basierte Optimierung bieten hier einen robusterem Ansatz:
- Parameter werden nicht einmalig „eingestellt“, sondern kontinuierlich angepasst.
- Das System lernt aus Prozessdaten, wie es bei unterschiedlichen Störungen reagieren soll.
- Es bewertet die Risiken verschiedener Einstellungen (z.B. höherer Durchsatz vs. Ausschussrisiko).
Die Folge: stabilere Qualität bei gleichzeitig höherer Auslastung. Für Branchen wie MedTech, Uhrenindustrie oder High-End-Maschinenbau ist das ein sehr direkt messbarer Wettbewerbsvorteil.
3. Intelligente Koordination von Robotik und Mensch
Schweizer Werke setzen zunehmend auf kollaborative Roboter, fahrerlose Transportsysteme und flexible Automationsinseln. Die Herausforderung ist nicht, einen einzelnen Roboter zu programmieren, sondern das Zusammenspiel:
- Wer bekommt welchen Auftrag zuerst?
- Wo entstehen Engpässe, wo entstehen Leerlaufzeiten?
- Wie passen menschliche Arbeitsplätze sinnvoll in dieses System?
Multi-Agenten-Ansätze modellieren jeden Akteur – Mensch eingeschlossen – als Agent mit Fähigkeiten, Zeitbudgets und Einschränkungen. Die Methoden aus Kamgarpours Umfeld ermöglichen:
- dynamische Auftragsvergabe in Echtzeit
- automatische Anpassung bei Störungen (z.B. Krankheitsfall, Anlagenstörung)
- transparente Priorisierung nach Liefertermin, Marge, RĂĽstaufwand
Das Ergebnis ist eine flüssigere, resilientere Produktion, ohne die Belegschaft mit ständigen Ad-hoc-Umplanungen zu überfordern.
Warum der ERC-Grant ein Standortsignal fĂĽr die Schweiz ist
Ein ERC Consolidator Grant ist nicht einfach ein Forschungspreis. Er ist auch ein Wettbewerbssignal im globalen Rennen um KI-Kompetenz.
Schweizer Stärke: Verbindung von Forschung und Industrie
Die Schweiz hat traditionell einen Vorteil:
- starke Hochschulen (EPFL, ETH, Fachhochschulen)
- dichtes Netz an industriellen Hidden Champions
- hohe Bereitschaft, in Qualität und Technologie zu investieren
Wenn eine EPFL-Professorin im Bereich Systems Control and Multiagent Optimization einen ERC-Grant erhält, heisst das: Dieses Themenfeld wird in den kommenden Jahren substanziell weiterentwickelt – direkt an einer Institution, die eng mit der Industrie verbunden ist.
FĂĽr Schweizer Unternehmen bedeutet das:
- Zugang zu Top-Talenten mit praxisrelevantem KI-Know-how
- Projekte, in denen neueste Forschungsansätze direkt in Pilotanwendungen einfließen
- Chancen für Kooperationen mit klarer industrieller Zielsetzung – etwa in den Feldern Qualitätskontrolle, Robotik, Energieoptimierung oder Intralogistik
Von der Publikation zur Produktivlinie
Viele Entscheider haben schlechte Erfahrungen mit „Forschungsprojekten“ gemacht, die in PowerPoint enden. Der Unterschied bei Themen wie Multi-Agenten-KI und stochastischer Regelung: Sie sind per Definition anwendbar, weil sie reale Unsicherheit adressieren.
Erfolgreiche Transferprojekte folgen meist einem ähnlichen Muster:
- Klare industrielle Zielgrösse definieren (z.B. -20 % Stillstände, +15 % OEE, -30 % Ausschuss)
- Relevante Agenten identifizieren (Maschinen, Lager, Bediener, Planer, Servicepartner)
- Datenbasis sichern (Maschinendaten, Qualitätsdaten, Auftragsdaten, Störungsprotokolle)
- Simulationsumgebung aufbauen, in der KI-Ansätze getestet werden
- Schrittweise in den realen Betrieb überführen – zuerst auf Teilprozesse, dann auf die Linie, dann auf das Werk
Genau diese strukturierte Herangehensweise passt sehr gut zu schweizerischer Ingenieurskultur: systematisch, präzise, messbar.
Wie Unternehmen jetzt konkret von dieser Entwicklung profitieren können
Die Frage ist nicht, ob KI Einzug in die Schweizer Industrie hält. Sie ist längst da. Die Frage ist: Wer nutzt sie strukturiert und wer bleibt im Pilotprojekt-Stadium hängen?
1. KI-Strategie auf reale Unsicherheit ausrichten
Viele KI-Roadmaps sind zu techniklastig und unterschätzen die Rolle von Unsicherheit. Wer die Denkschule von Kamgarpours Forschung aufgreifen will, sollte:
- Projekte priorisieren, bei denen Unsicherheit heute teuer ist (Störungen, Nacharbeit, Lieferverzug)
- nicht nur Modelle zur Vorhersage bauen, sondern auch Regelungs- und Entscheidungslogik mitdenken
- von Beginn an Multi-Agenten-Perspektiven berĂĽcksichtigen: Planung, Produktion, Service, Einkauf
2. Daten- und Simulationskompetenz ausbauen
Robuste KI fĂĽr stochastische Umgebungen braucht drei Dinge:
- verlässliche Zeitreihendaten von Maschinen und Prozessen
- kontextreiche Metadaten (Welcher Auftrag? Welcher Bediener? Welches Material?)
- digitale Zwillinge oder Simulationsmodelle, um Lernverfahren ohne Produktionsrisiko zu testen
Wer hier in den nächsten 12–24 Monaten investiert, schafft die Grundlage, um fortgeschrittene Methoden aus der Forschung zeitnah produktiv einsetzen zu können.
3. Kooperation mit Forschungseinrichtungen aktiv suchen
Gerade in Themen wie Multi-Agenten-Lernen und stochastischer Regelung lohnt es sich, nicht alles selbst erfinden zu wollen. Sinnvoll sind etwa:
- gemeinsame Pilotprojekte mit Hochschulen
- Industrie-PhD-Programme zu klar definierten Produktionsproblemen
- Teilnahme an Forschungsclustern rund um KI in der Industrie
Die Erfahrung zeigt: Unternehmen, die früh in solche Kooperationen einsteigen, bauen intern schneller Kompetenz auf und sind später nicht von externen „Black-Box“-Lösungen abhängig.
Ausblick: Präzisionsindustrie mit intelligenter Regelung
Die Serie „KI in der Schweizer Industrie: Präzision mit Intelligenz“ dreht sich genau um diesen Punkt: Wie lässt sich der traditionelle Schweizer Anspruch an Perfektion mit moderner KI verbinden, ohne die Kontrolle zu verlieren?
Der ERC Consolidator Grant für Maryam Kamgarpour ist ein Baustein in diesem Bild. Er zeigt: Die Methoden, die wir für die nächsten Produktivitäts- und Qualitätsstufen brauchen, entstehen heute in Reichweite der Schweizer Industrie.
Wer jetzt beginnt,
- Unsicherheit im eigenen Betrieb messbar zu machen,
- Daten und Simulation konsequent aufzubauen und
- sich für Kooperationen mit der Forschung zu öffnen,
wird in wenigen Jahren nicht nur stabiler produzieren, sondern schneller reagieren, besser planen und Qualität präziser steuern können.
Die eigentliche Frage lautet daher: Wo in Ihrer Produktion wäre intelligente, KI-basierte Regelung heute schon Gold wert – und was brauchen Sie, um im nächsten Jahr den ersten Schritt zu machen?