KI-Anwendungsfälle von After Sales bis Zielgruppenselektion

In der Forschung und Entwicklung

KI-Lösungen im Bereich F&E ermöglichen das datengetriebene Gestalten von Produkten. Mit KI ist es praktisch so, als schauten F&E-Experten den Kunden über die Schulter. Wann, wie oft und wie intensiv ein Kunde eine Maschine nutzt, verrät eine Auswertung der Einsatzdaten, die über Sensoren gewonnen werden. Bündelt ein Hersteller diese Daten, kann er mittels Machine Learning Nutzergruppen innerhalb der Kundschaft identifizieren und in die Produktentwicklung einfließen lassen. Beispiel Bohrmaschine: Viele Kunden nutzen diese nur selten und kurz, ein kleines Cluster hingegen lang und oft bei maximaler Leistung. Fließt diese Erkenntnis in die Produktentwicklung ein, könnte die neue Bohrmaschinen-Generation aus weniger leistungsstarken Bauteilen bestehen, ergänzt um eine leistungsstärkere Profi-Variante.

Im Fall gänzlich neuer Produkte hilft KI ebenfalls, etwa mit aufwendigen Simulationen. Ein Anwendungsfall, der insbesondere für die chemische Industrie interessant ist. Hier sind vorab Produkteigenschaften wie Langlebigkeit oder Reaktionen auf Umweltbedingungen gewünscht. In klassischen F&E-Projekten führten Forscher dazu umfangreiche Labortests durch. Mit maschinellem Lernen können KI-Anwendungen diesen Prozess simulieren. Besonders vielversprechende Stoffkombinationen nehmen die Forscher näher unter die Lupe, die Datennutzung reduziert jedoch den Aufwand und nutzt Ressourcen effizienter.

In der Werkhalle

In der Produktion schlägt das Herz der Fertigungsindustrie. Hier schaffen Unternehmen Werte. Seit jeher optimieren Betriebe ihre Produktionsabläufe, um einen Vorsprung gegenüber Wettbewerbern zu erreichen. KI-Anwendungen helfen dabei. Ein Beispiel sind digitale Assistenten, die das Personal unterstützen. Aufgrund des Fachkräftemangels müssen Unternehmen oftmals personelle Engpässe ausgleichen. Umso wichtiger ist ihr flexibler Einsatz. KI-gestützte digitale Assistenten erleichtern dies.

Dahinterliegende Systeme werden mit Daten aus echten Arbeitsabläufen trainiert, etwa Kameraaufnahmen von Handgriffen oder Werkzeugen. Durch eine Mustererkennung und -analyse ist es in der Lage, Arbeitsschritte zu identifizieren und Mitarbeitenden bei Bedarf zu assistieren. Sie lernen unbekannte Arbeitsabläufe und Systeme so schneller kennen. Die Anleitung des virtuellen Coaches erfolgt mittels Text-to-Voice- oder Voice-to-Text-Lösungen – ebenfalls KI-Anwendungen.

Artikelnummer, Farbcode, Lagerort: In den Stammdaten sind alle einem Produkt zugehörigen Attribute und Varianten hinterlegt. Damit komplex gestaltete Produktionsabläufe reibungslos funktionieren, sind korrekte Stammdaten wichtig. Falschangaben können von Ärgernissen wie einem falsch ausgegebenen Lagerplatz bis hin zu kostspieligen Fehlproduktionen führen. In wachsenden Datenbergen wird die Pflege jedoch zur Herausforderung. KI hilft, die Situation in den Griff zu bekommen.

Künstliche Intelligenz kann Anomalien in den Produktstammdaten erkennen. Trainiert mit den vorhandenen Stammdaten identifiziert die Anwendung auffällige Muster. Dies kann eine vierstellige Postleitzahl im Datenstamm eines deutschen Lieferanten sein. Aber auch falsche Maße oder Gewichtsangaben einzelner Komponenten, die im Zweifel fehlerhafte Endprodukte verursachen, kann KI aufspüren. Unterm Strich stehen ein reduzierter Pflegeaufwand, eine gesunkene Fehleranfälligkeit und leichtere Produktkonfigurationen.

KI im Supply Chain Management

Eine durch das Supply Chain Management strategisch optimierte Lieferkette ist wichtig für den Unternehmenserfolg. KI ist auf unterschiedlichen Stufen der Lieferkette einsetzbar. Bereits bei der Rohstoffbeschaffung hilft sie mit Preisprognosen. Diese sind bei Rohstoffen sehr volatil und unterliegen zahlreichen Einflussfaktoren. Für Unternehmen der Fertigungsindustrie haben deshalb Analysten und Einkäufer den Markt stetig im Blick.

Um die bestmögliche Kaufgelegenheit zu bestimmen, ist KI ebenfalls nützlich. Sie erfasst Parameter wie historische Preis- und Marktdaten, Bestellungen, Konjunkturprognosen oder geopolitische Krisen als Daten. Mittels Deep-Learning-Verfahren sucht das System in diesen Daten Muster, die ehemalige Preisschwankungen erklären und zukünftige Entwicklung prognostizieren. Unternehmen gelingt es so, Einkaufszeitpunkte und -mengen automatisch zu optimieren.

Weitere Aufgabe des SCM ist es, Logistikprozesse zu organisieren. Hakt es in der Logistik, steht irgendwann die Produktion still. Der gewachsenen Komplexität in der Lieferkette begegnen Unternehmen mit automatisierten Abläufen in der Intralogistik. Mittels KI-Anwendungen erweitern sich dabei die Möglichkeiten. Einerseits automatisieren sie weitere Prozessschritte, andererseits erhöhen sie die Effizienz bestehender. Grundlage dazu sind Daten, die etwa aus Warehouse-Management-Systemen oder Sensoren entlang der Transportwege stammen. Angelernte KI-Lösungen erkennen eigenständig, ob die richtigen Waren an den richtigen Stellen in der richtigen Menge vorhanden sind. Beispielsweise bestellen sie unter Berücksichtigung unzähliger Faktoren eigenständig Ware nach.

Datum:15. März 2021

Autoren:Die Autoren: Markus Merder ist Bereichleiter Consulting und Softwareentwicklung in der Line of Business Manufacturing Industry und David Märte ist Leiter der Line of Business Manufacturing Industry bei adesso.

Themen: Industrie 4.0, Künstliche Intelligenz, Technik

Webseite: www.adesso.de

Downloads:

Das könnte Sie auch interessieren

Topstory

Generative KI in der Fertigung: Der Mehrwert ist oft noch unklar

3 Prozent der großen Industrieunternehmen setzen GenAI bereits großflächig ein, und rund ein Viertel hat erste Pilotprojekte gestartet. Laut einer Untersuchung der Unternehmensberatung McKinsey kann die Mehrheit der Unternehmen den Mehrwert der Technologie für den Unternehmenserfolg bislang aber noch nicht beziffern.‣ weiterlesen