Statistik

KI - Consulting

KI-Consulting

KI bietet Unternehmen unzählige Möglichkeiten, Ihre Geschäftsprozesse zu optimieren und neue Geschäftsfelder zu erschließen. Die Fülle an KI-Anwendungen kann Unternehmen jedoch sehr schnell überfordern, wenn es darum geht, eine produkt- oder prozessorientierte Lösung für ihre spezifischen Anforderungen auszuwählen oder individuell zu entwickeln.
Aus einer externen Perspektive helfen wir Ihnen, Chancen zu entdecken, die Sie noch nicht erwogen haben.

Unser spezifisches Vorgehensmodell ermöglicht es uns, maßgeschneidertes KI-Consulting in Form von Beratungs- und Entwicklungsleistungen anzubieten, damit Sie den größtmöglichen Mehrwert aus Ihrer Investition in KI-Technologien ziehen können.

Erfolgreiches Projekt im Einsatz: Digital Twin für die Schuhfertigung - virtuelles Abbild der Produktion

Es gibt unterschiedliche Digital Twins, je nach Anwendungsbereich. Unser Digital Twin ist ein virtuelles Abbild der Fabrik zur Planung, Optimierung und Steuerung der Produktion. Alle Ressourcen wie Maschinen, Roboter, technische Anlagen und Regale, Transportsysteme, Materialien und Mitarbeiter werden als 3D-Objekte angelegt und über Parameter simuliert und gesteuert. Gemeinsam mit unserem Partner entstand so ein digitaler Zwilling der Produktionsanlage.

KI Consulting - Digital Twin Projekt

Herausforderungen

Die Herausforderungen waren dabei sehr sportlich. Bei einer Projektlaufzeit von weniger als einem Jahr musste eine ganzheitliche Umorientierung beim Kunden stattfinden. Zur Projektunterstützung setzten wir für Zusammenarbeit und Kommunikation kollaborative Whiteboards (Conceptboard) ein.
Für den Umzug in eine neue Produktionshalle an einen neuen Standort mussten etliche Faktoren berücksichtigt werden. Dazu gehörten Renovierungs- und Umbauarbeiten, die Erstellung der Infrastruktur und Installation zusätzlicher neuer Maschinen und Anlagen, die Errichtung von Büro- und Besprechungsräumen. Mit dem Austausch veralteter Systeme haben wir konsequent die Qualität der Datengrundlage verbessert.

Ziele

Als Ziele waren Planung und Simulation von Produktionsanlagen und Materialfluss gesetzt.
Die Produktion von heute muss flexibel sein in Bezug auf Mengen, Termine und Variantenvielfalt. Unternehmen stehen oft vor fast unmöglichen Herausforderungen.
Diese Herausforderungen bestehen aus dem kontrollierten Einsatz von Arbeit und Material zur Herstellung des Produkts.

Folgende Vorteile ergeben sich aus dem Prozess:

  • eine anpassungsfähige Fertigung zur Reduzierung der Komplexität,

  • Minimierung von Ausfallzeiten,

  • realistische und zuverlässige Berechnung von Ressourcen und Produktion,
  • Erhöhung der Produktion und Qualität sowie
  • Prozessoptimierung und Reduzierung von Komplexität
  • Durchlaufzeit Reduzierung gegenüber halbautomatisierten Montageinseln
  • Rüstzeitoptimierung bei Umstellung auf andere Schuhtypen

Digitale Transformation, auf dem Weg zur Smart Factory

Digitale Zwillinge sind Wegbereiter für eine automatisierte und intelligente Fabrik, die auf Umsatzsteigerungen und Kostensenkungen zielen bei Realisierung ihres kompletten Potenzials.
Transformations-Effekte sind z.B. Verschlankung bzw. Wegfall von Prozessschritten, Effizienzsteigerung, Reduzierung von Medienbrüchen, Steuerung der Variantenvielfalt und Komplexitätsmanagement. Damit einher gehen Erhöhung der Qualität der produzierten Produkte und neuen Services, Verbesserung der Informations- und Planungsqualität, sowie eine Vermeidung von Über- oder Unterkapazitäten.
Entscheidend für den Erfolg sind auch die Anpassungsfähigkeiten der Organisation, in dem Maße, wie sich das Potenzial für das Unternehmen organisatorisch umsetzen lässt. Dies betrifft:

  • Kapazitäten und Akzeptanz der Mitarbeiter,
  • Eignung und Motivation der Mitarbeiter,
  • Anzahl der beteiligten Personen und Abteilungen,
  • Gewährleistung von Daten- und Hardwaresicherheit und
  • Klärung von Rechtsfragen für die Realisierung.

Nachhaltigkeit und Wertschöpfung sind ein wichtiger Bestandteil für die Akzeptanz beim Kunden und auch wie reibungslos sich das Potenzial in Bezug auf die damit verbundenen Kosten wie Arbeitskosten, Materialkosten, Kapitalkosten, Kosten für externe Dienstleistungen bspw. in der Einführungsphase sowie Lizenzkosten, realisieren lässt.

Konzeption

Bei der Konzeption standen das Simulieren und Optimieren der neuen Prozesse und Maschinen im Vordergrund, bspw. die Erstellung der optimalen Produktionslinie, Optimierung der Zykluszeit, Fördersysteme, Pick-and-Place Robots, Intralogistics & Warehouse, Visual Picking and QR Code scan. Des Weiteren: Kommissionierung, Materialentnahme und Bereitstellung für die Produktion, Fahrerlose Transport Systeme (FTS) und Wegeoptimierung.

MVPs (Minimal Viable Products): Ihr idealer Einstieg in Digitalisierung und KI

Erstellung Minimal Viable Product (MVP)

Mit der Entwicklung eines Minimal Viable Products (MVP) demonstrieren wir die technische Machbarkeit einer Idee auf der Basis eines Prototypen. MVP sind überall anzutreffen, bei der Softwareentwicklung, einem Produktlaunch oder einer Dienstleistung. Dabei steht der angezielte Nutzen im Vordergrund. Bei einem MVP konzentrieren uns auf das unabdingbare Minimum wesentlicher Kernfunktionalitäten. Diese Methode verringert Risiken, da sie sich der Lösung schrittweise annähert.

KI Consulting - Minimal Viable Product MVP

Beispiel Graphdatenbank-Technologie

Nehmen wir hierfür ein Beispiel: Die Graphdatenbank-Technologie bietet viele Lösungswege für eine Vielfalt an Kundenanforderungen aus unterschiedlichen Branchen. Graphdatenbanken unterschieden sich dabei von Relationalen Datenbanken. Sie verwalten keine starren Tabellenstrukturen, verhalten sich aber auch bei komplexen Anforderungen performant. Die Speicherung von Daten und ihren Beziehungen erfolgt nicht in starren Spalten und Zeilen, sondern geschieht mittels Knoten und Kanten. Die Knoten (Nodes) werden durch Punkte repräsentiert, die durch Linien/Kanten (Edges) verbunden sind. Durch diese flexibilisierten Beziehungen von Entitäten eröffnet eine Graphdatenbank den Zugang zu weitergehenden Informationen und Erkenntnissen.

MVP zur Unterstützung bei der Ressourcen-Auswahl

Datenbanken kennen sehr unterschiedliche Abfragesprachen. Im nachfolgenden Beispiel entwickelten wir einen MVP zur Unterstützung bei der Ressourcen-Auswahl, der Selektion geeigneter Mitarbeiter und Freelancer für interne und externe Projekte. Die Datenbank basierte auf Azure und CosmosDB.

Mitarbeiter- und Freelancer Profile 

MVP-Ressourcen-Auswahl GraphDB-Ressourcen-Profile

  1. Auswahlprozess Kandidat
    Gemäß den Anforderungen des Kunden
  2. Geeigneter Kandidat
    Auffinden passender Ressourcen für die Kundenanfragen und zu besetzenden Stellen
  3. EXCEL-Upload
    Die Daten der Ressourcen werden durch standardisierte EXCEL-Templates importiert
  4. Filter Möglichkeit
    Filter blenden bestimmte Attribute ein- und aus, und erleichtern so die Suche im Datensatz. Zukünftig bietet sich der Einsatz von KI für Recherche und automatischer Kandidatenvorschläge an.
  5. 1:N Datei-Upload
    Hochladen von Dokumenten zur jeweiligen Ressource.
  6. Match
    Die standardisierte Skills-Struktur erleichtert das schnelle Auffinden geeigneter Ressourcen.
  7. Kundenspezifischer Profil-Export

Die Generierung von unternehmens- und kundenspezifischen Profilen wird auch mehrsprachig unterstützt.

Für den Anwender ergeben sich daraus eine Vielzahl von Annehmlichkeiten

Der Nutzer navigiert problemlos durch stark vernetzte Daten und gelangt direkt zu den gesuchten Informationen. Er filtert nach Attributen und hat die Wahl, sich Daten in 2D oder 3D anzeigen zu lassen. Umständliches Durchklicken und Scrollen in Menüs und Masken entfallen. Durch ein vereinheitlichtes Skills-Raster sind Profile und Kompetenzen vergleichbar und transparent. Aktuelle Informationen zu den Ressourcen, Kandidaten und Mitarbeitern können schnell abteilungs- und unternehmensübergreifend gefunden werden.
Darüber hinaus kann sich der Anwender das Mitarbeiter- oder Freelancer-Profil als WORD- oder PDF-Dokument generieren und Daten als EXCEL exportieren.
Besonders hilfreich ist, mehrere Dokumente für jede Ressource zu hinterlegen, bspw. Lebensläufe, Abschlüsse und Zertifizierungen. Das System unterstützt alle gängigen Dokument-Typen. Alle relevanten Daten sind in der Cloud, Systemvielfalt und Prozesskomplexität wurden vermieden.

 

Einsatz von Automatic Vision Inspection (QC) in der Fertigung in Zusammenarbeit mit unseren Partnern

Bei der Automatischen Sichtprüfung werden die produzierten Produkte mittels Kamerasystemen, unterstützt durch KI, auf Fehler überprüft.
Online-Sichtprüfmaschinen wie LMI line scanner, LMI snapshot sensor, Cognex ViDi Camera zeichnen Produktionsprozesse auf. So werden grundlegende Mängel automatisiert erkannt, wie bspw. Defekte bei Blasen-Durchmessern, Abweichungen beim Stanzen, unregelmäßigen Fließspuren oder Einlagen, die nicht korrekt sitzen.
Aufzeichnungen mit automatischer Erkennung grundlegender Mängel und Abweichungen erledigen bspw. 3D-Snapshot-Sensor, Line-Scanner, fortgeschrittene 2D-Kameras kombiniert mit Deep-Learning-Funktion. Bei der Modifikation und Anpassung der Testanordnung für Produktionslinien fallen mechanische, elektrische und programmiertechnische Arbeiten an, wie z. B. die Konstruktion von Kamera- und Sensorhaltern, Verkabelung, Pneumatik, Bewegung, SPS- und HMI-Programmierung sowie Sonderanfertigungen.
Dies ermöglicht eine wesentlich höhere Erkennungsrate von Fehlern verglichen mit menschlichen Fähigkeiten. Die KI unterstützt hierbei mit Algorithmen zum Erfassen und Auswerten sehr vieler Daten und lernt, Entscheidungen zu treffen (Produkt ist gut vs. Produkt ist fehlerhaft und entspricht nicht den vorgegebenen Qualitätszielen). So kann eine sofortige Reaktion und Korrektur erfolgen. Ansonsten wäre die Produktlinie zu Ende durchgeführt und der Fehler zu spät entdeckt worden. Automatic Vision Inspection ist damit effizienter in Bezug auf Prozesse, Einsatz von Ressourcen und Kosten. Der Mensch kann diese Aufgaben nicht in dieser Schnelligkeit und Präzision ausführen zumal bei der begrenzten Dauer seiner täglichen Arbeitszeit.

KI Consulting - Einsatz von Automatic Vision Inspection (QC) in der Fertigung

Beispiel für die Entwicklung einer KI-Ambition (Vision) für die Smart Factory

Digitale Zwillinge und KI für Produktionslinienplanung und -optimierung für die Schuhindustrie: Die Integration von Künstlicher Intelligenz und Digitalen Zwillingen soll durch Simulation und Analyse sowohl aktuelle als auch zukünftige Layouts für eine optimierte Anordnung von Ressourcen und Maschinen zur Herstellung von Produkten in der Fertigungslandschaft vorschlagen. 
Dabei werden relevante Produktionsparameter und Toolboxen (gruppierte Anordnungen von Ressourcen und Maschinen) berücksichtigt, um eine einfache Erstellung und kontinuierliche Anpassung der Layouts an sich ändernde Anforderungen und Vorgaben zu unterstützen und die Produktivität zu erhöhen.

Beispiel für die Entwicklung einer KI Ambition (Vision) für die Smart Factory

Anwendungsfall – Production-Line Planning

Anordnung der Stationen der Produktionslinie

Wenn die Produktentwicklung abgeschlossen ist und die Ramp-Up-Phase beginnt, um den Start of Producton (SOP) zu unterstützen und mit der Plan-Produktionsmenge die Serienfertigung begonnen werden kann.

Einflussfaktoren
  • Komplexität des herzustellenden Produkts
  • Zu verwendende Materialien
  • Vorgaben der Brands (Auftraggeber)
  • Ressourcen, Prozesse, Arbeitsschritte, etc.
Wert für KI-Gesamtstrategie
  • Wirtschaftlicher Wert
    • Gemeinsame Nutzung eines vorgeschlagenen Layouts und eines Materialflusses für die Herstellung des Produkts, welche Ressourcen benötigt werden und zum geeigneten Zeitpunkt.
  • Strategische Ausrichtung
    • Einfaches Erstellen aktueller oder zukünftiger Layouts und Prozesse automatisieren und Erfahrungen von Mitarbeitern unterschiedlicher Bereiche einfließen lassen.
  • Risikominderung
    • Jede Station hat ihre eigene KPI-Matrix: Status-Tabelle (in Betrieb, in Wartestellung, ausgefallen usw.
    • Validierung jedes Elements (Vergleich mit der realen Produktion)
    • Jedes Element hat seinen eigenen Parametersatz (Zykluszeiten, verbrauchte Materialien, Ausschussraten, Bedienerauslastung usw.)
  • Fähigkeiten ausbauen
    • Teilen eines einfachen Prozessablaufs und einer Prozessbeschreibung für dieses Produkt.
    • Fokus auf Makroebene: jede Station kann eine Blackbox sein, es ist nicht entscheidend, jede einzelne zu verstehen.
Problemstellung / Herausforderung
  • Manuelle Planung
  • Try and Error
  • Erfahrung steckt in den Köpfen der Senior Production Manager
  • Sich häufig ändernde Vorgaben von den Brands
  • Fehleranfällig aufgrund der Vielzahl unterschiedlichster Daten, Datenformate und Qualität
  • Zeitlich knapp bemessene Ramp-Up Phase
  • Fehlende Transparenz über benötigte Prozesse, Materialfluss, Intralogistik, etc.)
  • Ressourceneinsatz (wo benötigt man wann Arbeiter mit welchen Skills bzw. Maschinen oder Vorrichtungen)
  • Großer Carbon Footprint (CO²)
MVP Ziele
  • Entwicklung einer Elementbibliothek und Toolbox (Gruppierung von Elementen)
  • Spezifische und wiederverwendbare Elemente (z.B. Nähstation, QC, Verpacken, Pressen, Zwicken, Entlüften, Beschneiden usw.) identifizieren
  • Automatischer Layout-Generator, einfache Erstellung aktueller oder zukünftiger Layouts als Vorschlag
  • Einfaches Eingreifen durch den Menschen (Änderung von Prozessen und Layouts)
Basis
  • Machine Learning
  • Ähnlichkeiten finden
  • Kategorien bilden
  • Vorschläge generieren
  • Excel-basierte Daten analysieren, auch historische
  • Gleiche Prozesse erkennen
  • Wissen transferieren
  • Transparenz erhöhen