Stücklistenmanagement

Wer sucht, der findet

Aus wievielen Teilen ein Produkt auch besteht, liegen Informationen zu den benötigten Komponenten vor, ist es leichter herzustellen. Mit künstlicher Intelligenz und sogenannten Insight Engines können solche Informationen aus unterschiedlichen Systemen zusammengetragen werden.
Bild: ©vegefox.com/stock.adobe.com

Stücklistenmanagement ist ein wichtiger Bestandteil bei der Fertigung von Produkten. Neben Zeichnungen und Arbeitsplänen bilden sie eine Basis des betrieblichen Datenbestandes. Dabei gestaltet es sich nicht immer einfach, alle relevanten Informationen zu den benötigten Komponenten übersichtlich zur Verfügung zu haben. Gerade bei Lieferverzögerungen oder Lieferausfällen benötigter Komponenten ist es wettbewerbsentscheidend, den Überblick zu behalten, ohne wertvolle Ressourcen wie Mitarbeiter unnötig zu binden.

Mit KI suchen

Systeme zur Verwaltung von Stücklisten bzw. Bill of Materials (BOM) bieten zwar Suchfunktionen, jedoch sind diese beschränkt auf die Daten des jeweiligen Systems. Anwender finden so zwar Informationen zu ihrem Suchbegriff, bei weiterführenden Informationen stoßen diese Suchfunktionen oft an ihre Grenzen. Anwender müssen also in unterschiedlichen Programmen suchen, was wiederum mit Zeitaufwand verbunden ist. Intelligente Wissensmanagementlösungen, sogenannte Insight Engines, können bei der Bereitstellung genau dieser benötigten Informationen helfen. Insight Engines kombinieren klassische Suchfunktionen mit künstlicher Intelligenz. Mittels Technologien der Spracherkennung sowie Verfahren des maschinellen Lernens erleichtern sie die Suche nach Informationen. Die Lösung der Mindbreeze GmbH etwa bezieht die Inhalte aus vielen Unternehmensdatenquellen in ihre Recherche ein – unabhängig davon, ob es sich dabei um strukturierte oder unstrukturierte Inhalte handelt. Dadurch können mit einer Suchabfrage die Ergebnisse zu der abgefragten Komponente aus allen Datenquellen extrahiert und dargestellt werden. So erhalten die Anwender zusätzliche relevante Informationen, beispielsweise länderspezifische Restriktionen oder Verfügbarkeiten, ohne eine erneute Rechercheabfrage in einem weiteren System zu starten.

Fragen in natürlicher Sprache

Die Suchabfrage selbst kann in natürlicher Sprache gestellt werden. Dabei sind Insight Engines durch Natural Language Processing (NLP) und Natural Language Understanding (NLU) in der Lage, Phrasen, ganze Sätze oder Fragen korrekt zu verstehen. NLP sorgt dabei für das Verstehen, Übersetzen und Interpretieren der menschlichen Sprache, während mit NLU die Intention beziehungsweise das konkrete Anliegen des Anwenders identifiziert wird. Durch die semantische Analyse der Inhalte und die Verknüpfung von Informationen ist es auch möglich, Antworten auf Fragestellungen mit ‚wo‘, ‚wer‘, ‚was‘, ‚wann‘ oder ‚wie‘ zu geben. Mittels Deep Learning können Insight Engines zudem aus Erfahrungen und Ergebnissen lernen. Die Basis dafür stellt das Nutzerverhalten dar. Abhängig von vorangegangenen Suchabfragen oder davon, welche Treffer wann, wie oft und in welchem Zusammenhang aufgerufen werden, kategorisieren Insight Engines die Relevanz der Ergebnisse und speichern diese für künftige Abfragen. Oft gesuchte Informationen stellt die Technologie demnach bei ähnlichen oder gleichen Suchabfragen vorrangig zur Verfügung. Abhängig von Fachbereich, Position, Aufgabengebiet und Zugriffsberechtigungen bereitet die Lösung die Ergebnisse in Dashboards auf. Dabei prüft das System bei jeder Abfrage letztere direkt an der Datenquelle, sodass auch kurzfristige Änderungen schnell berücksichtigt werden. Eingesetzt werden solche Insight Engines in zahlreichen Branchen, unter anderem für die Wartung und Instandhaltung.

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige