Wenn KI zum Produktdesigner wird

Beim generativen Design werden KI-Algorithmen zur treibenden Entscheidungskraft im Produktdesign. Anhand vorgegebener Parameter können sie eine Vielzahl an passenden Produktentwürfen berechnen. Dadurch ändert sich auch die Rolle von Produktdesignern und Ingenieuren. Ganz ohne sie geht es jedoch nicht.

 

Bild: PTC Inc.

Beim Konzept des von künstlicher Intelligenz (KI) gesteuerten generativen Designs in der Produktentwicklung handelt es sich nicht um eine bahnbrechende Innovation. Bereits vor einigen Jahren kam es zu einer Art erstem Hype rund um dieses Thema, allerdings gab es auf diesem Gebiet immer noch keinen rechten Durchbruch – zu groß war die Skepsis gegenüber KI-Algorithmen als treibende Entscheidungskraft im Produktdesign. Darüber hinaus war es für Anbieter von 3D-CAD-Technologie bisher schwierig, Ingenieure und Entwickler für den Einsatz von Simulationstechnik in einem frühen Konstruktionsprozess zu begeistern, da die technologischen Herausforderungen wie die mangelnde Geschwindigkeit der Anwendungen oft noch zu groß erschienen. Doch durch Cloudtechnologien sowie Fortschritten in den Bereichen Simulationstechnologie, dem 3D-Druck sowie beim Machine Learning als eine der KI-Technologien steht das Konzept des generativen Designs in der Produktentwicklung vor einer breiteren Anwendung im Markt. Dabei gilt es auch, die zukünftige Rolle des Produktentwicklers im Blick zu behalten.

Computer wird zur treibenden Kraft

Einfach ausgedrückt, bedeutet generatives Design, dass Menschen und Computer gemeinsam Objekte entwerfen, die ein Mensch alleine nicht zu entwickeln vermag. Während die Produktentwickler und Ingenieure bislang noch selbst aktiv und kreativ über ein neues Produkt, Bauteil oder eine größere Konstruktion wie eine Brücke oder ein Haus nachdachten und den Computer samt moderner CAD-Software als Hilfsmittel nutzten, wird beim generativen Design der Computer zur treibenden Kraft. Der Mensch legt zunächst Designparameter und Funktionsanforderungen wie etwa Maximalgröße (Bauraum), Gewicht, Werkstoffart, Belastbarkeit, Fertigungsprozess oder Kosten fest. Zudem ist es möglich, Designparameter zu definieren, die Kaufentscheidungen, Fertigungskapazitäten, den Status der Lieferkette und regional erforderliche Produktvarianten berücksichtigen. Der Computer errechnet daraufhin nicht nur eine Geometrie, sondern erstellt eine Vielzahl von Design-Entwürfen, die den vorgegebenen Kriterienkatalog in sämtliche Richtungen ausreizen. Die Simulation wird beim generativen Design somit in den Entwicklungsprozess integriert.

Hoher Personalisierungsgrad

Die Vorteile für die Unternehmen sind vielfältig. So kann beispielsweise mehr Zeit in die Erforschung konzeptioneller Designs fließen. Zudem kann die Entwicklung neuer Produkte optimiert werden, beispielsweise durch verbesserte Produzierbarkeit, die Reduktion von Materialkosten sowie kürzere Produktionszeiten. Der Ansatz des generativen Designs ermöglicht außerdem einen hohen Personalisierungsgrad, was dem Kunden zu Gute kommt. Da Simulation, Analyse und Fertigung auf einer Ebene liegen, sinkt die Gefahr möglicher teurer Nachbesserungen deutlich, was die Zeit bis zur Markteinführung stark verkürzen kann.

Seiten: 1 2 3Auf einer Seite lesen

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