Zusammen mit der NETZSCH Group haben wir LabV konzipiert, eine Schlüsselrolle bei dessen Entwicklung übernommen und es als Produkt auf den Markt gebracht, das Laboren hilft, ihre Daten besser zu nutzen:

• Datenaggregation: LabV führt Daten von Laborinstrumenten auf einer zentralen Datenmanagementplattform zusammen. Ein intelligenter Mapper wird verwendet, um die verschiedenen Datenformate zu verarbeiten und in einem homogenisierten Format zu speichern.
• Datenintegration: Die zusammengeführten Daten werden in Projekten organisiert und können mit anderen Datenquellen kombiniert werden. Dies ermöglicht es, Projektdetails aus ERP-Systemen zu beziehen oder Verknüpfungen zwischen den Labordaten und den zugehörigen MES-Daten herzustellen.
• Datenanalyse: Daten können innerhalb der Plattform gezielt gesucht und weitere Analysen durchgeführt werden, z.B. durch Hinzufügen statistischer Auswertungen oder grafischer Darstellungen.
• Datenaufbereitung: Projektergebnisse können mithilfe von Office-Vorlagen automatisch in Prüfberichte oder vergleichbare Dokumentationsformen exportiert werden.
• LLM-Unterstützung: Mithilfe des LabV-Assistenten können weitere komplexe Suchen und Analysen in den Daten mittels natürlicher Sprachbefehle durchgeführt werden. LabV integriert die Datenbank mit den Analysefunktionen von Wolfram Mathematica und ermöglicht die Nutzung von Dokumenten für weiterführende Recherchen.

Im Rahmen des Projekts haben wir jede Phase des gesamten Entwicklungszyklus eines professionellen Softwareprodukts durchlaufen und dabei einen systematischen und organisierten Ansatz gewährleistet:

‍

• Marktanalyse und Geschäftsmodellentwicklung: Vor Beginn der Softwareentwicklung wurde der Markt gründlich analysiert, Nutzerbedürfnisse identifiziert und ein Anforderungsprofil erstellt, das als Grundlage für das Geschäftsmodell diente.
• Minimum Viable Product (MVP): Ein MVP wurde dann als funktionsfähiger Demonstrator erstellt, der sowohl auf Messen als auch durch erste Kundennutzung validiert wurde.
• Marktreifes Produkt: Basierend auf Feedback wurde das Produkt sowohl funktional als auch in Bezug auf die Benutzerfreundlichkeit verfeinert, um eine professionelle Marktfähigkeit zu gewährleisten.
• Kontinuierliche Weiterentwicklung: Die kontinuierliche Produktverbesserung wird professionell gemanagt, mit Fokus auf die Hinzufügung neuer Funktionen und die Pflege der technologischen Basis, um einfache Skalierbarkeit und Wartbarkeit zu gewährleisten.

In diesem Projekt wurde ein Scouting-Prozess durchgeführt, um eine Longlist von über 50 relevanten KI-Anwendungsfällen aus vier verschiedenen Branchen zu erstellen, die jeweils kurz nach definierten Kriterien beschrieben wurden.

‍

Ein besonderes Augenmerk lag auf Datenstrategien, die in anderen Branchen eingesetzt werden, wie Daten miteinander verknüpft sind und wie Unternehmen mit vor- und nachgelagerten Partnern entlang der Wertschöpfungskette zusammenarbeiten, um unternehmensübergreifende Plattformen zu schaffen.

‍

Sechs vom Kunden ausgewählte Anwendungsfälle wurden durch Deep Dives und qualitative Interviews eingehender untersucht.

Die Bestimmung geeigneter Einstellungen für Spritzgießmaschinen ist oft zeitaufwendig und erfordert manuelle Versuche oder komplexe Simulationen. Zusammen mit der Sick AG und dem Hong Kong Industrial AI and Robotics Centre (FLAIR) haben wir den AI-driven Molding Assistant (AIMA) entwickelt – eine Softwarelösung, die maschinelles Lernen nutzt, um Spritzgießprozesse mit minimalem manuellem Aufwand zu optimieren.

‍

Wesentliche Elemente des Projekts:

• Erfassung experimenteller Daten: Importieren von Datensätzen aus ersten Experimenten oder Simulationen, die Maschineneinstellungen und die daraus resultierenden Qualitäts-Key Performance Indicators (KPIs) enthalten.
• Training von ML-Modellen: Verarbeitung der Daten zum automatischen Training verschiedener ML-Modelle, die die komplexen Beziehungen zwischen Einstellungen und Produktqualität abbilden.
• Integration eines Optimierungsmoduls: Nutzung der trainierten Modelle in einem Modul, das die optimalen Maschinenparameter basierend auf gewichteten Qualitätszielen ermittelt.
• Anwendung zur Qualitätsvorhersage: Nutzung der ML-Modelle zur Vorhersage der Komponentenqualität für neue, ungetestete Maschineneinstellungen, wodurch weitere kostspielige Experimente vermieden werden.

Dadurch können optimale Maschinenparameter mit dem KI-gestützten Assistenten wesentlich schneller und effizienter bestimmt werden. Die Software vereinfacht und standardisiert den Optimierungsprozess, senkt die Hürden für den Einsatz statistisch fundierter Methoden und fördert so eine breitere Anwendung im Unternehmen.

‍

Erhalten Sie weitere Einblicke zu AIMA

‍

Wenn RFIs / RFQs ausgefüllt werden müssen, ist dies ein sehr zeitaufwändiges Hin und Her zwischen verschiedenen Personen wie Fachexperten, Account Managern und dem Kunden selbst. Wir haben eine LLM-basierte Lösung für einen Anbieter medizinischer Lösungen entwickelt, um RFIs und RFQs vorab auszufüllen. Der gesamte Workflow wurde optimiert, um die KI-Anwendung bestmöglich in den Prozess zu integrieren und den Wert zu maximieren.

‍

Wesentliche Elemente des Projekts:

• Sammlung eines Datensatzes zuvor gestellter Fragen und deren entsprechenden Antworten.
• Verarbeitung der Daten zur Erstellung eines Indexes, der die Suche nach ähnlichen Fragen und Antworten ermöglicht.
• Integration neuer Fragen aus RFIs/RFQs mit aus dem Index abgerufenen Kontextinformationen.
• Nutzung eines vortrainierten LLM, um die neuen Fragen basierend auf dem abgerufenen Kontext zu beantworten.

Dadurch können neue RFI-/RFQ-Formulare mithilfe der LLM-gestützten App wesentlich schneller bearbeitet werden, da die Fragebögen vorab ausgefüllt werden können und lediglich einer abschließenden Überprüfung bedürfen.

‍

Zusammen mit dem Hong Kong Industrial Artificial Intelligence & Robotics Centre (FLAIR) entwickelten wir in Zusammenarbeit mit verschiedenen Industriepartnern folgende KI-Lösungen:

• Chat mit Ihrem Dashboard: LLM-basierte Chat-Anwendung, die Fragen zu auf einem Dashboard visualisierten Daten beantworten kann. Zum Beispiel: Wie hoch war die durchschnittliche OEE in der letzten Woche? Gab es in der letzten Stunde eine Anomalie für Temperaturzone 1?
• KI-gestützte Ableitung von Produktionsparametern: Web-App, die das Training ausgewählter Modelle mit Daten aus einem Spritzgussprozess ermöglicht. Anschließend können die trainierten Modelle eingesetzt werden, um Produktqualitäts-KPIs aus den Einstellungen der Spritzgießmaschine vorherzusagen.
• Wartungsunterstützung: LLM-gestützte Anwendung, die ein allgemeines Verständnis von Verschleißkomponenten, deren Ausfallarten, Ursachen und den entsprechenden Wartungs- und Servicemaßnahmen besitzt, um Wartungspersonal anzuleiten und zu unterstützen.  
• KI-Assistent für Montageautomatisierungsingenieure: LLM-basierte Chat-Anwendung, die Automatisierungsingenieuren hilft, die richtige Maschinen- und Ausrüstungsauswahl beim Entwurf einer neuen Montagelinie zu treffen.