GEPARD – Assistenzsystem mit generativer KI für effiziente Produktionsprozesse
Im Forschungsprojekt GEPARD wird ein innovatives Assistenzsystem auf Basis generativer künstlicher Intelligenz (GenKI) entwickelt, das Unternehmen dabei unterstützt, produktionsrelevante Dokumente und Daten deutlich schneller und effizienter zu erstellen und anzupassen. Insbesondere bei Produktvariantenwechseln, Produktionsanläufen oder kleineren Produktänderungen entstehen bislang hohe Aufwände, da Arbeits- und Montagepläne, CAM-Daten oder andere Unterlagen manuell neu erstellt oder überarbeitet werden müssen - oft mit hohem Fachwissen und wiederkehrender Arbeit verbunden.
Ziele und Mehrwerte
Das GEPARD-Assistenzsystem automatisiert diesen Prozess teilweise oder vollständig und ermöglicht damit:
- Effizientere Nutzung von Fachkräften: Routineaufgaben werden reduziert, sodass Mitarbeiter ihre Expertise gezielter einsetzen können.
- Sicherung von Wissen: Implizites Erfahrungswissen aus der Produktion wird systematisch erfasst und nutzbar gemacht.
- Verbesserte Reaktionsfähigkeit: Unternehmen können schneller auf Kundenwünsche oder Anpassungsanforderungen reagieren.
- Steigerung von Produktivität und Flexibilität: Die industrielle Produktion wird resilienter und anpassungsfähiger.
Projektinhalte
Im Rahmen von GEPARD entstehen konkrete Ergebnisse, darunter:
- Prototyp eines GenAI-Assistenzsystems: Entwicklung, Test und Integration eines funktionsfähigen Prototyps (MVP) für mindestens zwei praxisnahe Anwendungsfälle.
- Module für die Daten- und Dokumentenverarbeitung: Konzepte und Implementierungen, die Unternehmensdaten (wie CAM- oder SAP-Daten) und fachliche Eingaben in das System einbinden.
- Methoden zur Übertragbarkeit: Entwicklung von Prozessen, Anleitungen und Best-Practice-Ansätzen, die eine unternehmensspezifische Anpassung und Integration des Systems erleichtern.
Innovation und Anwendung
Ein besonderer Fokus des Projekts liegt auf der domänenspezifischen Nutzung von generativer KI in der Produktion – weit über generische Sprach- oder KI-Tools hinaus. GEPARD integriert heterogene und unstrukturierte Datenquellen und überführt langjähriges Produktionswissen in ein adaptives Assistenzsystem, das gezielt in industrielle Arbeitsprozesse eingebettet werden kann.
Konsortium & Förderung
_.jpg)
Das Projekt wird vom Bundesministerium für Forschung, Technologie und Raumfahrt gefördert.
Projektträger: DLR Projektträger
Projektdauer: 1. Februar 2025 – 31. Januar 2028
Projektkonsortium & Assoziierte Partner
Verwandte Videos
Ihr Projektteam
Tim Schroeder
Tim Schroeder studierte Elektrotechnik und Informationstechnik sowie Betriebswirtschaftslehre und General Management an der RWTH Aachen. Als Head of Artificial Intelligence beim INC Innovation Center leitet er mehrere bi- und multilaterale Projekte in den Bereichen Industry 4.0, Logistik 4.0 und Künstliche Intelligenz. Durch Technologie-Scouting, Datenanalysen und KI-Bewertungen unterstützt er Unternehmen bei der erfolgreichen Umsetzung neuer Innovationen.
Tim Schroeder
Dr. Christoph Rippe
Dr. Christoph Rippe studierte Wirtschaftsmathematik mit den Schwerpunkten Stochastik und Optimierung an der Otto-von-Guericke-Universität Magdeburg und promovierte anschließend im Bereich Operations Management zu Problemen des Bestandsmanagements für Servicetechniker. Bei INC Innovation Center ist Christoph als Senior Technology Specialist für die Datenanalyse und prototypische Umsetzung von KI-Anwendungsfällen verantwortlich. Außerdem betreut er Schulungen und arbeitet an Forschungsthemen im Zusammenhang mit der Anwendbarkeit von KI (Small Data Augmentation/Transfer Learning).
Dr. Christoph Rippe
Dominik Joosten
Dominik Joosten studierte Elektrotechnik an der Hochschule Niederrhein und schloss sein Masterstudium in Automatisierungstechnik an der RWTH Aachen ab, einschließlich eines Erasmus-Semesters mit Schwerpunkt auf maschinellem Lernen an der NTNU in Norwegen. Beim INC Innovation Center arbeitet er als Senior Technology Specialist und ist für die Entwicklung von KI‑Lösungen für industrielle Anwendungen, den Aufbau skalierbarer Cloud‑Systeme sowie MLOps‑Praktiken verantwortlich. Darüber hinaus leitet er Workshops zur Stärkung der internen KI-Kompetenzen und arbeitet an datengesteuerter Prozessoptimierung, prädiktiver Qualität in der Fertigung und der praktischen Anwendung von GenAI-Technologien wie LLMs und RAG.
.jpg){kind=spacer}
%20(5).jpg)
%20(8).jpg)
