Kann Künstliche Intelligenz die Produktivität und Zusammenarbeit im PLM verbessern?

Product Lifecycle Management (PLM) umfasst verschiedene Gebiete – von der Konzeption eines Produkts über das Design und die Produktion bis hin zur Wartung und zu Upgrades. Die Erstellung, Speicherung und Verarbeitung von Daten zu all diesen Lebenszyklusphasen ist ein zentraler Bestandteil von PLM.

Ob Ihr Unternehmen die verschiedenen PLM-Methoden und Software-Tools erfolgreich einsetzen kann, hängt davon ab, wie die ausgewählten Software-Tools kombiniert werden, wie sie von den verschiedenen Teams angenommen werden und wie gut die Mitarbeiter damit zurechtkommen und zusammenarbeiten. Bisher lag der Schlüssel zum Erfolg darin, die Prozesse zu definieren und neu zu definieren und die Software-Tools zu verbessern.

Der Fokus scheint sich allerdings allmählich zu verschieben. Es geht nun immer mehr darum, zur richtigen Zeit Zugang zu den relevanten Informationen zu haben, funktionsübergreifend zusammenzuarbeiten und gleichzeitig an verschiedenen Teilen des Prozesses der Informationserstellung zu arbeiten. Es geht nun nicht mehr nur um die Optimierung von Fertigung und Prozessen, hier kommt die Industrie 4.0 ins Spiel.

Produktentwicklungsteams sind heutzutage eher heterogene Gruppen, sprechen unterschiedliche Sprachen und arbeiten an unterschiedlichen Orten. Die Fragen zu Demografie und Vielfalt in Produktteams sind nicht neu. Nun geht es vielmehr darum, wie die Produktivität und die Zusammenarbeit in solchen Teams optimiert werden kann.

Warum kommt es dabei auf Künstliche Intelligenz an?

Um diese Frage zu beantworten, werfen wir zunächst einen Blick auf den aktuellen Stand der Technik und die derzeitige Bedeutung von KI für Produktdesign, Wissensmanagement und Zusammenarbeit. Doch bevor wir uns näher mit Unternehmensanwendungen befassen, schauen wir uns einmal kurz an, welche Anwendungen es überhaupt gibt und welche Gemeinsamkeiten sie aufweisen.

Anwendungen wie Textübersetzung, Sprachsteuerung, Produktempfehlungen und autonomes Fahren sind den meisten Menschen vertraut, selbst wenn sie sich nicht als technikaffin bezeichnen würden.

Ob wir es bewusst wahrnehmen oder nicht: Anwendungen wie die Internetsuche, die Erkennung von Finanzbetrug, zielgerichtetes Marketing, die Planung von Fahrten mit öffentlichen Verkehrsmitteln und die Vorhersage der Kundenfluktuation haben Auswirkungen auf die meisten Menschen.

Was bedeutet die Integration von KI für eine Anwendung?

Nehmen wir als Beispiel ein Übersetzungsprogramm oder eine entsprechende Webseite. Sie können Sätze oder Absätze eingeben, eine Zielsprache auswählen und erhalten den übersetzten Text.

Oder Sie stellen ihr Mobiltelefon so ein, dass Sie automatisch übersetzte Versionen ganzer Webseiten erhalten.

So können Sie Zeitungen in Sprachen lesen, die Sie nicht fließend beherrschen. Oder Sie können sich während eines Urlaubs oder einer Geschäftsreise eine Liste der Restaurants und ihrer Angebote ansehen. Mit dieser unkomplizierten Methode wird der Zugriff auf solche Informationen zur Standardlösung.

Wie kann KI den Informationszugang im Produktentwicklungsprozess verbessern?

Ihr Unternehmen hat wahrscheinlich im Laufe der Jahre einen großen Bestand an 3D-Modellen, damit verbundenen Kommentaren und Bewertungen, Produktionsanweisungen und Produktrückmeldungen angelegt. Entwicklung und Fertigung können in verschiedenen Ländern erfolgen und oft müssen Teile oder Produkte angepasst werden.

Wenn ein neuer Designer beginnt, ein neues Produkt zu entwickeln, kann er dann aufgrund früherer Kommentare oder Bewertungen Feedback zu ähnlichen Projekten aus der Vergangenheit erhalten?

Es wäre natürlich ideal, wenn das im PLM-System gespeicherte Wissen wiederverwendet werden könnte, um eine Zusammenarbeit ohne starre Teamzuordnung zu ermöglichen. Glücklicherweise kann man dazu auf die in Übersetzungsalgorithmen verwendeten Sprachmodelle und Darstellungen zurückgreifen und diese entsprechend anpassen.

Können wir diese Informationen mit allgemein zugänglichem Wissen kombinieren? Bei der für Software-Engineering-Themen bekannten Plattform Stackoverflow können in der Unternehmensversion bereits interne Antworten mit ähnlichen, allgemein zugänglichen Antworten kombiniert werden. Eine solche Lösung würde den Wissenszugriff für PLM-Benutzer grundlegend verändern.

Wie kann Künstliche Intelligenz die Effizienz der Produktvalidierung verbessern?

Nachdem ein Produkt entwickelt und ein Prototyp fertig gestellt wurde, durchläuft es mehrere Testzyklen und generiert dabei eine Vielzahl von Daten. Es können mehrere Variablen mit unterschiedlicher Genauigkeit und unterschiedlichen Abtastraten gemessen werden. In vielen Unternehmen gibt es mehrere Produktvarianten, und solche Tests werden dann für alle Varianten durchgeführt.

Das Vergleichen erfolgreicher und fehlgeschlagener Tests und die daraus abzuleitenden Erkenntnisse für das Design sind oft ein mehrstufiger Prozess: Vorverarbeitung und Visualisierung der Daten sowie das Ziehen von Rückschlüssen.

Manchmal muss man diese Aufgabe mehrmals wiederholen, was für die Produktqualität sehr wertvoll ist, aber kaum neue Erkenntnisse liefert. Mitunter findet aber auch jedes Mal eine wertvolle Erweiterung des Wissens statt. In beiden Fällen können Algorithmen für Maschinelles Lernen Merkmale extrahieren und die Ergebnisse zusammenfassen, so dass die Ingenieure nur noch die Aufsicht übernehmen müssen.

Algorithmen für die Erkennung von Anomalien und die Verarbeitung von zeitabhängigen Signalen sind inzwischen sehr ausgereift und können an die Anforderungen des jeweiligen Bereichs angepasst werden. So können mittels Automatisierung sich wiederholender Aufgaben die Effizienz gesteigert, bestimmte Muster extrahiert und in einer einfachen visuellen Form dargestellt werden, um den Wissensaustausch zu verbessern. Außerdem kann dies neue Wege der Zusammenarbeit zwischen Produktdesign- und Produktionsteams jenseits vorgegebener Teamstrukturen eröffnen.

Können wir vorhandenes strukturiertes Wissen wiederverwenden?

Die oben genannten Beispiele bedienen sich einer in den letzten Jahren sehr erfolgreichen Form der KI, dem Maschinellen Lernen. KI ist jedoch nicht nur eine einzelne Technik, auch keine Ansammlung eng verwandter Techniken. Ein KI-System kann viele andere Komponenten umfassen, u.a. auch die Wissensgraphen.

Wo viel strukturiertes Wissen in Form von Entitäten und deren Beziehungen vorhanden ist, ist es durchaus sinnvoll, dieses Wissen wiederzuverwenden. Durch eine Kombination mit Maschinellem Lernen können wir diese Strukturen verfeinern oder Informationen einbeziehen, für die die Bestimmung einer Struktur schwierig ist. Dies ist zu einer eigenen Disziplin geworden. Die jeweiligen Darstellungen werden dabei gemeinhin als Wissensgraphen bezeichnet.

Wenn Sie bei Google nach einem Begriff suchen, finden Sie oft ein Ergebnis in einer Infobox mit zusammenfassendem Text in der oberen rechten Ecke der Seite. Hier arbeitet im Hintergrund der Wissensgraph von Google.

Ist man sich aller Möglichkeiten zur Produktivitätssteigerung bewusst? Wahrscheinlich nicht. Da kann Künstliche Intelligenz mit all ihren Methoden bisher unerforschte Wege aufzeigen, um die Produktentwicklung noch effizienter zu gestalten.

Nach unserer Erfahrung…

Wir sind jetzt offen für verschiedene Formen der Zusammenarbeit, die über die starren Beschränkungen von festgelegten Teams, Rollen und Arbeitsabläufen hinausgehen. Dies ist wahrscheinlich die Zukunft von PLM: als Plattform für Kreativität und Informationsaustausch.

Die Zusammenarbeit kann zu höherer Produktivität und letztendlich zum Erfolg führen, wenn die Kompetenzen für Forschung, Design, Fertigung und Vertrieb weltweit verfügbar sind. Welche Rolle die Künstliche Intelligenz dabei spielt, kann man ersehen an den Unternehmen, die als Gewinner aus der Pandemie hervorgingen.

Der Erfolg von DeepMinds’s AlphaFold verdeutlicht, dass die Künstliche Intelligenz in Zukunft in hohem Maße dazu beitragen wird, schneller Lösungen für schwierige Probleme zu finden.

Dies war eine sehr allgemeine Übersicht darüber, welches Potenzial und welche Bedeutung für PLM in KI steckt. Konkrete Lösungen, algorithmische Details und Einsatzszenarien finden Sie in unserem kürzlich erschienenen Blogbeitrag „KI für das Unternehmen – mehr als Prototypen und Datensätze für Referenzwerte“.