Projekte

Ausgangssituation

Adaptive Cruise Control (ACC) Systeme passen die Fahrzeuggeschwindigkeit an vorausfahrende Fahrzeuge, die aktuellen Verkehrsschilder, Kurven, die Straßengriffigkeit und andere Faktoren an. Zudem werden zukünftig viele Daten aus dem Fahrzeuginnenraum über die Insassen verfügbar sein. In diesem Projekt prüfen Fraunhofer IAO und INVENSITY GmbH, ob zukünftige ACC die Geschwindigkeit des Fahrzeugs und den Abstand zum vorausfahrenden Fahrzeug auch (als zusätzliche Stellgröße) an den Fahrerzustand anpassen können.

Lösungsidee

In einem KI-Ansatz sollen Daten aus dem Innenraum genutzt werden um Fahrerzustände zu erkennen und in Fahrermodellen abzubilden (Bspw. Stress, Workload, Flow, Aufmerksamkeit, Intentionen, Emotionen). Die KI erkennt Muster in den verfügbaren Innenraumdaten sowie anderen multidimensionalen Daten und klassifiziert diese zu Fahrermodellen. Ein ACC passt dabei die Geschwindigkeit oder den Abstand zum vorausfahrenden Fahrzeug in vorgegebenen Grenzen an die Fahrerzustände an. Dadurch entsteht ein Regelkreis in dem eine KI lernt, welche Geschwindigkeit, welcher Abstand, ggf. auch welche Musik, Lichtszenarien, Fahrdynamiken, die Fahrerzustände in den optimalen Zielgrößen einregeln. Über Reinforcement Learning regelt die KI die fahrerzustandsadaptive Geschwindigkeit. 

Nutzen

Eine fahrerzustandsadaptive Geschwindigkeitsregelung erhöht den Komfort und die Sicherheit im manuellen Fahren, da sowohl Stress also auch Hypovigilanz (verminderte Aufmerksamkeit durch mangelnde Stimulation) vermindert werden. Die Entwicklung ist zudem übertragbar auf das automatisierte Fahren und die Anpassung der Fahrparameter auf die Insassenmodelle. Eine erfolgreiche Erkennung der Fahrerzustände und deren Abbildung in Fahrermodellen ist weiterhin übertragbar auf viele weitere Anwendungsfälle, z.B. Lernen, Arbeiten, Sport, etc. 

Umsetzung der KI-Applikation 

Genutzt werden folgende Verfahren:

• Erkennungstechnologien des Affective Computing
• Signalverarbeitung und Machine Learning (subervised und gg. unsupervised) zur Erkennung und Monitoring von Arousal, mit z.B. Support Vector Machines, Logistic Regression und Random-Forest Classification
• Reinforcement Learning für die Kalibrierung des fahrerzustandsadaptiven KI ACC

Kontakt

Frederik Diederichs

frederik.diederichs@iao.fraunhofer.de

Ausgangssituation

Risikoanalysen beinhalten die Auswahl von Gegenmaßnahmen und die Abschätzung von Ereignisschweren und Eintrittswah scheinlichkeiten. Eine regelmäßige Durchführung solcher Analysen kann dabei die Informationssicherheit eines Unternehmens maßgeblich steigern. Sie ist jedoch auch mit erheblichen Ressourcen und Personalaufwand verbunden.

Nutzen

Die Informationssicherheit kann dabei erheblich gesteigert werden, indem auch auf neuartig auftretende Bedrohungen Rücksicht genommen werden kann. So können beispielsweise neu auftretende Bedrohungen auf Grundlage von Remote Code Execution Schwachstellen bereits in der Analyse Berücksichtigung finden, bevor diese beispielsweise durch Malwareausnutzung relevant werden.

Lösungsidee

Ein automatisierter Red Teaming inspirierter Analyseansatz auf Grundlage von Bedrohungskonsolidierungen, gekoppelt mit einem lernenden System zur Berücksichtigung betriebswirtschaftlicher Grenzen bei der Maßnahmenauswahl, ermöglicht eine regelmäßige ressourcensparende Durchführung von Risikoanalysen.

Umsetzung der KI-Applikation 

Eine entsprechende Anwendung benötigt jedoch eine Datengrundlage zur Ermittlung möglicher Bedrohungen und Angriffs-patterns für Netzwerkinfrastrukturen, Softwarestacks und Codebases. Eine solche Datengrundlage konnte durch die Konsolidierung mehrerer Datenbanken zu Schwachstellen, Bedrohungen, Angriffsmustern, Plattformen und Verwundbarkeiten erreicht werden. 

Die Anwendung der Bedrohungsmuster kann nun über Graphennetze ermöglicht werden. Anschließend können Maßnahmen auf Grundlage der anwendbaren Bedrohungen abgeleitet werden. Über das Feedback der Anwender kann nun mit Hilfe inferentiellen Lernens die Maßnahmenauswahl verbessert werden, so dass diese sich zunehmend besser auf das anwendende Unternehmen anpasst.

Kontakt

Sebastian Kurowski

sebastian.kurowski@iao.fraunhofer.de

Ausgangssituation

Die Firma Mountek ist seit 1995 Händler für Textilmaschinen in sechs Ländern Europas. Die rund 10 Mitarbeiter in der Verkaufsabteilung versuchen alle bestehenden und potentiellen Kunden zumeist per Telefon aber auch per Chat oder Mail mindestens zweimal im Jahr zu kontaktieren. Vorgegangen wird bisher nach Regionenlisten, die von oben nach unten abgearbeitet werden. Leider ist es hierbei in 17 – 20 % der Fälle so, dass Kunden nicht erreicht werden und es versäumt wird, eine Wiedervorlage einzurichten. Dies erhöht den Aufwand der Kundenbetreuung massiv und kann u.a. zu einem unstrukturierten Vorgehen in der Betreuung der Kunden führen. Außerdem ist momentan die Quote verkaufte Maschinen/Anruf sehr niedrig. Auf 100 Telefonate folgen im Schnitt 10 Angebote und 1 verkaufte Maschine.

Lösungsidee

Die Idee von »CustoReach« ist ein KI-basiertes Vorschlagsystem für Anrufe sowie eine prädiktive Geschäftsabschlussvorhersage zur Priorisierung der Unternehmen (vgl. auch Lead Scoring). Es sollen z.B. die beste Uhrzeit für Kundenkontakt oder der beste Zeitpunkt für einen Anruf nach Versand eines Angebots oder nach einer Messe vorgeschlagen werden. Auch weitere Zusammenhänge sollen beobachtet werden, z.B. ob nach dem persönlichen Besuch eines Verkäufers beim Kunden die Wahrscheinlichkeit erhöht ist eine Maschine zu kaufen und wann der ideale Zeitpunkt ist, nach dem Besuch beim Kunden anzurufen.

Nutzen

Die Projektinnovation besteht in der Verknüpfung vorhandener Kunden und Ereignisdaten zu einer Prozessoptimierung im Verkaufswesen (Kundenbetreuung und Maschinenverkäufe). Die eigenen Mitarbeiter werden bei der Telefonakquise entlastet und unterstützt, was zu einer deutlichen Zeitersparnis beim (Ab)-Telefonieren führt und Freiraum für intensivere Kundengespräche oder andere Aufgaben wie persönliche Besuche bei Kunden ermöglicht. Eine deutliche Steigerung der Verkäufe von Mountek wird erwartet, da die KI im Laufe der Zeit weiter lernt und Vorschläge zur Kontaktaufnahme bzw. Verkaufsabschlüssen fortlaufend optimiert.

Umsetzung der KI-Applikation 

Bei Mountek liegen Daten aus dem CRMSystem Taifun Open Business seit 2002 in unterschiedlicher Qualität vor. Früher wurden z.B. weniger Kontakte (Memos) im CRM-System angelegt. Erste Ideen zur Aufbereitung der historischen Daten z.B. mithilfe von Freitextfelderanalyse wurden im Quick Check erarbeitet. Für das zukünftige, echtzeitfähige System sollen zusätzliche Felder in Taifun eingefügt werden, damit der Aufbereitungsschritt entfällt. Außerdem spielt die Anbindung der Computer Telefonie Integrationssoftware ProCall für die Umsetzung von CustoReach eine wichtige Rolle. Schnittstellen zum Abrufen von Ferien und Feiertagen sowie ggf. Messeterminen sollen ebenfalls verwendet werden. Optional sollen noch Daten der Webseite und aus den Social Media Auftritten über Google/Facebook/Youtube Analytics mit in die Auswertung einfließen. Es wird eine Kombination eines KI Systems zur Klassifikation und Prädiktion sowie eines regelbasierten Systems zur Umsetzung von Custo-Reach empfohlen.

Kontakt

Christian Knecht

christian.knecht@iao.fraunhofer.de

Ravi Kanth Kosuru

ravi-kanth.kosuru@iao.fraunhofer.de

Ausgangssituation

Die Aufgaben eines Außendienstmitarbeitenden sind zahlreich, ganz gleich in welcher Branche – von der Vor- und Nachbereitung eines Kundentermins bis hin zur Erschließung neuer kunden- und produktrelevanten Informationen, durch ein neues Einsatzgebiet oder aber auch komplett neue Produkte. Aus diesen zahlreichen Aufgaben wurden im Rahmen des Quick Check sechs Szenarien entwickelt und bewertet, um diese Aufgaben greifbarer zu gestalten. Als besonders nutzbringend und wichtig für den KI-Einsatz wurde das Szenario Dokumentation des Kundentermins ausgewählt. Diese Arbeiten erfolgen bisher am Abend, wobei Berichte erstellt, E-Mails geschrieben und weitere Aktionen durchgeführt werden.

Lösungsidee

DafNe der Digitale Assistent soll die Situ-ation verbessern, indem der Mitarbeiter wesentliche Punkte des Gesprächs direkt nach dem Termin über Spracheingabe in der DafNe-App festhalten kann. Die Übertragung der Gesprächsnotizen erfolgt nach manueller Kontrolle in der App in das CRM-System. Des Weiteren soll DafNe in der Lage sein über ein Dialogsystem Folgeaktivitäten abzufragen und diese vorzuzubereiten bzw. direkt auszuführen.

Folgende Aktionen unterstützt DafNe: 

• Dokumentation
• Schriftverkehr vorbereiten durch die Vorformulierung von E-Mails, passende Anhänge zu Dokumenten und Produktinformationen im System automatisch finden
• Kontaktaufnahme/-suche per Telefon intern (Anfragen, Weitergabe von Lob und Kritik) und extern (Terminabsage, -bestätigungen)
• Termine koordinieren: Erinnerungen setzen, Folgetermine planen/eintragen/versenden
• Angebote vorbereiten, indem Produkt-informationen (z. B. Produktblätter, Tex-te auf Webseiten, etc.) und archivierte Angebote in den diversen Systemen (Wissensdatenbank, ERP, etc.) gefiltert und zusammengestellt werden

Nutzen

DafNe ermöglicht den Außendienstmitar-beitern unkompliziert zu jeder Zeit, seiner Dokumentation und Kommunikation intern als auch extern nachzugehen. Damit werden Zeiteinsparungen von 10 bis 15 Prozent erwartet, wodurch gleichzeitig die Arbeitsbelastung der Mitarbeitenden sinken soll.

Umsetzung der KI-Applikation 

DafNe als sprachgesteuerter digitaler Assistent auf Mobilgeräten wie Tablet und Smartphone soll automatisiert Aufgaben ausführen oder vorbereiten. Kontrollauf-gaben, z. B. vor dem Versand von E-Mails und Protokollen, werden direkt über das Endgerät vorgenommen. 

DafNe besitzt Schnittstellen zu den diversen Anwendungen im Unternehmen wie Office 365 (z. B. Word, Outlook, …), sowie Interaktionen in die bestehende CRM-Umgebung. Rechercheaufgaben nach technischen Inhalten werden über Informations-, Schulungs- und Medienplattformen (Sharepoint/Streaminplattformen/Podcasts usw.) unterstützt oder können über direkte Ansprechpartner erfolgen, welche in einer Matrix Ansprechpartner-Fachkompetenz erfasst sind.

Kontakt

Claudia Dukino

claudia.dukino@iao.fraunhofer.de

Ausgangssituation

Aus Zeit- oder Kostengründen wird oft auf eine zweite Meinung in der Veterinärmedizin verzichtet. Der Quickcheck-Partner verwaltet eine webbasierte Praxissoftware, die Daten zu behandelten Tieren, deren Behandlungsverläufen, Diagnosen und Infos zur Anamnese erfasst. Ein KI-Modell soll mit diesen Daten trainiert werden, um die Diagnose für die Erkrankung eines Tieres prognostizieren zu können.

Lösungsidee

Die historischen Daten zu den Tierarztbe-suchen, die in der Praxissoftware vorliegen, sollen für das Erstellen eines Machine Learning Algorithmus genutzt werden. Die Algorithmen erkennen Muster und Zusammenhänge, die in der Vergangenheit zu bestimmten Diagnosen führten. Diese Erkenntnisse können in Zukunft in Form ei-ner digitalen zweiten Meinung die fachliche Expertise des Tierarztes ergänzen.

Nutzen

• Es profitieren sowohl die tierischen Patienten, deren Halter als auch die Tierpraxen. Eine (digitale) zweite Meinung sorgt bei komplexen Fällen für medizinische Sicherheit. Kosten durch unnötige Folgebehandlungen werden vermieden oder weitere sinnvolle Behandlungen werden veranlasst.
• Der Veterinär möchte eine medizinisch sichere Diagnose stellen, um somit maximalen Behandlungserfolg zu erzielen. Die (digitale) zweite Meinung leisten hierzu einen wichtigen Beitrag.
• Der Betreiber der Praxissoftware profitiert, denn eine (digitale) zweite Meinung wäre einzigartig auf dem Markt der Tierarzt Praxissoftware und würde ihm ein Alleinstellungsmerkmal verschaffen.
• Das Vorgehen kann auf eine Übertragbarkeit auf die Humanmedizin hin evaluiert werden. Damit ergäben sich weitere Erkenntnisse darüber, inwieweit KI-Methoden für die Humanmedizin geeignet sind. Einerseits besteht in der Humanmedizin eine Datenschutzproblematik bei der Verarbeitung personenbezogener Daten, andererseits ist die Datenlage in der Humanmedizin deutlich besser (standardisierte ICD-Codes).

Umsetzung der KI-Applikation 

• Der Datensatz beherbergt ca. 400.000 Tieruntersuchungen.
• Enthaltene Features: anonymisierte eindeutige Tier ID, Rasse, Farbe, Ge-burtsdatum, Geschlecht, Spezies, Behandlungsgrund, Bericht, Anamnese, Diagnose
• Der Datensatz ist hochgradig heterogen, (z.B. hat der Behandlungsgrund mehr als 100.000 verschiedene Ausprägungen).
• Die Diagnose fehlt in mehr als 90% der Fälle, ca. 5.000 Datenpunkte sind voll besetzt.
• Es müssen sehr viele uneinheitliche und unstrukturierte Daten (Freitext) analysiert und bereinigt werden (Synonyme und Abkürzungen oder Tippfehler müssen vereinheitlich werden).
• Getroffene Annahmen: Diagnose ist Zielvariable und Beachtung der Spalten Geburtsdatum, Geschlecht, Spezies, Behandlungsgrund, Diagnose
• Sieben Verfahren wurden mit der Library scikit learn evaluiert, das beste erreicht eine Genauigkeit von ca. 60%.
• Fazit: Viel Potenzial in den Daten, in der vorliegenden Form ist es jedoch schwer bis unmöglich, einen umfangreichen Anteil der enthaltenen Informationen zu verwerten.

Kontakt

Marc Hanussek

marc.hanussek@iao.fraunhofer.de

Matthias Blohm

matthias.blohm@iao.fraunhofer.de

Dr. Maximilien Kintz

maximilien.kintz@iao.fraunhofer.de

Ausgangssituation

Die zunehmende Bedeutung von Online-Diensten wirft auch bei der Dr. Mittwollen Invest GmbH die Frage auf, wie die Finanzanlagenberatung digitalisiert und mit einem virtuellen Konversations-Assistenten, bzw. mit Hilfe eines Chatbots, durchgeführt werden kann. Die meisten Kunden wollen sich nicht tief in Finanz-Grundwissen einarbeiten, sondern leicht verständlich beraten werden. Die Entwicklung eines empathischen Chatbots, der FAQs beantworten und den Nutzern Anlagemöglichkeiten auf der Grundlage ihrer individuellen Situation und Präferenzen empfehlen kann, wird dem Unternehmen helfen, für viele unterschieldiche Kunden attraktiv zu sein und diese langfristig zufrieden zu stellen, das Image des Unternehmens zu stärken sowie schneller Vertrauen zwischen dem Kunden und dem Unternehmen aufzubauen.

Lösungsidee

• Erstellung eines selbstlernenden Algorithmus, womit der Chatbot FAQs und entsprechende Antworten vom Benutzer-Forum lernt und in der Interaktion mit Kunden einsetzt.
• Entwicklung eines Matching-Algorithmus zwischen den Persönlichkeitstypen (»Risikoprofilen«) der Kunden und den Anlagevorschlägen sowie seine Integration in das Chatbot-Framework.
• Entwicklung des Chatbots mit der Integration von Back-End-Diensten.

Nutzen

• Senkung interner Kosten durch die Verwendung des Chatbots zur teilweise automatisierten Finanzberatung und zu Online-Dienstleistungen, die 24/7 verfügbar sind.
• Bereitstellung des Finanzanlagenberatungs-Chatbots in der Unternehmenswebseite zur ständig verfügbaren Unterstützung der Kunden bei der Beschäftigung mit Finanzthemen.
• Schnellerer Vertrauensaufbau online bei Neukunden und Erhöhung der Benutzerfreundlichkeit für hohe Online-Konversionsraten und langfristige Kundenbindung.
• Schnellere, Adressaten-gerechte Beantwortung der FAQs, ohne persönlich einen Berater kontaktieren zu müssen, erhöht die Kundenzufriedenheit.
• Mit dem Chatbot hat das Unternehmen mehr Interaktionspunkte mit Kunden und kann seine Wettbewerbsfähigkeit wesentlich verbessern.

Umsetzung der KI-Applikation 

• Der Finanzanlagenberatungs-Chatbot wird schließlich in die Website des Unternehmens integriert werden, um die Kunden zu unterstützen. Bereits vorhandene FAQs und ihre Antworten werden von der Firma zur Integration in den Chatbot zur Verfügung gestellt. Außerdem wird der Chatbot die neuen FAQs und ihre Antworten in einem von der Firma moderierten Benutzerforum selbst lernen.

Kontakt

Alina Khayretdinova

alina.khayretdinova@iao.fraunhofer.de

Ausgangssituation

In einem Feinlogistikszenario werden Montagelinien nach dem bei der Kanban-Methode verfolgtem Pull-Prinzip mit Material versorgt. Das Material lagert in sogenannten Supermärkten und wird nur in der Menge wieder aufgefüllt, wie es verbraucht wird. Die Produktionseinheiten (Stationen) einer Montagelinie sind in einem U-Layout angeordnet, wobei das Material meist von außen zugeführt wird.

Die Materialzu- und abführungen der zu beliefernden Stationen sind zuweilen bauartbedingt schwer einsehbar, so dass Feinlogistiker häufig direkt an die Stationen laufen müssen, um einen Handlungsbedarf zu erkennen. Dies resultiert in langen Laufwegen. Erfahrene Feinlogistiker haben einen guten Überblick, welche Komponenten häufig nachgefüllt und welche Stellen fokussiert werden müssen. Insbesondere neuen und aufgabenfremden Mitarbeitern fehlt dieses Wissen. Weiterhin ist durch Feinlogistiker darauf zu achten, dass die betreuten Montagelinien nicht leerlaufen dürfen. Sobald nur eine Komponente im Montageprozess fehlt, stoppt der Produktionsbetrieb.

Lösungsidee

Die Tätigkeit von Feinlogistiker soll durch ein echtzeitfähiges Vorschlagsystem zur Priorisierung von Nachfüllaufgaben sowie zur Berechnung der Materialzusammenstellungen und optimalen Routenführung unterstützt werden. Über ein eKanban System werden hierfür die Pufferfüllstände an den Arbeitsstationen und am Kanbanregal erfasst.

Das intelligente Doppelbodensystem leitet ein fahrerloses Transportfahrzeug, das die Produktionsmaterialien an die richtige Stelle transportiert. Dort können sie vom Feinlogistiker entladen werden. Zudem kann der Feinlogistiker mithilfe der ebenfalls im Boden integrierten Gewichtserkennung erkannt und lokalisiert werden. Die tatsächlich gelaufenen Routen finden als Trainingsdaten und zur Optimierung der KI-Modelle Anwendung.

Nutzen

Alle Stationen einer Produktionslinie sollen stets mit ausreichend Material versorgt werden und die Lagerkosten durch die bedarfsgerechte Belieferung der Stationen minimiert werden.

Der Nutzen eines aktiven und echtzeitfähigen Vorschlagsystems für die Produktionslogistik besteht u. a. darin, dass Einlernphasen für Feinlogistiker entfallen. Dies ist insbesondere relevant, wenn die Produktion aufgrund der Produktvielfalt bzw. der sich immer stärker verkürzenden Produktlebensdauern flexibel gestaltet werden muss (Stichwort: wandelbare Fertigung). Dies beinhaltet insbesondere auch einen stetigen Wandel in den Logistikrouten der Produktion. Außerdem werden die Feinlogistiker durch das Vorschlagsystem entlastet und haben Zeit für höherwertige Tätigkeiten.

Umsetzung der KI-Applikation 

Zur Umsetzung der KI-Applikation werden Daten aus einer Logistikplanungssoftware sowie Daten aus einem eKanban Softwaremodul, mit Informationen zu den Füllständen am Kanban-Regal und an den Arbeitsplätzen, benötigt. Ggf. können noch Auftragsdaten aus dem ERP-System zur besseren Vorhersage herangezogen werden, z. B. anhand von historischen Pufferverläufen in Abhängigkeit von Aufträgen. Die Lokalisierung der Feinlogistiker wird mittels Gewichtserkennung im Boden oder durch Erkennung der veränderten Füllstände an den Arbeitsstationen ermöglicht. Die Routenoptimierung wird als Graphproblem definiert. Darin werden den Kanten Kosten zugeordnet, die sich aus statischen Einflussparametern, beispielsweise Distanz zwischen Supermarkt und der zu beliefernden Station, und variablen Parametern, wie die auf dem aktuellen Pufferstand basierende Priorität der Zielstation, zusammensetzen.

Kontakt

Christian Knecht

christian.knecht@iao.fraunhofer.de

Ravi Kanth Kosuru

ravi-kanth.kosuru@iao.fraunhofer.de

Ausgangssituation

Als Zulieferer von 6500 Buchhändlern ist die präzise Vorhersage der Nachfrage der im Bestand vorhandenen Artikel essentiell. Augenblicklich verwendete Verfahren basieren auf vergangenen Nachfragen der letzten 30 Tage ohne die Integration von weiteren Parametern und benötigen zudem eine manuelle Adjustierung.

Lösungsidee

Die Nachfrage eines jeden Artikels soll präzise mittels K I- Methoden vorhergesagt werden. Hierbei soll die Natur der Daten adäquat im Modell abgebildet sein und neue Informationen zu den einzelnen Artikeln mittels intelligenter Verfahren aus den Daten geschöpft werden, (z.B., mittels Ähnlichkeitsanalysen oder intelligenter Texterkennung für Freitexte). Durch das stetige Trainieren des Modells mit neuen Datensätzen soll die Vorhersage der Nachfrage laufend verbessert werden. Die Datenexploration zeigte, dass sowohl die Wahl der für das Training verwendeten Zeitfenster als auch die Entscheidung für verschiedene Modelle für Artikelgruppen mit signifikant unterschiedlichem Nachfrageverhalten relevant ist. Die Zuordnung zu den Artikelgruppen kann ebenfalls mittels Clusteranalysen und KI-gestützten Methoden realisiert werden.

Nutzen

Die präzise Vorhersage der Nachfrage mittels KI verbessert die Lieferfähigkeit, reduziert Lagerkosten und Kundenabwanderung und ermöglicht somit einen optimalen Service und Kapitalbindung. Augenblicklich manuell durchgeführte Korrekturen können somit automatisiert werden. Die Vorhersagegenauigkeit kann mit der des aktuell verwendeten Modells verglichen werden, um mögliche Verbesserungen zu quantifizieren. Mittels Integration von betriebswirtschaftlichen Überlegungen, welche die Firmenstrategie beschreiben (u.a. Kosten–Nutzen Funktionen und Kostenoptimierung über verschiedene Parameter) kann die Wirtschaftlichkeit des Unternehmens verbessert werden.

Umsetzung der KI-Applikation 

Sowohl die Datenlage mit historischen Daten über 3 Jahre für 600.000 Artikel als auch die IT-Infrastruktur des Unternehmens erweisen sich als geeignet für KI-Methoden. Für die Vorhersage bedarf es Modelle, die spezialisiert auf Zeitreihen sind. In ersten Explorationen erzielten autoregressive integrierte gleitende Durchschnittsmodelle vielversprechende Ergebnisse. Die Erweiterung dieser Modelle mit exogenen Faktoren (z.B., Einflussvariablen wie der Ladenpreis des Artikels) oder rückgekoppelte neuronale Netze zur Verbesserung der Vorhersage sollen in zukünftigen Schritten exploriert werden. Für die präzise Vorhersage sind allerdings weitere Datenbereinigungs- und aufbereitungsschritte nötig. Schwierigkeiten der Datenlage sind große Unterschiede im Nachfrageverhalten, umsatzleere Zeiträume für eine Vielzahl von Artikeln, das Fehlen von eindeutigen Trends über einen kurzen Zeitraum (Sprunghaftigkeit auf Wochenlevel) und temporäre starke Ausreißer.

Kontakt

Katharina Lingelbach

katharina.lingelbach@iao.fraunhofer.de

Ausgangssituation

Eine teilautomatisierte Fertigungszelle wird durch ein aktives Werkerassistenzsystem optimiert, indem Mitarbeiter mithilfe von Visualisierungssystemen zu Maschinen geleitet werden, an denen manuelle Arbeitsschritte notwendig sind. Die bisher verwendete regelbasierte Priorisierungslogik bietet noch Optimierungspotenzial. Um Mitarbeitern die Maschinen vorschlagen zu können, die als nächstes stillstehen bzw. die kürzeste Restlaufzeit haben, müssen gute Voraussagen über die Zykluszeiten der Maschinen getroffen werden können. Dies gestaltet sich vor allem bei einem Maschinentyp in der Zelle als schwierig, bei welchem an zwei Stationen unterschiedliche Rezepte laufen können.

Lösungsidee

Ein wichtiger Faktor bei der dynamischen Priorisierung von Arbeitsabläufen ist die noch benötigte Restzykluszeit von Maschinen. Die Vorhersage wahrscheinlicher Zykluszeiten für verschiedene Rezeptkombinationen kann mittels Clustering-Verfahren ermöglicht werden. Der Einbezug zusätzlicher Datenquellen, wie z.B. Temperatur- oder Feuchtigkeitssensoren, kann zur weiteren Optimierung der Vorhersage dienen.

Nutzen

Die Leistung der Fertigungszelle soll durch den sich dynamisch ändernden Arbeitsablauf optimiert werden, d.h. die Maschinenstillstandzeiten sollen durch die Verwendung des KI-basierten Algorithmus weiter minimiert werden. Außerdem soll die Nachhaltigkeit, z.B. durch die automatische Anpassung an zukünftige Entwicklungen wie Layoutänderungen in der Zelle usw., erhöht werden. Das Erfahrungswissen der Mitarbeiter trägt dabei zur Verbesserung des KI-basierten Algorithmus bei.

Umsetzung der Ki-Applikation

Bisher wurden die Maschinenlogdaten über einen Zeitraum von vier Wochen analysiert und ausgewertet. Viele Faktoren beeinflussen die Zykluszeit der Maschinen, die alle rezeptspezifisch sind. Erste Auffälligkeiten und Zusammenhänge bei der Voraussage von Maschinenzykluszeiten wurden identifiziert. Für eine Umsetzung des KI-Systems müssen aber aktuelle Daten auf der Grundlage bestehender Layouts, Prozesse und Rezepte über einen längeren Zeitraum gesammelt und aggregiert gespeichert werden. SYSTEMEs wird zudem empfohlen, in der Zelle zusätzliche Sensoren zu installieren, um z.B. Einflussfaktoren wie Temperatur und Luftfeuchtigkeit bei der Voraussage der Zykluszeiten mit einbeziehen zu können.

Vielversprechende Modelle wurden vorgeschlagen. Außerdem wurden Ideen entwickelt, um das Erfahrungswissen von Mitarbeitern mit zur Optimierung der Priorisierungslogik einbeziehen zu können.

Kontakt - Fraunhofer IAO

Christian Knecht

christian.knecht@iao.fraunhofer.de

Ravi Kanth Kosuru

ravi-kanth.kosuru@iao.fraunhofer.de

Kontakt - Fraunhofer IPA

Julia Denecke

julia.denecke@ipa.fraunhofer.de

Ausgangssituation

Die Erschließung von juristischen Texten erweist sich als große Herausforderung für Rechtsberater. Vor allem bei komplexeren Fällen müssen unterschiedliche Quellen wie Gesetzestexte, Urteile oder Kommentare durchforstet und miteinander verknüpft werden. Die sich ständig ändernde Gesetzeslage erschwert diese Aufgabe zusätzlich, da für ausreichende Rechtssicherheit keine Informationen übersehen werden dürfen.KI-basierte Assistenzfunktionen sollen die Rechtsberater durch automatische Aufbereitung der Texte unterstützen.

Lösungsidee

Aufgrund des stark formellen Sprachcharakters und der hohen Verfügbarkeit eignen sich juristische Texte gut für eine automatische KI-basierte Analyse. Hierbei können Regelwerke eine erste Annäherung zur Erschließung von Inhalten und Sprachstrukturen darstellen. Die so erkannten getaggten Textinhalte kommen wiederum als Trainingsmenge für weiterführende (selbstlernende) KI-Verfahren in Frage, mit deren Hilfe sich die Qualität der Ergebnisse optimieren lässt.

Nutzen

Durch die automatische Aufbereitung von juristischen Texten ist eine beachtliche Zeiteinsparung für Rechtsberater zu erwarten. Gleichermaßen wirken die vormarkierten Inhalte dem Übersehen von Informationen entgegen und sorgen somit für qualitativ bessere Ergebnisse. Dies hat eine erhöhte Rechtssicherheit zur Folge, von der sowohl Berater als auch Kunde profitieren.

Durch die leichte Übertragbarkeit auf andere normierte Texte kann dieser Ansatz generell für alle Unternehmen von Nutzen sein, die mit juristischen Texten zu tun haben.

Umsetzung der Ki-Applikation

Viele juristische Texte wie Gesetze, Gesetzeskommentare und Urteilsbegründungen sind in großer Zahl frei verfügbar. Diese gute Ausgangslage bzgl. der Daten kann dazu genutzt werden, ausreichend große Trainings- und Testmengen zu erzeugen und auch zu überprüfen, inwieweit die in Teilbereichen (z.B. Steuergesetzgebung) erzielten Ergebnisse sich in andere Teilbereiche übertragen lassen.

Mithilfe von am Fraunhofer IAO vorhandener und im Rahmen des Quickchecks leicht angepasster KI-Textverarbeitungstools wurden einige Gesetzestexte exemplarisch analysiert und wesentliche Inhalte farblich markiert.

Unter den erkannten Inhalten befanden sich Textentitäten wie:

• Nummern von gesetzlichen Paragraphen, Absätzen, Sätzen usw.
• Signifikante juristische Schlüsselbegriffe
• Sprachliche Konstruktionen wie Negationen oder Implikationen, die z.B. Aufschluss über eine Rechtsfolge geben
• Weitere allgemeine Entitäten wie Geldbeträge oder Datumsangaben

Kontakt 

Jens Drawehn

jens.drawehn@iao.fraunhofer.de

Matthias Blohm

matthias.blohm@iao.fraunhofer.de

Dr. Maximilien Kintz

maximilien.kintz@iao.fraunhofer.de

Ausgangssituation

Elabo ist Anbieter von adaptiven Arbeitsplatzsystemen für die Montage. Die Arbeitssysteme stellen sich bzgl. Tischhöhen, Lichteinstellungen, Arbeitsassistenzsysteme individuell auf die Mitarbeitenden ein. Die individuelle Interaktion, Einstellungen von Tisch, Licht und Arbeitsgeschwindigkeit, Nutzung der Assistenzsysteme sowie der kognititve Beanspruchungslevel werden jedoch nicht erfasst. Dies führt zu unpassenden Einstellungen, Interaktionsmechanismen und somit zu suboptimaler User Experience und Stress. Technologien der Künstlichen Intelligenz könnten dabei helfen, basierend auf der Mitarbeiterinteraktion, favorisierte und optimale Einstellungen zu erlernen und selbst Vorschläge zu Einstellungen vorzunehmen. Mitarbeitende könnten Interaktionen nach eigenem Wunsch selbstständig einlernen und der KI beibringen. Zudem werden die Interaktionen und Inhalte dem jeweiligen kogniviten Belastungslevel und Ausbildungsniveau angepasst.

Lösungsidee

• Verstehen und Ermittlung der tatsächlichen Nutzungsinteraktion des Arbeitsplatzes durch die Mitarbeitenden.
• Ermittlung von Über-/Unterforderungssituationen für den Mitarbeitenden im Prozess durch intelligente Verknüpfung von Arbeitsplatzdaten (Licht, Arbeitsanleitungen, etc.), Emotionszuständen (Haltung, Gesichtsausdruck, etc.) und Auftragsdaten (seltene Varianten, etc.)
• Ausgabe von Maßnahmen (Microlearnings, Arbeitsplatzrotation, Ergonomie-Nudges, etc.) durch KI, damit die Unter- bzw. Überforderungssituation verhindert wird. Dies reduziert die physische und psychische Belastung des Mitarbeitenden.

Nutzen

Nutzen für Mitarbeitende:

• Verminderung von physischer und psychischer Belastung am Arbeitsplatz
• Erhöhte Attraktivität durch optimale User Experience, Anspruchslevel und Ergonomie

Nutzen für Anwenderunternehmen:

• Steigerung der Produktivität durch kontextadaptive Arbeitsplatzeinstellung
• Verbesserte Qualität durch optimale Unterstützung der Mitarbeitenden

Nutzen für Elabo als Ausrüsterunternehmen:

• Ergänzung bestehender Arbeitsplatzsysteme und Assistenzsysteme um die intelligente Steuerung der Funktionen, wie Assistenzinhalte, Tisch- und Lichteinstellungen
• Längerer Betreuungslebenszyklus durch die Softwareintegration in die Arbeitsplatzhardware

Umsetzung der KI-Appliklation

• Zu der bereits verwendeten Sensorik am Arbeitsplatz und Elution (Auftragsdaten und Arbeitsplatzdaten), können über Low-Cost-Hardware (Kamerasystem und Mikrofon) zusätzlich weitere Daten erhoben werden.
• Einsatz verschiedener Verfahren zur Klassifizierung und Prädiktion von Über-/Unterforderungssituationen
• Lernverfahren zur Erfolgskontrolle von getroffenen Maßnahmen
• Reaktion auf Basis der Arbeitsplatzeinstellungen und weiterführenden Maßnahmen wie Microlearnings, Arbeitsplatzrotation, etc.

Kontakt

Bastian Pokorni

bastian.pokorni@iao.fraunhofer.de

Ausgangssituation

Viele Unternehmen im Sondermaschinenbau mit Kunden im Bereich Pharma oder Kosmetik stehen derzeit vor der Herausforderung, dass Daten zur Verfügung stehen, jedoch fehlt die notwendige Erfahrung und die Herangehensweise aus diesen Daten Wissen zu generieren.

Die Maschinen von groninger erzeugen derzeit große Mengen an Daten. Aus den Daten kann jedoch kaum Wissen extrahiert werden, um eine Erhöhung der Anlageneffektivität durch Verringerung von Stopps und Stillstandzeiten zu ermöglichen.

Zudem ist die Verknüpfung von Kundendaten und spezifischem Prozesswissen der Bedienenden für den Sondermaschinenbauer schwer zu realisieren. Hierzu fehlt eine zusammenhängende Methode.

Lösungsidee

Zur Steigerung der Maschinenverfügbarkeit müssen Störsituationen und Anomalien im Prozess mithilfe einer KI identifiziert werden. Hierfür sind folgende Schritte notwendig:

• Aufbau von Verständnis für den gesamten Maschinenprozess
• Eingrenzung des Betrachtungsgegenstandes auf eine konkrete Störsituation, welche die OEE mindern
• Bedarfe des Kunden und des Herstellers verstehen
• Anhand von Domänen- und KI-Expertise erörtern, welche Kriterien die Störsituation beeinflussen und geeignete Variablen identifizieren
• Anwendungsfall gestalten
• Festlegung der relevanten Daten und deren erwartete Veränderung im Fehlerfall beschreiben
• Auswahl eines passenden Machine-Learning-Verfahrens

Nutzen

• Einfluss gewonnener Erkenntnisse in zukünftige Maschinengenerationen wie auch Verbesserung der Verfügbarkeit und Leistung bestehender, sich im Betrieb befindende Maschinen
• Erweiterung der bereits ausgelieferten Maschinen um neue Funktionalitäten:
  •  Vermeidung von Fehlern und Stillständen durch entsprechende Hinweise und Warnungen vor deren Auftreten
    
  • Unterstützung der Bedienenden im Fehlerfall durch geeignete Maßnahmen wie z. B. Warnungen oder zusätzliche Informationen
  • Aufbau eines besseren Verständnisses für den Einsatz der Maschinen im realen Betrieb

Umsetzung der KI-Applikation

Input:

• Vorhandene Sensor-Infrastruktur (Werte, Frequenz, …) verstehen
• Zusammenführung von Daten aus unterschiedlichen Quellen (SPS, MDE, etc.) zur Erkennung von Korrelationen in einer bestimmen Störsituation
• Datenvoraussetzung und -handhabung gewährleisten (Gelabelte Daten (Ort und Zeit))

KI-Ansatz (zweistufiges Verfahren):

• 1. Unsupervised Learning:
  • Parameter- und Dimensionsreduktion durch eine Hauptkomponenten-analyse
• 2. Supervised Learning:
  • Vorhersagen von Klassen (i.O. / n.i.O) durch eine Klassifizierung– Vorhersage von kontinuierlichen Werten mithilfe einer Regression

Output:

• Zusammenhang und Anomalien der ausgewählten Parameter
• Auswirkungen der Parameter auf die Störsituation
• Einfluss der Störsituation auf die Maschinenverfügbarkeit

Kontakt

Tim Hornung

tim.hornung@iao.fraunhofer.de

Ausgangssituation

Ritter Sport möchte durch den Einsatz und die KI-gestützte Auswertung von Satellitenbildern pflanzenphysiologische sowie bodenchemische Zustände und Veränderungen erkennen. Auf Basis der gewonnenen Erkenntnisse soll eine ressourcenschonende und bedarfsgerechte Präzisionslandwirtschaft gesteuert werden.

Das frühzeitige Erkennen pflanzenbaulicher Parameter in Kombination mit möglichen Handlungsalgorithmen soll zu einer Ertragssteigerung und im Rahmen eines Früherkennungssystems zu Mittelaufwandssenkungen führen.

Das Untersuchungsgebiet ist die Kakaoplantage Finca El Cacao von Ritter Sport in Nicaragua.

Lösungsidee

Satellitendaten und Wetterinformationen werden gemeinsam für das Untersuchungsgebiet ausgewertet, um relevante pflanzen- und bodenphysiologischen Veränderungen für Kakaoplantagen schnell zu erkennen. Dabei soll die Auswertung der Satellitenbilder mit dafür geeigneten KI-Verfahren erfolgen. Darauf aufbauend sollen über die Anwendung von Handlungsalgorithmen mit einer KI-gesteuerten Maßnahmenauswahl kurzfristig optimale Entscheidungsvorlagen erarbeiten werden.

Nutzen

• Frühzeitiges Erkennen von eintretenden Veränderungen von gestressten Pflanzen mit Unterstützung von Satellitendaten.
• Reduzierte Mittelaufwandsmenge und mögliche Ertragssteigerung.
• Sicherstellung eines langfristig stabilen Ertragsniveaus.

Das bedeutet eine geringere Belastung der natürlichen Ressourcen bei gleichzeitiger Sicherstellung des Ertragsniveaus durch optimales und schnelles Eingreifen.

Anwendung der KI-Applikation

Recherche verfügbarer Satellitendaten für die Kakaoplantage Finca El Cacao von Ritter Sport in Nicaragua:

• Recherche – Kriterien: Räumliche Auflösung, Zeitliche Auflösung (revisit time), Kosten
• Ergebnis: Übersicht von frei und kommerziell verfügbarer Erdbeobachtungs-Satellitendaten

Konzeptentwicklung für ein KI-Modell zur Auswertung der Satellitenbilder:

• Robuste Detektion von gestressten Pflanzen (Abnormalitäten) in Fernerkundungsdaten.
• Labeling der Datensätze mit den detektierten Abnormalitäten für KI-Modelle zur Bilderkennung.

Fazit:

Der Quick Check hat gezeigt, dass die Auflösungen der Satellitendaten nicht ausreicht um im Untersuchungsgebiet kleinflächige pflanzen- und bodenphysiologischen Veränderungen auf Kakaoplantagen zu erkennen. Die Empfehlung ist daher eine Kombination verschiedener Plattformen für Bilddaten (z.B. Satellitendaten, Drohnen, Webcams). Eine Wiederaufnahme des Projekts ist vorgesehen, wenn die erforderliche Datenbasis verfügbar ist.

Kontakt

Sven Wagner

sven.wagner@iao.fraunhofer.de

Heiko Roßnagel

heiko.rossnagel@iao.fraunhofer.de