Praxisbeispiel INNOVATION Strategien im Fachkräftemangel: den Nachwuchs für die IT begeistern und in Aus- und Weiterbildung investieren

Smarte Produkt- und Prozessinnovationen durch die Entwicklung von KI-Pipelines bei WashTec, Rational und ITQ. Ein Gastbeitrag von Prof. Dr. Björn Häckel, Wissenschaftlicher Leiter des KI-Produktionsnetzwerks an der Hochschule Augsburg.

In Unternehmen fallen Unmengen von Daten an, die aus den unterschiedlichsten Quellen stammen und aus verschiedenen Schnittstellen gelesen werden. Diese heterogene Datenlandschaft ist eine Herausforderung für Unternehmen, die diese weiterverarbeiten und in innovative Anwendungen überführen wollen. Eine einheitliche Datengrundlage würde diese Prozesse vereinfachen. Die Entwicklung und Nutzung von KI-Pipelines ist für Unternehmen ein erster Schritt, um Ihre Daten in intelligente Prozesse, Strukturen und Anwendungen zu überführen. Hieran arbeitet die Hochschule Augsburg (HSA) innerhalb des KI-Produktionsnetzwerks Augsburg zusammen mit ihren Verbundpartnern im Projekt SPIKe, einem Akronym für „Smarte Prozess-, Produkt- und Service-Innovation durch KI-Pipelines für etablierte Unternehmen“. Forschungsseitig ist der Institutsteil Wirtschaftsinformatik des Fraunhofer-Instituts für Angewandte Informationstechnik (FIT) beteiligt. Unternehmenspartner sind die Firmen Rational Technical Services, WashTec Cleaning Technology und ITQ.

Eine KI-Pipeline wird als holistischer Datenfluss im Sinne einer datenverarbeitenden Pipeline mit darauf aufbauenden KI-Anwendungen verstanden und gewährleistet die bestmögliche Datenstrategie in Hinblick auf die Anwendungsmöglichkeiten von KI-Technologien. Das bietet optimale Voraussetzungen für das Implementieren von verschiedenen KI-Anwendungen für Unternehmens- und Kundenprozesse sowie für neuartige Produkte und Services. Mit dem Ziel smarter Innovationen durch KI-Pipelines arbeitet das Forschungskonsortium gemeinsam an einem Referenzmodell, das die Integration von KI unterstützt und branchenunabhängig verwendet werden kann.

Ziel des Projekts SPIKe ist es deshalb, eine strukturierte und harmonisierte  Vorbereitung und Verwaltung von Daten und Datenflüssen hinsichtlich ihrer Verwendungsmöglichkeiten in KI-Technologien zu schaffen. Dies soll Unternehmen zur Auswertung relevanter Daten befähigen, um langfristig und nachhaltig Potentiale für smarte Innovationen zu heben und KI-Lösungen im Unternehmen skalierbar einzusetzen. Bei den Projektpartnern von SPIKe gilt dies besonders in den Bereichen Machine Learning und Natural Language Processing (NLP).

KI-Pipelines als Grundlage für die automatisierte Auswertung von Sprache

Im Projekt SPIKe entstehen unter anderem Lösungen zur KI-basierten Auswertung von Service- und Fehlerberichten mittels Natural Language Processing (NLP), der computergestützten Verarbeitung natürlicher Sprache. Oftmals brauchen Unternehmen immense Ressourcen zur Bearbeitung von unstrukturierten Textdaten, die zum Beispiel als E-Mails oder technische Serviceberichte in der Kundenbetreuung anfallen. Hinzu kommt, dass diese aufgrund der Bearbeitung durch Menschen fehleranfällig sind. NLP bietet hier als KI-Technologie ein großes Potential, diese Prozesse zu automatisieren, qualitativ zu sichern und skalierbar zu machen.

Machine Learning zur Auswertung von Nutzungs- und Produktdaten

KI-Pipelines dienen nicht nur der Verbesserung der internen Prozesse und einer Steigerung der Effizienz. Auch Produkte und dazugehörige Services lassen sich über die Auswertung von Nutzungsdaten optimieren. Denn viele Produkte verfügen mittlerweile über Sensoren und sind selbst vernetzt. So sammeln sie Daten über ihre Nutzung oder den aktuellen Maschinenzustand. Aus diesen Daten lassen sich komplexe digitale Modelle erstellen, sogenannte digitale Zwillinge. Durch diese neue Kunden- und Produkttransparenz entstehen vielfältige und neue Möglichkeiten, um die Verwendung, Haltbarkeit und Fehlerzustände des Produkts zu analysieren. Die gewonnenen Erkenntnisse können in die Entwicklung neuer datenbasierter Services wie z.B. Predictive Maintenance oder Predictive Quality  sowie in die Entwicklung neuer, verbesserter Produkte einfließen.

Das Projekt „SPIKe – Smarte Prozess-, Produkt- und Service-Innovation durch KI-Pipelines für etablierte Unternehmen“ wurde im Rahmen des Technologiekongresses Augsburg vom bayerischen Staatsministerium für Wirtschaft, Landesentwicklung und Energie mit einer Förderurkunde ausgezeichnet. Das Verbundforschungsvorhaben erhält eine Förderung von über 888.000 Euro.

Smarte Produkt- und Prozessinnovationen durch die Entwicklung von KI-Pipelines bei WashTec, Rational und ITQ. Ein Gastbeitrag von Prof. Dr. Björn Häckel, Wissenschaftlicher Leiter des KI-Produktionsnetzwerks an der Hochschule Augsburg.

In Unternehmen fallen Unmengen von Daten an, die aus den unterschiedlichsten Quellen stammen und aus verschiedenen Schnittstellen gelesen werden. Diese heterogene Datenlandschaft ist eine Herausforderung für Unternehmen, die diese weiterverarbeiten und in innovative Anwendungen überführen wollen. Eine einheitliche Datengrundlage würde diese Prozesse vereinfachen. Die Entwicklung und Nutzung von KI-Pipelines ist für Unternehmen ein erster Schritt, um Ihre Daten in intelligente Prozesse, Strukturen und Anwendungen zu überführen. Hieran arbeitet die Hochschule Augsburg (HSA) innerhalb des KI-Produktionsnetzwerks Augsburg zusammen mit ihren Verbundpartnern im Projekt SPIKe, einem Akronym für „Smarte Prozess-, Produkt- und Service-Innovation durch KI-Pipelines für etablierte Unternehmen“. Forschungsseitig ist der Institutsteil Wirtschaftsinformatik des Fraunhofer-Instituts für Angewandte Informationstechnik (FIT) beteiligt. Unternehmenspartner sind die Firmen Rational Technical Services, WashTec Cleaning Technology und ITQ.

Eine KI-Pipeline wird als holistischer Datenfluss im Sinne einer datenverarbeitenden Pipeline mit darauf aufbauenden KI-Anwendungen verstanden und gewährleistet die bestmögliche Datenstrategie in Hinblick auf die Anwendungsmöglichkeiten von KI-Technologien. Das bietet optimale Voraussetzungen für das Implementieren von verschiedenen KI-Anwendungen für Unternehmens- und Kundenprozesse sowie für neuartige Produkte und Services. Mit dem Ziel smarter Innovationen durch KI-Pipelines arbeitet das Forschungskonsortium gemeinsam an einem Referenzmodell, das die Integration von KI unterstützt und branchenunabhängig verwendet werden kann.

Ziel des Projekts SPIKe ist es deshalb, eine strukturierte und harmonisierte  Vorbereitung und Verwaltung von Daten und Datenflüssen hinsichtlich ihrer Verwendungsmöglichkeiten in KI-Technologien zu schaffen. Dies soll Unternehmen zur Auswertung relevanter Daten befähigen, um langfristig und nachhaltig Potentiale für smarte Innovationen zu heben und KI-Lösungen im Unternehmen skalierbar einzusetzen. Bei den Projektpartnern von SPIKe gilt dies besonders in den Bereichen Machine Learning und Natural Language Processing (NLP).

KI-Pipelines als Grundlage für die automatisierte Auswertung von Sprache

Im Projekt SPIKe entstehen unter anderem Lösungen zur KI-basierten Auswertung von Service- und Fehlerberichten mittels Natural Language Processing (NLP), der computergestützten Verarbeitung natürlicher Sprache. Oftmals brauchen Unternehmen immense Ressourcen zur Bearbeitung von unstrukturierten Textdaten, die zum Beispiel als E-Mails oder technische Serviceberichte in der Kundenbetreuung anfallen. Hinzu kommt, dass diese aufgrund der Bearbeitung durch Menschen fehleranfällig sind. NLP bietet hier als KI-Technologie ein großes Potential, diese Prozesse zu automatisieren, qualitativ zu sichern und skalierbar zu machen.

Machine Learning zur Auswertung von Nutzungs- und Produktdaten

KI-Pipelines dienen nicht nur der Verbesserung der internen Prozesse und einer Steigerung der Effizienz. Auch Produkte und dazugehörige Services lassen sich über die Auswertung von Nutzungsdaten optimieren. Denn viele Produkte verfügen mittlerweile über Sensoren und sind selbst vernetzt. So sammeln sie Daten über ihre Nutzung oder den aktuellen Maschinenzustand. Aus diesen Daten lassen sich komplexe digitale Modelle erstellen, sogenannte digitale Zwillinge. Durch diese neue Kunden- und Produkttransparenz entstehen vielfältige und neue Möglichkeiten, um die Verwendung, Haltbarkeit und Fehlerzustände des Produkts zu analysieren. Die gewonnenen Erkenntnisse können in die Entwicklung neuer datenbasierter Services wie z.B. Predictive Maintenance oder Predictive Quality  sowie in die Entwicklung neuer, verbesserter Produkte einfließen.

Das Projekt „SPIKe – Smarte Prozess-, Produkt- und Service-Innovation durch KI-Pipelines für etablierte Unternehmen“ wurde im Rahmen des Technologiekongresses Augsburg vom bayerischen Staatsministerium für Wirtschaft, Landesentwicklung und Energie mit einer Förderurkunde ausgezeichnet. Das Verbundforschungsvorhaben erhält eine Förderung von über 888.000 Euro.

alle Praxisbeispiele

Praxisbeispiele Diese Unternehmen zeigen wie es geht

Praxisbeispiel: Nachhaltiges Wirtschaften Klimaschutz im Augsburg Innovationspark

Dem Augsburg Innovationspark ist ein praktizierter Klima- und Naturschutz sehr wichtig. Darunter die Gestaltung der Freiflächen und der Gebäude und auch der Betrieb dieser Einrichtungen. Zudem sind „Leichtbau“ und „Ressourceneffizienz“ als Schwerpunktthemen von Anbeginn verankert. ... mehr
Mehr lesen

Praxisbeispiel: Fachkräfte für Innovationen Vom Technologie- in den Fachkräftevorsprung

Dirk Kowalewski, technischer Geschäftsführer bei der Druck- und Mediengruppe Mayer & Söhne in Aichach, kann sich in die Ängste der Mitarbeiter auf dem Weg in die zunehmende Digitalisierung einfühlen: „Habe ich als Mensch trotz der Digitalisierung noch eine Zukunft im Unternehmen und wie ... mehr
Mehr lesen

Praxisbeispiel: Ressourceneffizient in die Zukunft Ressourceneffiziente Technologie als Alleinstellungsmerkmal

AQUAAIR Schraubenkompressoren nutzen kühles Wasser statt heißem Öl zur Kühlung der Druckluft und senken die Energiekosten für Druckluft um bis zu 35 Prozent. Dabei wurden bekannte technische Lösungen nicht einfach kopiert, sondern die gesamte Anlage völlig neu konzipiert und konsequent auf ... mehr
Mehr lesen