KI-basierte Empfehlungssysteme in der Produktentwicklung : Ein Framework zur Wissensgewinnung aus multimodalen Daten in industriellen Anwendungen

Abstract

Der Engineer-to-Order (ETO)-Produktionsansatz gewinnt durch die steigende Nachfrage nach individualisierten Produkten und kleinen Losgrößen zunehmend an Bedeutung. ETO verringert jedoch die Skaleneffekte der Serienfertigung, da jeder Auftrag maßgeschneiderte Engineering- und Produktionsschritte erfordert. Dieser Effizienzverlust kann durch eine bedarfsgesteuerte und kontextbezogene Informationsbereitstellung während des Produktentwicklungsprozesses reduziert werden. Ein auf semantischer Künstlicher Intelligenz (KI) und Machine Learning basierendes Empfehlungssystem kann dies unterstützen, indem es i) historische Daten und Vorwissen, z. B. Zeichnungen oder Stücklisten aus früheren Projekten, analysiert und ii) Vorschläge zur Wiederverwendung von Designs oder für Designalternativen macht, und so die genannten Effekte kompensieren.

The engineer-to-order (ETO) production approach is gaining relevance in response to increasing demand for individualized products and small batch sizes. However, ETO inherently reduces the economies of scale typically achieved in series production, as each order requires tailored engineering and production steps. This loss of efficiency can be mitigated through demand-driven and context-aware information provision throughout the product development process. A recommendation system based on semantic artificial intelligence (AI) and machine learning can support this by i) analyzing historical data and prior knowledge, for example drawings or a bill of materials from previous projects, and ii) making automated suggestions, like reusing existing designs or proposing design alternatives, thus compensating for the aforementioned effects.