Anwendungsmöglichkeiten Künstlicher Intelligenz
Erfahren Sie mehr über einige unserer Maschine Learning und KI-Projekte, die wir erfolgreich umgesetzt haben
Predictive maintenance
Verschleiß von Zerspanwerkzeugen durch Machine Learning vorhersagen
Ausgangssituation
Für die Verbesserung von Zerspanungsprozessen und Vermeidung ungeplanter Maschinenausfälle ist entscheidend, das Abnutzungsverhalten von Werkzeugen zu verstehen. Wird das Werkzeug nicht zum richtigen Zeitpunkt gewechselt entstehen Schäden am Werkstück. Wird das Werkzeug vor Erreichen der Verschleißgrenze gewechselt, steigen Werkzeugkosten und Standzeiten. Die Erkennung der Verschleißgrenze ist demnach ein kritischer Faktor in der Fertigung. In unserem konkreten Fall sollte die Verschleißgrenze von Fräsköpfen an Robotern vorhergesagt werden.
Lösungsansatz
In Zusammenarbeit mit dem Fraunhofer-Institut für Produktionstechnik und Automatisierung (IPA) haben wir ein KI-Modell entwickelt, um den optimalen Wartungszeitpunkt zu ermitteln. Anhand von Sensordaten prognostiziert das System den Verschleiß des Fräskopfes (gemessen in Mikrometern). Als Basistechnologie kam ein speziell trainiertes neuronales Netz zum Einsatz. Die Fräsköpfe wurden künstlich verschlissen, um verschiedene Werkzeugzustände und die zugehörigen Werkstückzustände zu simulieren. Für dieses Projekt haben wir eine Förderung von Bayern Innovativ erhalten.
Ergebnis
Das KI-Modell ist in der Lage, den Verschleiß mit einer Genauigkeit von 35 Mikrometern vorherzusagen und ist für den Einsatz im industriellen Einsatz geeignet. Ein Großteil des Projektaufwands floss in die Bereitstellung der notwendigen Trainingsdaten (Sensordaten). Mit wachsender Anzahl an verfügbaren Sensordaten konnte die Prognosegenauigkeit des Systems kontinuierlich verbessert werden.
Methoden
Veröffentlichung
Esch, Philipp & Werner-Jäger, Florian. (2022). Anwendung eines künstlichen Neuronalen Netzes zur Verschleißbestimmung von Zerspanwerkzeugen. at – Automatisierungstechnik. 70. 635-645. 10.1515/auto-2021-0053.
Videolegitimation von Bankkunden
Kosteneffizienz und Customer Journey durch Machine Learning verbessern
Ausgangssituation
Finanzinstitute sind verpflichtet, Neukunden zu legitimieren. Dabei wird oft wird eine Videolegitimation angeboten. Aufgrund verschiedener Einflussfaktoren sind Videolegitimationen jedoch nicht immer erfolgreich. Dabei kann es sich um technische Faktoren handeln, zum Beispiel eine instabile Internetverbindung oder eine schlechtes Kamerabild auf dem Endgerät des Kunden. Menschliche Aspekte wie die schlechte Verfügbarkeit von Call-Agenten in Spitzenzeiten oder Sprachbarrieren spielen ebenso eine Rolle. Nach einem erfolglosen Legitimationsversuch werden Kunden aufgefordert, die Legitimation in einer Bankfiliale vorzunehmen. Es sollte ein System entwickelt werden, dass die Erfolgswahrscheinlichkeit der Videolegitimation vorhersagt und dem Kunden ein geeignetes Legitimationsverfahren vorschlägt. So können Call-Abbrüche vermieden werden und die Kundenzufriedenheit wird Gesteigert.
Lösungsansatz
Ausgangspunkt sind kundenbezogene Informationen wie zum Beispiel das Alter des Kunden, Wohnort, das verwendete Betriebssystem (Android, iOS, Windows, Linux, etc.) und die Version des verwendeten Browsers. Produktbezogene Informationen fließen ebenfalls in den Entscheidungsprozess ein. Das System sagt vorher, mit welcher Wahrscheinlichkeit eine Videolegitimation erfolgreich sein wird. Als Machine Learning-Lösungsverfahren kommt eine Kombination aus Decision Trees (Entscheidungsbäume) und Random Forests zum Einsatz. „Decision Trees“ ist ein sogenanntes White-Box-Verfahren, das es dem Menschen ermöglicht, zu verstehen, weshalb eine bestimmte maschinelle Entscheidung getroffen wird. „Random Forest“ ist ein Black-Box-Verfahren. Das bedeutet, die Entscheidungsfindung ist durch einen Menschen nicht mehr nachvollziehbar. Im Vergleich zu Decision Trees haben Random Forest jedoch eine höhere Prognosegenauigkeit.
Ergebnis
Die genannten Verfahren ermöglichen es, die Abbruchquote bei Videolegitimationen um circa 40% zu reduzieren. Wie hoch die erzielbare Quote ist, hängt dabei stets von den verfügbaren Daten und dem zugrundeliegenden Prozess ab. Auch spielen Faktoren wie zum Beispiel die Altersstruktur der Kundschaft eine Rolle. Zum Beispiel ist bei jungen Kunden die Wahrscheinlichkeit eines Call-Abbruchs aufgrund einer Technik-Fehlbedienung geringer.
Methoden
Betrugsfallerkennung eines Online-shops
Anomalien in Transaktionen durch Machine Learning erkennen
Ausgangssituation
Für unseren Kunden, einen Online-Shop-Betreiber für Computerspiele entwickelten wir ein KI-Modell, das Betrugsversuche erkennt und verhindert. Bisher wurde hierzu ausschließlich ein regelbasiertes System verwendet, das vom Betrugsfallmanagement gepflegt wurde. Typischerweise kam es zu folgenden Arten von Betrugsfällen: Account Takeover: Betrüger erlangen Zugriff auf bestehende Kreditkartenkonten und tätigen unautorisierte Käufe oder Geldabhebungen. Chargeback-Betrug: Ein Käufer tätigt einen Einkauf mit seiner Kreditkarte, bestreitet die Transaktion und fordert ein Chargeback von der Bank, obwohl tatsächlich kein Fehler seitens des Verkäufers vorlag. Ziel war es, Betrugsversuche bei Kreditkartenzahlung effizient und genauer zu erkennen.
Lösungsansatz
Das KI-Modell wurde darauf trainiert die Betrugsmuster in den vorliegenden Datensätzen der Vergangenheit zu erkennen. Die größte Herausforderung in dieser Art der Betrugsfallerkennung war die unausgeglichene Datenbasis (imbalanced dataset). Es lagen erheblich weniger Daten zu Betrugsfällen als zu normalen Transaktionen vor. Diese Asymmetrie im Datensatz stellt beim maschinellen Lernen eine besondere Herausforderung dar. Durch SMOTE-Algorithmen wurden ähnliche Betrugsfälle synthetisch generiert, um die unausgeglichene Datenbasis zu kompensieren. Das Fraud-Detection-System wurde auf Basis dieser künstlich erweiterten Daten trainiert.
Ergebnis
Mit dem Modell konnte die Effizienz der Betrugsfallerkennung um 25% gesteigert werden (typischer Wert). Neben einer verbesserten Erkennungsrate besitzt das Machine Learning-basierte Verfahren zudem den Vorteil, dass neue Betrugsmaschen automatisch vom System berücksichtigt werden und zu einer kontinuierlichen Verbesserung der Effizienz des Modells führen (sog. Online-Learning). Das Betrugsfallmanagement konnte entscheidend entlastet werden, da weniger Betrugsfallerkennungsregeln manuell erfasst werden mussten.
Methoden
Erkennung von Kundensegmenten
Automatisch Erkenntnisse über Kunden gewinnen
Ausgangssituation
Für ein Einzelhandelsunternehmen wurde eine Methodik entwickelt, um Kunden besser zu verstehen und maßgeschneiderte Marketingstrategien zu entwickeln. Das Unternehmen verfügt über eine umfangreiche Kundendatenbank mit Informationen wie Kaufhistorie, Demografie, Website-Interaktionen und Kundenservice-Interaktionen. Es fehlte jedoch an einem klaren Verständnis dafür, wie sich diese Kunden in unterschiedliche Gruppen einteilen lassen, um zielgerichtete Angebote und Dienstleistungen anzubieten.
Lösungsansatz
Um die Kunden effektiv zu segmentieren, wurden Methoden des unüberwachten Lernens (unsupervised learning) eingesetzt. Unüberwacht bedeutet, dass dem KI-System nicht vorgegeben wurde, wie viele und welche Segmente existieren. Der erste Schritt bestand darin, die vorhandenen Kundendaten vorzubereiten, indem irrelevante oder fehlende Daten bereinigt wurden. Anschließend wurde ein Algorithmus des unüberwachten Lernens angewendet, um Muster und Beziehungen in den Daten zu erkennen, die nicht sofort offensichtlich sind (K-Means-Clustering). Eine besondere Herausforderung bestand darin, unstrukturierte Kundendaten aus Chat-Nachrichten und E-Mails in den Lernprozess einzubeziehen. Die Daten konnten nicht direkt für ein Clustering verwendet werden und mussten zunächst mit Hilfe eines GPT-3 ähnlichen Sprachmodells in eine strukturierte numerische Form überführt werden.
Ergebnis
Durch die Anwendung dieser Methoden kann das Unternehmen distinkte Kundensegmente identifizieren. Diese Segmente unterscheiden sich unter anderen bezüglich des Durchschnittsalters, der Technikaffinität, des Geschlechts und der Kaufneigung. Mit den Ergebnissen der Kundensegmentierung kann das Unternehmen seine Marketing Kampagnen spezifisch auf die Bedürfnisse und Vorlieben der verschiedenen Kundengruppen zuschneiden und die Customer Journey substantiell verbessern.
Methoden
Marktanalysen
Automatisierte Recherchen durch generative KI
Ausgangssituation
Unser Kunde führt manuelle, zeitaufwändige Marktanalysen für verschiedene Branchen durch. Zweck der Marktanalysen ist es, die Markteintrittschancen für neue Mitbewerber zu analysieren. Durch intensive Webrecherche wurden Teilmärkte auf nationaler Ebene analysiert und relevante Kennzahlen erhoben. Der Prozess wird manuell ausgeführt und erstreckt sich über mehrere Tage bis Wochen. Es sollte ein Programm entwickelt werden, das zum einen die Dauer der Recherche verkürzt und zum anderen sicherstellt, dass keine relevante nformationsquelle übersehen wurde.
Lösungsansatz
Wir entwickelten ein Programm, dass generative KI in einen automatisierten Workflow einbindet. Dadurch können komplexe Internetrecherchen durchgeführt werden, die mit manuellen Prompts nur zu ungenügenden Ergebnissen führen. Über die API-Schnittstelle gibt das Programm automatisiert Befehle an ein Sprachmodell (GPT-4) und liefert eine umfangreiche Marktanalyse, die zu wichtigen Entscheidungsfindungen beiträgt. Das Sprachmodell hilft dabei, die relevantesten Suchanfragen durchzuführen. Auf den Inhalten der gefundenen Websites wird mittels GPT-4 ein Ranking durchgeführt, um die Relevanz des jeweiligen Contents optimal und automatisiert bestimmen zu können.
Ergebnis
Das Modell liefert die relevanten Teilmärkte und Kennzahlen innerhalb weniger Minuten. Eine vergleichbare manuelle Webrecherche würde mehrere Stunden bis zu einem Tag dauern.
Methoden
Optimierte Lagerhaltung im Lebensmittel Großhandel
Vorhersage von Verbrauchsmustern und Bedarfsschwankungen durch Zeitreihenprognose
Ausgangssituation
Unser Kunde ist Lebensmittelgroßhändler und war auf der Suche nach einem Weg, um die Logistik und Lagerhaltung von verderblichen Waren zu optimieren. Ziel war es, die Logistik so zu optimieren, dass möglichst wenig verderbliche Waren abverkauft werden müssen, gleichzeitig aber den Bedarf der belieferten Einzelhändler jederzeit decken zu können.
Lösungsansatz
Wir entwickelten die konzeptionellen Grundlagen, um mit Hilfe eines KI-Modells die Lagerhaltung und Logistik zu optimieren. Hierbei werden Faktoren wie saisonale Bedarfsschwankungen, verändertes Kaufverhalten zu bestimmten Feiertagen und Konsumtrends berücksichtigt. Zuerst wurde eine umfassende Datensammlung durchgeführt, die historische Verkaufsdaten, Wetterberichte, Feiertagskalender und aktuelle Markttrends umfasst. Diese Daten wurden in ein zentrales System integriert, das für die Analyse zugänglich ist. Mit Hilfe von Machine Learning wurden Modelle entwickelt, die in der Lage sind, zukünftige Verbrauchsmuster und Bedarfsschwankungen vorherzusagen. Diese Modelle berücksichtigen saisonale Trends, Wetterbedingungen und bevorstehende Feiertage, die den Verbrauch bestimmter Produkte beeinflussen könnten.
Ergebnis
Durch die präzisere Vorhersage der Nachfrage und die damit verbundene Optimierung der Lagerbestände konnte die Verschwendung von verderblichen Waren um bis zu 30% reduziert werden. Die Fähigkeit, die Bedürfnisse der Einzelhändler genau zu erfüllen, verbesserte die Beziehungen und erhöhte die Zufriedenheit der Einzelhändler. Das System ermöglicht schnelle Anpassungen an sich ändernde Marktbedingungen, was besonders in der dynamischen Lebensmittelbranche von Vorteil ist.
Methoden
Wissensmanagement
Verbesserung des internen Wissensmanagements durch RAG und generative KI
Ausgangssituation
Ein Ministerium auf Landesebene sah sich mit der Herausforderung konfrontiert, sein internes Wissensmanagement zu verbessern. Die Vielfalt und Unstrukturiertheit der vorhandenen Daten, darunter Textdokumente und zahlreiche Informationen in tabellarischer Form, erschwerten den Zugang und die effektive Nutzung des Wissens für die Mitarbeiter. Die bestehenden Systeme waren nicht in der Lage, die unterschiedlichen Datenformate nahtlos zu integrieren, was zu einer ineffizienten Informationsverarbeitung und -verteilung führte.
Lösungsansatz
Zur Lösung dieser Problematik schlugen wir die Implementierung eines intelligenten ChatBot-Systems vor, das auf der Retrieval-Augmented Generation (RAG) Technologie basiert. Diese Lösung kombiniert effektive Suchfunktionen mit fortschrittlichen Generierungsmöglichkeiten, um den Nutzern präzise und kontextbezogene Antworten aus der gesamten Datenlandschaft des Ministeriums zu liefern. Wir entwickelten eine maßgeschneiderte Schnittstelle, die in der Lage ist, sowohl textuelle als auch tabellarische Daten zu verarbeiten und zu integrieren.
Ergebnis
Die Mitarbeiter können nun mittels einfacher Texteingaben komplexe Anfragen stellen, auf die der ChatBot mit präzisen, aus den relevanten Datenquellen generierten Antworten reagiert. Dies hat zu einer signifikanten Steigerung der Effizienz in der Informationsverarbeitung und einer besseren Entscheidungsfindung geführt. Die Benutzererfahrung wurde durch die intuitive und benutzerfreundliche Gestaltung des ChatBots erheblich verbessert.
Methoden
UNTERNEHMEN, DIE UNS VERTRAUEN
