KI-assistierte Identifizierung von Kfz-Ersatzteilen
| Steckbrief | |
|---|---|
| Firma | Nico Fahrzeugteile GmbH |
| Produkte & Dienstleistungen | Herstellung von Lieferung PKW-Ersatzeilen |
| Business Model Canvas | Kanäle, Kundenbeziehungen, Schlüsselressourcen, Schlüsselaktivitäten |
| ca. Zahl der Mitarbeiter:innen (weltweit) | 20 |
| Zielgruppe | Entwickler |
| Hauptsitz | Bad Rappenau |
| Use Cases | Computer Vision, Bildgenerierung / KI-Bildgenerierung |
Ausgangssituation & Herausforderungen
Das Unternehmen führt einen Onlineshop für Bauteile. Bisher haben Kunden Bilder defekter Bauteile eingeschickt, um Ersatzteile anzufragen. Oft sind diese Teile nicht eindeutig identifizierbar, da sie keine Seriennummern oder andere klare Merkmale haben. Dadurch müssen die Vertriebsmitarbeiter auf Grundlage ihres Erfahrungswissens das richtige Ersatzteil manuell auswählen. Um die Mitarbeiter von einfachen Zuordnungsaufgaben zu entlasten und Kapazitäten für komplexere Anwendungsfälle freizusetzen, soll diese Aufgabe für „einfache“ Teile automatisch durch ein KI-System übernommen werden.
Ziele
Das Ziel besteht darin, die in den von den Kunden übermittelten Bilddaten zu erfassen und automatisch den passenden Ersatzteilen im Sortiment zuzuordnen.
Lösung/Maßnahmen/Projekt
In Kooperation mit tfc.ai und dem Mittelstand 4.0-Kompetenzzentrum Chemnitz hat das Unternehmen eine KI-Anwendung entwickelt, die dazu dient, Kundenbilder im Onlineshop automatisch den entsprechenden Artikeln im Bestand zuzuordnen. Eine besondere Herausforderung bestand darin, ausreichend viele Bilder des gesamten Artikelbestandes zu erstellen, um das neuronale Netzwerk erfolgreich zu trainieren.
Umsetzung
Was wurde benötigt?
Eine prototypische Anlage bestehend aus Roboter, Kamera und Software wurde entwickelt, um die Datenerfassung für das Training der KI zu vereinfachen. Das Hauptziel ist die Reduzierung des Aufwands bei der Erstellung der Produktfotos für das KI-Training. Unterschiedliche Data Augmentation-Ansätze wie Verschiebung, Rotation und Spiegelung wurden untersucht, um den manuellen Arbeitsaufwand zu minimieren. Als Kameraoption wurde eine kostengünstige Webcam gewählt, um eine ähnliche Qualität der Trainingsbilder im Vergleich zu den späteren Kundenaufnahmen zu gewährleisten. Nach der Erfassung der Daten wurde das neuronale Netzwerk konzipiert und die KI mit generierten Daten trainiert. Anschließend wurde die Leistung der KI in Bezug auf die Bildzuordnung bewertet.
Was wurde erreicht?
Das Projekt führte zur Entwicklung einer automatisierten Anlage zur Erfassung, Verarbeitung und Archivierung von Bilddaten. Der Prototyp ist leicht zu bedienen und kann bei ähnlichen Herausforderungen problemlos mit einem größeren Roboter oder einer besseren Kamera erweitert werden. Insgesamt wurde der Arbeitsaufwand für die Datenerfassung im Vergleich zur manuellen Aufnahme durch einen Fotografen erheblich reduziert. Die KI-basierten Trainingsmethoden führen zu einer äußerst geringen Fehlerquote in ersten Klassifikationstests, was das Potenzial einer signifikanten Aufwandsreduzierung im Vertrieb des Unternehmens verdeutlicht.
Lessons Learned
Die Erkenntnisse aus dem Projekt verdeutlichen, dass KI-gestützte Automatisierung enorme Möglichkeiten bietet, den Arbeitsaufwand zu verringern und die Genauigkeit zu erhöhen. Außerdem ermöglichen flexible und skalierbare Hard- und Software eine einfache Anpassung an ähnliche zukünftige Herausforderungen. Des Weiteren reduziert eine benutzerfreundliche Bedienung den Schulungsaufwand für Mitarbeiter.