Die Fertigungsindustrie sucht neue Wege, um die Automatisierung zu erhöhen, die betriebliche Transparenz zu verbessern und die Produkt- und Technologieentwicklung zu beschleunigen. Der Einsatz von generativer KI, insbesondere von Large Language Models (LLMs) und Data Intelligence Platforms, bietet diese Möglichkeiten und die Branche hat dies klar erkannt, wie eine gemeinsame Studie von MIT und Databricks ergab.
Unternehmen aus der Fertigungsindustrie generieren riesige Mengen komplexer unstrukturierter Daten (Sensoren, Bilder, Video, Telemetrie, LiDAR usw.), die von vernetzten Fahrzeugen, Fabriken, Gebäuden und Arbeitern erzeugt werden. Ein Großteil dieser Daten muss in Echtzeit gestreamt und mit wichtigen kontextbezogenen Datenquellen zusammengeführt werden, um auf wichtige Ereignisse sinnvoll reagieren zu können.
In Anbetracht dessen, werden nachfolgend Anwendungsfelder vorgestellt, mit denen Fertigungsunternehmen LLMs schon heute nutzen können: die Verbesserung der Kundenerfahrung, der vorausschauende Außendienst und die produktiveren Abläufe.
Verbesserung der Kundenerfahrung
LLMs werden in naher Zukunft ganz allgemein für jede Art von Personalisierungsinitiative unverzichtbar sein. Im Kern liefert der Einsatz von LLMs Geschwindigkeit und Konsistenz, die beiden wichtigsten Attribute für ein erstklassiges Kundenerlebnis, indem er Endkunden die Möglichkeit gibt, zu interagieren und ihre Bedürfnisse zu lösen, ohne dass ein Mensch involviert sein muss.
In dem Maße, in dem die Automobilhersteller mehr Sensor- und Softwarefunktionen in fast jedes Auto einbauen, werden dialogorientierte Funktionen das Design eines intelligenteren Cockpits untermauern, bei dem Komfort-, Routenplanungs- und Unterhaltungseinstellungen über natürlichsprachliche Eingabeaufforderungen vorgenommen werden.
Diese Fähigkeit kann auch auf die weitere Personalisierung des Fahrerlebnisses ausgedehnt werden. Händler sind ein wichtiger Vermittler bei der Bereitstellung von Dienstleistungen nach dem Verkauf. Anstatt auf verschiedenen Websites zu surfen oder anzurufen, um mögliche Termine zu erfragen, könnte der Besitzer in Zukunft fragen, wann der nächste verfügbare Termin für eine Routinewartung wäre, und Ergebnisse erhalten. Ohne menschliche Interaktion wäre ein einheitliches Erlebnis bei vielen Händlern schnell umsetzbar.
Bei Gesprächen mit Live-Agenten ermöglichen LLMs eine produktivere und erfolgreichere Interaktion. Sie erstellen dann ein KI-gesteuertes Skript das auf der Art der Anfrage, den offenen oder ungelösten Problemen des betreffenden Kunden und dem allgemeinen Zustand der Beziehung zum Unternehmen bzw. der Unternehmensmarke basiert. Dies führt zu einer stärker personalisierten Interaktion.
Vorausschauender Außendienst
Ein weiterer Anwendungsfall ergibt sich im Außendienst. Bei der vorausschauenden Wartung, bei der es nicht nur darum geht, vorausschauende Erkenntnisse über den Zustand der Geräte zu gewinnen, sondern auch die effektivsten Maßnahmen zu orchestrieren können LLMs unterstützten. Sie helfen dabei die richtigen Mitarbeiter und die richtigen Teile zur richtigen Zeit am richtigen Ort zu platzieren und die richtige Wartung durchzuführen, bevor es zu unnötigen Ausfallzeiten kommt.
Dies beginnt in der Regel mit der kontinuierlichen Analyse von Produkttelemetrie- und Sensordaten zur Vorhersage des Ausfallrisikos von Anlagen im Feld. Danach muss der Techniker eine komplexe und langwierige Überprüfung von Informationen aus zahlreichen Anwendungen und komplexen technischen Handbüchern vornehmen. So kann er verstehen, wie das Problem zu beheben ist, und dann die in den Dokumenten festgelegten Verfahrensschritte ausführen.
Das erweist sich als zeitaufwändig, fehleranfällig und für den Endkunden nicht optimal. Außerdem wird dadurch ein Fehlerbehebungsprozess geformt, der vielleicht wiederholbar ist, aber nicht unbedingt einer, der sich mit der Zeit anpasst und lernt.
Stattdessen könnten LLM, die speziell für die Fehlersuche im Equipment geschult sind, viel bessere Ergebnisse erzielen. Erstens könnten Techniker mithilfe eines Konversationsmodells mit technischen Handbüchern interagieren – und je nach Art des Problems zum richtigen Abschnitt geleitet werden, was wertvolle Zeit und Geld spart.
Zweitens kann der Techniker durch die Integration von Erkenntnissen aus 1.000 ähnlichen Vorfällen, die in der Vergangenheit von anderen Technikern aufgetreten sind, mehr präskriptive Informationen über die effektivsten Maßnahmen erhalten, die er ergreifen kann, um die besten Ergebnisse zu erzielen. Nicht zuletzt kann er den gesamten Garantiestatus und die Dokumentation für das Produkt einbeziehen, um die beste wirtschaftliche Entscheidung für den Endkunden zu treffen, was die Serviceerfahrung noch präziser und persönlicher macht.
Anstatt sich mit mehreren Dokumenten und Handbüchern herumzuschlagen, können sich die Techniker von einem fachkundigen Co-Piloten wie einer Data Intelligence Platform leiten lassen, der ihnen ständig zur Seite steht. Ein Data Engineer kann problemlos mit vielen Daten interagieren, ohne dass er zusätzliche Datenkenntnisse benötigt. Dies ermöglicht eine schnellere Diagnose, die Durchführung der effektivsten Wartungsmaßnahmen zur Maximierung der Betriebszeit und versetzt die Außendienstmitarbeiter in die Lage, jeden Tag mehr Kunden zu unterstützen.
Produktivere Abläufe
Fertigungsprozesse laufen 24 Stunden am Tag und 365 Tage im Jahr. Zudem erfordern sie eine kontinuierliche Verbesserung der Prozesse und die Steuerung zunehmend unvorhersehbarer Lieferketten, um den Kunden die gewünschten Produkte in der geforderten Qualität zu liefern.
Ein Schlüsselproblem, das sich auf den Erfolg auswirkt, ist der Informationsfluss zwischen den verschiedenen Abteilungen, Stationen und Mitarbeitern in der Fertigung. Die Antwort auf diese Frage sind regelmäßige Produktionsbesprechungen auf allen Ebenen – Station, Abteilung und Management. Eine sich wiederholende Aufgabe zur Unterstützung dieser Überprüfungen besteht darin, dass Betriebsanalytiker wichtige Kennzahlen und Informationen aus verschiedenen Systemen zusammenfassen und Berichte erstellen – ein sich wiederholender und zeitaufwändiger Prozess.
Das eigentliche Ziel dieser Überprüfungen ist es, Einblick in Leistungslücken zu erhalten und datengestützte Priorisierungsentscheidungen zu treffen, um die betriebliche Effizienz, den Kundenservice und die finanzielle Leistung zu steigern Aber der Prozess der Informationssammlung ist langsam, arbeitsintensiv und nicht wiederholbar.
Der Einsatz von LLMs und Data Intelligence Platforms ermöglicht Unternehmen mehr Zeit für das Verständnis von Engpässen und die Entwicklung von Wiederherstellungsstrategien aufzuwenden, um die termingerechte Lieferleistung wieder auf Kurs zu bringen. Dann muss auch weniger Zeit darauf verwendet werden, Daten aus verschiedenen Systemen mit komplexen Abfragen zu verarbeiten.
Der Einsatz von LLMs ermöglicht es den Mitarbeitern in der Produktion, komplexe Systeme wie digitale Zwillinge, Kontrolltürme und andere Teams abzufragen, ohne Codezeilen oder komplexe SQL-Abfragen schreiben zu müssen, so dass diese Systeme auch für nicht-technische Benutzer zugänglich sind. Das führt zu einer deutlichen Verbesserung der Reaktionsfähigkeit und Produktivität.
Diese Beispiele sind nur einige von vielen möglichen Anwendungsgebiete, in denen LLMs einen Mehrwert für die Branche schaffen können.
Wie immer hängt die geschäftliche Erschließung davon ab, wie Unternehmen diese Technologie so einsetzen können, dass sie sich von der Konkurrenz abheben. Hier bieten Open-Source-Ansätze für LLMs einen nachhaltigeren Weg zur Wertschöpfung. Denn sie ermöglichen es Unternehmen, die Kontrolle über ihre Daten und ihr geistiges Eigentum zu behalten. Gleichzeitig bieten sie genügend Flexibilität, um Modelle für ihren branchenspezifischen Kontext und ihre Anwendungsfälle zu optimieren, und eine Architektur zur Bereitstellung solcher Fähigkeiten zu entwerfen, die mit den damit verbundenen Geschäftsergebnissen skaliert.
Shiv Trisal ist als Director bei Databricks für den Bereich Global, Manufacturing & Energy zuständig.