Bericht von Isabaella Pridat-Zapp

Jochen Conrad von IT for Engineering Daimler Truck AG beschreibt das ML-Projekt: Die Automobil-Industrie hat sich in den vergangen Jahren stark verändert – das trifft insbesondere auf den LKW-Bereich zu. Die Zahl der LKW-Varianten steigt rapide, so haben wir jetzt nicht nur die Verbrenner-Maschinen sondern auch elektrische oder Wasserstoff LKWs. In diesem sich wandelnden Umfeld geht es uns jetzt um den ­Einsatz neuer Technologien.

Vor einigen Jahren haben wir schon einmal sehr gute Erfahrungen mit Prozessoptimierung gemacht. ­Hieran wollen wir anknüpfen und diese Verbesserungen auch in unserem Konstruktionsbereich erreichen. In der IT geht es Daimler vor allem darum neue Technologien, neue Funktionalitäten zu implementieren. Von ­Artificial Intelligence und Machine Learning ­versprechen wir uns viele künftige Vorteile.

Wir begannen das Projekt vor 2 Jahren und zwar mit der ersten AI und ML Initiative in unserer Produktionsumgebung. Es gelang uns in unsere LKW-Varianten eine größere Transparenz zu bringen. Man muss sich vorstellen, dass dies in der komplexen „alten Welt“ geschah, als noch viele Menschen viele Arbeiten manuell verrichteten. Es gelang uns damals mit Hilfe der Machine Learning Algorithmen die Arbeitsergebnisse vorherzusagen.

Zunächst bezweifelten einige Betriebsangehörige den Nutzen unseres Unterfangens, doch tatsächlich waren wir mit diesem ML Prognose Projekt wirklich sehr erfolgreich. So haben wir es nicht nur in Deutschland eingeführt, sondern auch in der Türkei und in Brasilien ist es schon live.

Mit unserem neuen ML-Projekt wollen wir den erfolgreichen Ansatz von der Produktion in die ­Konstruktion transferieren. Aus IT-Perspektive sah das so aus, dass wir uns der gleichen Aufgabenstellung gegenübersahen, wie bei dem ersten ML-Projekt: Finde die Daten.

Es handelt sich um komplexe Daten, die verstanden werden wollen. Sodann sucht man nach Beispielen für Fehler. Das war eine echte Herausforderung. Wir selektierten zunächst Daten aus der Konstruktion und versuchten unsere Erfahrungen aus der Produktions-Umgebung in der Konstruktions-Welt zu replizieren.

Heutzutage ist die Komplexität bezüglich der Varianten sehr hoch. Wir entwickeln LKWs mit vielen Varianten und dann transferieren wir die Produktions-Daten in die Produktion. Es kommt aber vor, dass sich in der Produktion herausstellt, dass der von den Daten beschriebene LKW gar nicht gebaut werden kann.

In unserem ersten Projekt gelang es uns, solche Fehler vor der Fertigungsstrecke zu entdecken und den Vorgang zu stoppen. Mit unseren neuen ML-Prognosen wollen wir solche Fehler bereits im Konstruktions-Bereich entdecken. Wenn keine fehlerhaften Daten den Konstruktionsbereich verlassen, so stellt das einen großen Vorteil gegenüber dem Auffinden von Fehlern unmittelbar vor der Produktion dar. Hier gilt, dass ein möglichst frühes Auffinden von Fehlern eine Menge Geld sparen kann.

Bei jedem AI Modell taucht die Vertrauensfrage auf: Wie können die Benutzer der Künstlichen Intelligenz vertrauen? Tatsächlich sind Erklärbarkeit und ­Vertrauen bei solchen Projekten ausschlaggebend.

Am Anfang dieses Projektes hatten wir große Schwierigkeiten, die Beteiligten von der Zuverlässigkeit der AI Daten zu überzeugen. Mit der Welt der Ingenieure ist Künstliche Intelligenz schwer zu vereinbaren. Dort gibt es oft nur schwarz oder weiß und die AI Daten ergeben häufig einen Prozentsatz. Nun galt es, die Beteiligten davon zu überzeugen, dass eine Prognose mit einer 80%igen Erfolgs-Wahrscheinlichkeit für ein Projekt sehr nützlich sein kann. Diese Überzeugungsarbeit, untermauert mit guten Resultaten, beanspruchte doch einige Zeit.

Tatsächlich ist das beschriebene Projekt sehr komplex. Es erfordert gute Koordination des Projektteams, der Technologie, der Prozesse und setzt viel Verständnis für den Betrieb voraus. Nach den sehr guten Erfolgen des ersten Projektes haben wir uns natürlich wieder für IBM als Partner entschieden. Wir konnten uns auf die Erfahrung der IBM, das Team der IBM und die Technologie der IBM verlassen. Cloud Pak for Data verhalf uns zu Schnelligkeit und Effizienz.

Das IBM Team

Angesichts der riesigen Datenmenge stellte IBM ein hochqualifiziertes Team von Data Scientists, Data ­Engineers, Designers, Developers und IT Architects für das Daimler Projekt zusammen. Bei einem solchen Projekt darf keine Zeit verloren werden, deshalb setzte das IBM Team sehr schnell IBM Cloud Pak for Data auf Open Shift auf. Innerhalb von 14 Tagen lieferte das IBM Team bereits Prototypen und erzielte Verbesserungen am ursprünglichen Modell. Das IBM Team verbrachte sehr viel Zeit mit Daimler-Mitarbeitern, um die von diesen übergebenen Daten auch ­wirklich gut zu verstehen.

Es handelte sich also nicht um ein Projekt, bei dem IBM eine fertige Lösung einbrachte, sondern um eine enge Zusammenarbeit mit Daimler LKW, um einen gemeinsamen Erfolg zu erarbeiten. Diese enge Zusammenarbeit mit Daimler begann mit einem gemeinsamen Workshop und dann folgten mehrere Telefonate täglich, um den jeweiligen Status durchzusprechen und um sicher zu gehen, dass das IBM Team die Daten ganz genau verstand.

Ohne die intensive Mitarbeit seitens Daimler hätte IBM dieses Projekt nicht so schnell umsetzen können. Wichtig waren auch die schnellen Zyklen. Ab dem ersten Konzept lieferte das IBM-Team 2 oder 3 mal pro Woche einen neuen Prototyp, der mit Daimler-Mitarbeitern besprochen wurde, so dass deren Feedback eingebaut werden konnte.

Besonders zufrieden ist Jochen ­Conrad, IT for Engineering Daimler Truck AG, damit, dass es gelungen ist, die bewährte Herangehensweise des ersten ML-Projekts in der Fertigung an die Anforderungen der Konstruk­tion anzupassen, obwohl es sich natürlich um ganz andere Daten handelt.

Ähnliche Artikel:

KI Schwerpunkt 1) In den letzten Jahren haben Unternehmen wie ­Google, Facebook und Amazon sehr viel in ­KI-Projekte investiert. 2) Kürzlich veröffentlichte IDC ein White Paper zum Einsatz von Künstlicher Intelligenz -…

IBM Science for Social Good Im Kontext der Corona Pandemie hat IBM Forschungseinrichtungen und medizinischen Institutionen neue KI Software und Cloud-basierte Ressourcen zur Verfügung gestellt, um die Forschung im Rahmen der Pandemie zu fördern.

Aktuelle Nutzung der IBM Quanten Computer IBM Fellow, Dr. Heike Riel, Department Head Science & Technology IBM Research interviewt ein Mitglied des IBM Quantum Networks, Prof. Dr. Dr. Oliver Ambacher, Fraunhofer Institute for Applied Solid State…