Herausforderungen eines Artificial Intelligence-Projektes
Aller Anfang ist schwer, wie ein Sprichwort sagt. Aus Unternehmenssicht soll alles möglichst sofort funktionieren – allerdings ist es naiv zu denken, dass Data Analytics oder Artificial Intelligence (AI) jedes Problem allein lösen kann, wenn man nur genügend Daten in einen Algorithmus gibt.
Die anfänglichen Hürden sind oft enorm: sich ständig verändernde Datenlandschaften und unzählige Systeme in verschiedenen Abteilungen, schlecht gewartete Daten und fehlende Sensoren. Bis ein Unternehmen an den Punkt kommt, an dem es Big Data & Analytics nutzen kann, hat es vielleicht bereits viel Geld investiert, nur um herauszufinden, dass es die ganze Zeit in die falsche Richtung ging.
Außerdem muss man auch künstlicher Intelligenz zunächst einmal beibringen, was sie genau tun soll. Ein Unternehmen sollte wissen, was es erreichen will und sich Ziele stecken, damit Projekte nicht nur zum Selbstzweck laufen. Je genauer zu Beginn ein Projektziel definiert wird, desto höher ist die Wahrscheinlichkeit, das Ziel auch zu erreichen.
Der technologische Trend im Bereich Data Analytics geht zu Cloud-Technologien; Unternehmen bauen die Infrastruktur nicht mehr physisch selbst auf, sondern mieten Server und Software. Der große Vorteil ist die Zeit, da eine Cloud-Plattform in wenigen Stunden einsatzbereit sein kann und zudem skalierbar ist. Ein Unternehmen kann auf diese Art und Weise klein anfangen und schnell Erfolge erzielen, bevor es größer denkt.
Beispiele für den erfolgreichen Einsatz von Artificial Intelligence im Automobilsektor
Trotz der Herausforderungen gibt es zahlreiche Beispiele im Automobilsektor, bei denen die Datenanalyse bereits erfolgreich eingesetzt wird.
Während der Produktion ist es beispielsweise möglich, an verschiedenen Stellen anhand von Daten zu überprüfen, ob die Verschraubung der Karosserie in Ordnung ist. Ein Techniker erhält eine Rückmeldung, wenn eine Schraubverbindung nicht optimal sitzt und kann diese direkt nachjustieren. Das bedeutet, dass Fehler nicht erst bei einer Endprüfung erkannt werden, sondern unmittelbar bei Entstehung repariert werden können, was Zeit und Geld spart.
Selbst ohne Techniker können Schweißarbeiten an anderer Stelle automatisch überprüft werden. Sensordaten an Schweißsensoren geben Auskunft über Dauer und Intensität der Schweißnaht, sodass fehlerhafte Schweißpunkte nachbearbeitet werden können. Es ist ebenfalls möglich, den Verschleiß einer Maschine zu erkennen, d.h. dass die Wartung bereits vor einem Ausfall durchgeführt werden kann, denn Maschinenausfälle sind eines der größten Probleme in Produktionslinien. So können maschinelles Lernen und fortgeschrittene Analysemethoden helfen, Qualitätsprobleme in den Griff zu bekommen und teure Ausfälle zu vermeiden, die sich aus Qualitätsproblemen ergeben könnten.
Quality Navigator – A new age of quality analytics
Im After Sales-Bereich gibt es weitere Möglichkeiten: Die Zusammenführung von Kunden-Informationen ermöglicht, ein vollständigeres Bild über Kundenanforderungen und Bedürfnisse zu erhalten. Die Beratung zu möglichen Fahrzeug-Upgrades oder Services kann hier deutlich optimiert werden. Mit Artificial Intelligence können Sie Ihre Kunden besser kennenlernen: Wer ist mein Kunde und was kann ich ihm anbieten?
Welche Themen können aus branchenübergreifender Sicht auch auf den Automobilsektor angewendet werden?
Andere Branchen sind häufiger mit "Churn", also der Abwanderung von Kunden durch Vertragskündigungen, konfrontiert. Bei Fahrzeugen ist das nicht so einfach wie beispielsweise in der Telekommunikationsbranche. Ein Fahrzeug wird in der Regel für einen längeren Zeitraum angeschafft. Außerdem ist nicht klar, ob, wann oder was ein Kunde kündigt, wenn der Kunde zum Beispiel von einer Vertragswerkstatt in eine freie Werkstatt wechselt.
Es liegt im Interesse eines Automobilherstellers, dass Kunden eine autorisierte Werkstatt aufsuchen, um die höchstmögliche Qualität der Wartung zu gewährleisten – und um mit den Kunden in Kontakt zu bleiben. Mit Artificial Intelligence können Sie herausfinden, wann ein Kunde zuletzt eine autorisierte Werkstatt besucht hat und was den Wechsel zu einer unabhängigen Werkstatt verursacht hat. War es der Zeitfaktor ("Mein Auto ist schon vier Jahre alt."), ein niedrigerer Wartungspreis, die Entfernung zur Vertragswerkstatt oder ein Mangel an Service? In jedem Fall wäre es möglich, frühzeitig zu handeln, um eine Abwanderung des Kunden zu verhindern und die Markenbindung zu erhöhen.
Entwicklung von Artificial Intelligence im Automobilsektor
Das Potenzial für den Einsatz intelligenter Algorithmen wächst mit der ansteigenden Datenmenge, die in den Unternehmen verfügbar ist. Insbesondere die Automobilindustrie bietet durch die Entstehung von Industry 4.0, Internet of Things und vernetzten Fahrzeugen eine beispiellose Datenmenge. Automatisierung und der Einsatz intelligenter Methoden ermöglichen es, bestehende Daten zu verarbeiten und Mehrwert zu generieren: Selbstlernende Algorithmen profitieren bereits von der Datenflut in der Automobilindustrie.
Ein hohes Maß an Sensorik und Datenerfassung sowie eine starke Vernetzung mit dem Endkunden bieten ideale Voraussetzungen für den wirtschaftlichen Einsatz von Predictive Analytics und Methoden der künstlichen Intelligenz. Aufgrund der wachsenden Bedeutung von maschinellem Lernen und künstlicher Intelligenz erlebt die Automobilindustrie einen Strukturwandel, der größere Investitionen in intelligente Algorithmen erfordert. Es ist entscheidend, diese Investitionen in konkrete Anwendungen zu tätigen, die den Möglichkeiten des maschinellen Lernens entsprechen.
