Suchen

KI in der Automobilbranche

Use Cases strategisch evaluieren

Besonders Unternehmen in der Automobilindustrie stehen unter Innovationsdruck und müssen Mehrwert für ihre Kunden schaffen – und gleichzeitig Ressourcen sparen. Künstliche Intelligenz (KI) kann dabei unterstützen. Ein Unternehmen aus der Automobilbranche stellte Machine Learning Reply deshalb die Frage:

Was wird für einen erfolgreichen Einsatz von KI benötigt und wie fängt man richtig damit an?

KI als Teil der Strategie

Der Kunde wünschte sich, dass kurz-, mittel- und langfristige Ziele berücksichtigt werden. Machine Learning Reply wählte daher einen Ansatz, der alle Stakeholder strategisch einbezog – damit die Tragweite der Projekte und damit auch die organisatorischen und technischen Veränderungen einheitlich beschlossen werden.

Die Herausforderung: Alle beteiligten Entwicklungsteams, darunter Data Scientists, Data Engineers und die Fachabteilungen mussten prozessuale, rechtliche Governance-, und Security-Anforderungen erfüllen. Deshalb entwickelte das Team von Machine Learning Reply vor Entwicklungsstart eine Roadmap, die die technischen Voraussetzungen an die zahlreichen Anwendungsfälle definierte.

Das Use Case Lifecycle Management

Bei der konkreten Erarbeitung der Roadmap für Anwendungsfälle half das Use Case Lifecycle Management von Machine Learning Reply. Das Verfahren gliederte das weitere Vorgehen in drei Phasen – in Phase eins „Use Case Portfoliomanagement“, Phase zwei „Model Development“ und Phase drei „Model Operations and Maintenance“.

Phase 1: Ideen sammeln und bewerten

Während der Ideensammlung und Validierung analysierte und erarbeitete das Team unter anderem die Use Cases „Car Sales Forecasting“, „Bewertung der Kreditwürdigkeit von Fahrzeug-Leasing-Nehmern“ und die „Automatische Erkennung von gelieferter Ware durch Bilderkennung“.

Es folgte die Bewertung: Da der Kunde viel Wert auf eine interne Prozessbeschleunigung und eine schnelle „Time-to-Market“ legte, erweiterte das Reply-Team die Standardkriterien – unter anderem Implementierungsdauer, Innovationskraft und Return on Investment (ROI) – um neue Parameter. Überschneidungen mit bereits bestehenden KI-Grundlagen flossen ebenfalls in die Bewertung ein. Dazu zählten unter anderem ähnliche Datenaufbereitungsschritte, Modelltypen und Anforderungen beim Training . Das Reply-Team schlug für Überschneidungen den Einsatz eines Frameworks mit generischen Oberklassen und projektspezifischen Unterklassen vor.

Das erste KI-Potential des Kunden lag im Use Case „Automatische Bilderkennung“. Hier waren bereits relativ strukturierte Daten vorhanden, was den Anwendungsfall zum Kandidaten für einen Quick Win in der Umsetzung machte. In iterativer Herangehensweise rückte der nächste Use Case in die Analysephase, sobald das KI-Projekt der „Bilderkennung“ die Modellentwicklung erreichte.

Phase 2: Die Modellentwicklung

In der Phase der Modellentwicklung prüfte das Reply-Team die Qualität und Aktualität der Daten. Für die effiziente Zusammenarbeit führte Machine Learning Reply zudem ein zentrales und datenbankgestüztes Metadaten-Management ein. Unter anderem sammelten sich hier die Informationen zu Anforderungen, zum Status der Entwicklung- und des Deployments und zu verwendeten Datenquellen und Datenaufbereitungspipelines.
Das vermied die mehrfache Umsetzung der gleichen Logik – indem Ladestrecken oder Datenpipelines gemeinsam genutzt wurden. Die Metadaten dienen auch dazu, Teile von Ladestrecken zu generieren oder generische Ladestrecken automatisch zu parametrisieren.

Phase 3: Operation und Wartung

In der letzten Phase, die sich der Operation und Wartung der Modell-Fälle widmet, führte Machine Learning Reply ein DevOps-Konzept ein, das auf das agile Arbeiten in der Entwicklung abgestimmt wurde. Wiederverwendbare Code-Repositorien schafften Synergien , die eine teamübergreifende KI-Entwicklungsarbeit zukünftig erleichtert. Automatisierung von CI/CD-Pipelines und erweitertes Monitoring sorgten für weniger manuellen Aufwand.

Infrastruktur und Tools

Ein Technical-Architecture-Maturity-Test stellte die aktuell genutzte Infrastruktur und die Tools im Einsatz für die Umsetzung neuer Use Cases auf den Prüfstand.

Bei der Wahl der Tools wägte Machine Learning Reply zwischen „Make“ or „Buy“ ab. In diesem Projektansatz entscheidet zum einen der Vergleich des Total Cost of Ownership (TCO) der Lizenzgebühren gegenüber der Entwicklungskosten. Ausschlaggebend war aber auch die Frage:
Welche auf dem Markt existierenden Tools können verwendet werden, um die gesetzten technischen Ziele schneller zu erreichen?

Das Ergebnis

Durch die intensive Kooperation von Machine Learning Reply mit dem Auftraggeber ließen sich unternehmensspezifische KI-Use-Cases definieren und resiliente Handlungsoptionen bereitstellen

Ein aktives Change Management und punktuelles Coaching begleitete alle Initiativen inklusive vollständiger Kostentransparenz. In die bestehenden Reporting-Strukturen wurden der ROI und TCO der KI-Initiativen integriert. Das sicherte die Unterstützung des Managements zugunsten weiterer KI-Initiativen.