Service-Meister - Wie grandcentrix Data Science, IoT und das Handwerk zusammenführt

Seit rund einem Jahr arbeiten grandcentrix und die Adolf Würth GmbH & Co. KG im Rahmen des Service-Meister-Projektes gemeinsam an der Umsetzung des Teilprojektes, genannt Schnellboot, “Vernetzung und KI für Powertools”. Das Projekt wird vom Bundesministerium für Wirtschaft (BMWi) gefördert und von einer Kollaboration aus Industrie, Forschungseinrichtungen und Umsetzungspartnern wie grandcentrix, ausgeführt. Das Ziel von Service-Meister ist es, künstliche Intelligenz oder allgemeiner ausgedrückt datengestützte Entscheidungsprozesse in den Deutschen Mittelstand zu tragen, um diesen auch in Zukunft wettbewerbsfähig zu machen. Die sechs Schnellboote, bestehend aus jeweils einem Umsetzungs- und Industriepartner, entwickeln zurzeit datenbasierte Lösungsansätze für typische Herausforderungen des Mittelstands. Diese Lösungen sollen folgend zu generischen Services spezifiziert und ab 2022 im Rahmen eines Service-Ökosystems für KI-Dienstleistungen den Deutschen KMUs zur Verfügung gestellt werden. Als Anbieter von IoT-Lösungen für intelligente Produkte mit eigenem Competence Center für Data Science qualifizierte sich grandcentrix zu einem von nur drei Umsetzungspartnern im Projekt. Das vor drei Jahren gegründete Data Science Team, bestehend aus fünf Data Scientists und Engineers, überzeugte dabei nicht nur mit einer breit aufgestellten Angebotspalette, von statistischer Analyse und Rapid Prototyping über Design, Anwendung und kontinuierliches Trainieren von Machine Learning Modellen, sondern auch mit dem pragmatischen Ansatz, Daten so früh wie möglich und so sinnvoll wie möglich zu nutzen.

Lena Cypris — Data Scientist

30. März 2021

Das Schnellboot von Würth und grandcentrix

Mit Würth als Partner, Weltmarktführer im Bereich Montage- und Befestigung in Handwerk und Industrie, wird eine praxisnahe und wertbringende Umsetzung ermöglicht. Im Schnellboot “Vernetzung und KI für Powertools” geht es maßgeblich darum, den Service schneller, effizienter und zielführender zu gestalten sowie potenzielle Probleme vor Eintritt zu erkennen. Konkret bedeutet dies, dass Ausfallzeiten von Werkzeugen durch eine Analyse von Fehlnutzung, Predictive Maintenance und Ferndiagnose signifikant verringert werden sollen. Zusätzlich kann die künstliche Intelligenz den Service Techniker durch eine Klassifizierung der Art des Defekts und Vorhersage des Verlaufs der Reparatur stark entlasten, da eine Optimierung der internen Materialfluss- und Kapazitätssteuerung mit einhergehender Produktivitätssteigerung ermöglicht wird. Außerdem entsteht die Möglichkeit der Identifizierung von Ursachen, Bauteilen und Modellen mit häufigem Schaden sowie eine Prognostizierbarkeit der Auslastung. Nicht zuletzt bereitet die Vernetzung von Produkten die Entwicklung neuer innovativer Geschäftsmodelle vor. Verwendet werden dafür neben den vorhandenen Servicedaten auch simulierte Daten und perspektivisch Maschinendaten der vernetzten Geräte. Als Ende-zu-Ende IoT Solution Provider mit umfassenden und tiefgreifenden Fachwissen von Embedded über Back- und Frontend bis zu Data Science, kann grandcentrix einen deutlichen Mehrwert für Hersteller und Kunden generieren.

Erste Erkenntnisse und Ausblick

Im letzten Jahr lag neben einer deskriptiven Datenanalyse der Servicefälle der Schwerpunkt auf der Klassifizierung von Service Tickets. Hierfür wurden verschiedene Ansätze, zum Teil basierend auf Natural Language Processing (NLP), genutzt. Außerdem wurde eine Azure-Pipeline zur Identifikation von signifikanten Auffälligkeiten in Verhältniskennzahlen aufgebaut.

Zur Vorhersage von Fehlerklassen zu Fehlerbeschreibungen von Kunden und basierend auf Auswertungen von abgeschlossenen Servicetickets via NLP verfolgt Laura Ohrndorf erfolgreich das Ziel, die Bearbeitung und Fehlersuche zu beschleunigen und die Planung von Ressourcen inkl. möglicher Vorbestellung von benötigten Ersatzteilen zu ermöglichen. Die Daten werden hierbei mit spaCy vorbereitet, um die Fehlerbeschreibungen aus den Tickets zu extrahieren. Anschließend wird darauf basierend ein generalisiertes lineares Modell (GLM) trainiert, welches die Fehlerklassen vorhersagt. Mithilfe von Sean Mirchis mittels Azure ML Services implementierten und in der Azure Data Factory aufgesetzten Ratio Comparison Pipeline können Fragestellungen, wie, ob sich die Fehlerquote der einzelnen Werkzeuge signifikant unterscheidet, beantwortet werden. Zusätzlich können die Verhältniskennzahlen konstant überwacht und dadurch Änderungen frühzeitig identifiziert werden. Da die Anomalieerkennung zurzeit noch mit simulierten Daten trainiert wird, kann diese perspektivisch in verschiedensten Bereich angewandt werden.

Mit Zusammenarbeit im gesamten Service-Meister Konsortium beginnt dieses Jahr die Spezifikation generischer Services, die mit Open-Source-Lizenz veröffentlicht werden sollen, um den KMU frei zur Verfügung gestellt werden zu können (z. B. über GitHub). Die Plattform soll dabei unterstützen, ohne fachliches Wissen zu verstehen, wie und welche Herausforderungen mithilfe von datenbasierten Algorithmen gelöst werden können. Dabei sollen generische Ende-zu-Ende Implementierungen an konkreten Beispielen als “Proof of Concept” bereitgestellt und das große Potenzial durch Visualisierungen und Kennzahlen aufgezeigt werden.