SlideShare ist ein Scribd-Unternehmen logo
Intelliact AG
Siewerdtstrasse 8
CH-8050 Zürich
T. +41 (44) 315 67 40
mail@intelliact.ch
www.intelliact.ch
Machine Learning, AI, KI, Deep Learning
und wo man es im PLM gebrauchen kann
Lukas Haas, Svenja Lutz, 14.10. 2019
PLM OPEN HOUR
3
«Künstliche Intelligenz:
Größeres Potential als die Dampfmaschine»
«Bis 2030 könnten aufgrund der künstlichen Intelligenz
2/3 der Arbeitsplätze in der
automobilen Fertigung wegfallen»
Quellen: https://www.mckinsey.de/news/presse/2018-09-05-ki-studie-mgi-dampfmaschine
https://www.ey.com/Publication/vwLUAssets/ey-what-if-employment-as-we-know-it-today-disappears-tomorrow-long-version/....-long-version.pdf
https://link.springer.com/article/10.1631%2Fjzus.C1300185
Artificial Intelligence (AI) – Künstliche Intelligenz (KI)
Oberbegriff für das gesamte Feld
Machine Learning (ML) – Maschinelles Lernen
Eines der grundlegenden Zielen der AI
Spezifische Aufgaben ohne explizite Vorgaben lösen
Neural Networks – Neurale Netzwerke
Vernetzte Elemente (Neuronen) verarbeiten Information (Input)
gleichzeitig. Dabei adaptiert sich das Netz und lernt so von
vergangenen Mustern
Anschauliche Erklärung: https://youtu.be/aircAruvnKk?t=1
Deep Learning
Sehr umfangreiche Neurale Netzwerke
Kann mit unstrukturierten Daten genutzt werden
Who is Who?
BEGRIFFLICHKEITEN & ZUORDNUNG
4
ARTIFICIAL INTELLIGENCE
Natural Language
Processing
Computer Vision
Robotics
Machine Learning
Neural Networks
Deep
Learning
Classical ML Reinforcement
Ensemble
Planning
Knowledge Reasoning
Artificial General
Intelligence
REALITÄT FIKTION
Die beste Lösung
auswählen
Richtigkeit der
Lösung garantieren
Was kann Machine Learning?
Speichern
Reproduzieren
Vorhersagen
Auswählen
Welche Probleme lassen sich mit ML lösen?
Probleme mit herausfordernder Definition und Randbedingungen
Probleme mit unterliegenden (verborgenen) Muster, welche nicht-
exakt (impräzise) gelöst werden sollen
Welche Grundvoraussetzungen sind für ML zu erfüllen?
Grosse verfügbare Datenmenge
Akzeptanz gegenüber Fehlern (false-positive & false-negative)
Kein Anspruch die Resultatfindung zu verstehen
Mustererkennung mit Machine Learning (ML)
MACHINE LEARNING
5
Vorhersagen treffen Neues erschaffen
Daten speichern Schnell lernen
Reproduzieren
Aufgabenstellung
autonom erweitern
ML kann: ML kann nicht:
Identifizierte Szenarien im PLM-Umfeld
MACHINE LEARNING
6
Innovation Development Operation Sales/Marketing After-Sales
CAD Teile-
Klassifizierung
Generatives Design
(Teil-) automatisierte
Freigabe-Workflows
Datenmigration
Kosten-
Optimierung
Supply Chain
Optimierung
Engineering Change
Management
Chatbots
Customer
Clustering
Augmented
Reality
Predictive
Maintenance
Herstellbarkeits-
optimierung
Teile-Finder
Qualitäts-Optimierung
Konformitäts-
analyse
Natural Language
Processing
Search Ranking
Data
Die Basis für die meisten ML–Anwendungen
Qualitätsmerkmale von Daten:
– strukturiert/unstrukturiert
– homogen/heterogen
– beschriftet/unbeschriftet
Feature
Die Variablen gespeichert in den Daten
Algorithm
Computerunterstützte, mathematische Lösung
des Problems
Drei Dinge damit die Maschine lernt…
MACHINE LEARNING
7
Data
AlgorithmFeature
Data
M
ining
DataScience
Class.
Program.
ML
Situation
CAD-Modelle von geometrisch ähnlichen Bauteilen werden inkonsistent
benannt
Ziel
CAD-Modelle sollen automatisch aufgrund einer automatischen
Klassifizierung (O-Ring, Scheibe, Buchse oder Zylinder) benannt werden
Herausforderung
Datenstruktur und –Homogenität
– Welches sind die relevanten Features?
– Wie erreichen wir homogenen Input?
Lösungsansatz
Extrakt der ersten 2 Body-Features inkl. Design Parameter
Algorithmus verarbeitet Extrakt, lernt Feature-Muster zusammen mit
Klassifizierung
CAD-Teileklassifizierung
BEISPIEL
8
Konstrukteur 1 1 2
Konstrukteur 2 1
Konstrukteur 3* 1 2
Konstrukteur 3* 1 2 3
Konstruktionsreihenfolge verschiedener Konstrukteure
Systemkomponenten für CAD-Teileklassifizierung
Spare Parts AR Service
Tool
Digital CommerceProduct CatalogCAD
Envrionment
XYZERPPDM
Authentication
Pub/Sub Messaging
Analytics
Cloud Functions
CDN
PDM ERP XYZ
Translation
Search Engine 3D VisualisationAttributes,
Descriptions
ABC
Payment
Enterprise Applications
Applications and Services
IoT Asset IoT Asset
Big Data
UXUserExperience
Media MAMContent CMS
IAAS
SAAS
PAAS
SAAS
Services, API, Product Centric Developer Portal
App Components
Clients Use Case Driven Apps Business Case Driven Apps
Common Components
OPCUA
Access Control
Microservices
Configuration
RPC, SOAP, REST, GraphQL
DXDeveloperExperience
HTTPS, MQTTHTTPSHTTPS, FILE
BEISPIEL CAD-TEILEKLASSIFIZIERUNG
CAD
Environment
PDM
9
Analytics
DATA SCIENCE
SYSTEMINTEGRATION
ANWENDUNG
1. Zielformulierung
• Problem- und Zielformulierung
2. Datenbereitstellung
• Daten
• Systemarchitektur
3. Die Maschine lernt
• Algorithmus
4. Die Maschine arbeitet (und lernt)
• Verifikation der Ergebnisse
Mit menschlicher Schaffenskraft zu künstlicher Intelligenz
UMSETZUNG
10
1 2 3 4
Wo liegt der Nutzen?
Beispiel: Change Management
KOGNITIVE PROZESSE
11
Bewusstsein Erkenntnis MassnahmeEntscheidung
Kognitiver Prozess: Vom Bewusstsein zur Massnahme
KOGNITIVE PROZESSE
12
Beschreibend
Was ist passiert?
Diagnostisch
Warum ist es passiert?
Vorausschauend
Was wird passieren?
Vorschreibend
Was soll diesbezüglich
unternommen werden?
rückblickend vorausschauend
Daten ?
Unterstützt durch
Lösungsfindung
Daten Bewusstsein Erkenntnis Mass-
nahme
Entscheidung
Machine Learning: Datengetriebene Lösungsfindung
REVOLUTION DER MASCHINE
13
Beschreibend
Was ist passiert?
Diagnostisch
Warum ist es passiert?
Vorausschauend
Was wird passieren?
Vorschreibend
Was soll diesbezüglich unternommen werden?
menschlicher Effort
menschlicher Effort
m. Effort
rückblickendvorausschauend
Umsetzung einer Machine Learning Anwendung ist machbar
Orchestrierung von Anwendungs-, Systemintegrations- und Daten-Spezialisten
Machine Learning ist ein Quantensprung im kognitiven Prozess der Problemlösung
Zukunftsgerichtete Analytik
PLM-Umfeld ist ideal für Machine Learning
Natur der Probleme
Sofortiger Nutzen
Take-Aways
MASCHINELLES LERNEN
14
Nehmen Sie Kontakt mit mir auf
WAS SIND IHRE HERAUSFORDERUNGEN?
15
Lukas Haas
Senior Consultant
MSc ETH Masch.-Ing.
+41 78 675 64 28
haas@intelliact.ch
Melden Sie sich jetzt zur nächsten «PLM Open Hour» an
16
REFERENZARCHITEKTUR FÜR DAS DIGITALE PRODUKT
https://intelliact.ch/events/plm-open-hours
17
Systemlandschaft optimieren Produktdaten durchgängig nutzen
Prozesse beschleunigen Digitalen Mehrwert schaffen
Digitales Produkt realisieren
www.intelliact.ch
Vielen Dank für Ihre Aufmerksamkeit

Weitere ähnliche Inhalte

Was ist angesagt?

Artificial Intelligence Roadmap 2021-2025
Artificial Intelligence Roadmap 2021-2025Artificial Intelligence Roadmap 2021-2025
Artificial Intelligence Roadmap 2021-2025
Ikhwan115951
 
Chat GPT
Chat GPTChat GPT
Using VSM to support the definition of Production Planning strategies of a ne...
Using VSM to support the definition of Production Planning strategies of a ne...Using VSM to support the definition of Production Planning strategies of a ne...
Using VSM to support the definition of Production Planning strategies of a ne...
Marcelo Costa
 
Managing your Digital Transformation
Managing your Digital TransformationManaging your Digital Transformation
Managing your Digital Transformation
Scopernia
 
Past, Present and Future of Generative AI
Past, Present and Future of Generative AIPast, Present and Future of Generative AI
Past, Present and Future of Generative AI
abhishek36461
 
ChatGPT Training Session
ChatGPT Training SessionChatGPT Training Session
Everything you need to know about chatbots
Everything you need to know about chatbotsEverything you need to know about chatbots
Everything you need to know about chatbots
Konstant Infosolutions Pvt. Ltd.
 
ChatGPT, Generative AI and Microsoft Copilot: Step Into the Future - Geoff Ab...
ChatGPT, Generative AI and Microsoft Copilot: Step Into the Future - Geoff Ab...ChatGPT, Generative AI and Microsoft Copilot: Step Into the Future - Geoff Ab...
ChatGPT, Generative AI and Microsoft Copilot: Step Into the Future - Geoff Ab...
DigiMarCon - Digital Marketing, Media and Advertising Conferences & Exhibitions
 
Generative AI - The Future of Creation (Presentation by Aishwarya Ramesh)
Generative AI - The Future of Creation (Presentation by Aishwarya Ramesh)Generative AI - The Future of Creation (Presentation by Aishwarya Ramesh)
Generative AI - The Future of Creation (Presentation by Aishwarya Ramesh)
Aishwarya Ramesh
 
Generative AI
Generative AIGenerative AI
Generative AI
Corinne Weisgerber
 
Critical success factors to develop and deliver a forward-looking BI strategy...
Critical success factors to develop and deliver a forward-looking BI strategy...Critical success factors to develop and deliver a forward-looking BI strategy...
Critical success factors to develop and deliver a forward-looking BI strategy...
SAP Analytics
 
Cognitive Automation - Your AI Coworker
Cognitive Automation - Your AI CoworkerCognitive Automation - Your AI Coworker
Cognitive Automation - Your AI Coworker
Tamilselvan Subramanian
 
A Glimpse Into the Future of Data Science - What's Next for AI, Big Data & Ma...
A Glimpse Into the Future of Data Science - What's Next for AI, Big Data & Ma...A Glimpse Into the Future of Data Science - What's Next for AI, Big Data & Ma...
A Glimpse Into the Future of Data Science - What's Next for AI, Big Data & Ma...
Pangea.ai
 
Hegazi_ChatGPT_Book.pdf
Hegazi_ChatGPT_Book.pdfHegazi_ChatGPT_Book.pdf
Hegazi_ChatGPT_Book.pdf
AmirHegazi1
 
Prompting is an art / Sztuka promptowania
Prompting is an art / Sztuka promptowaniaPrompting is an art / Sztuka promptowania
Prompting is an art / Sztuka promptowania
Michal Jaskolski
 
Объекттин модели
Объекттин моделиОбъекттин модели
Объекттин модели
Kasymbek Junusaliev
 
Future of Data and AI in Retail - NRF 2023
Future of Data and AI in Retail - NRF 2023Future of Data and AI in Retail - NRF 2023
Future of Data and AI in Retail - NRF 2023
Rob Saker
 
ChatGPT_ppf.pdf
ChatGPT_ppf.pdfChatGPT_ppf.pdf
ChatGPT_ppf.pdf
ssuser693b9a
 
Revolutionary-ChatGPT
Revolutionary-ChatGPTRevolutionary-ChatGPT
Revolutionary-ChatGPT
9 series
 
An Introduction To Chat Bots
An Introduction To Chat BotsAn Introduction To Chat Bots
An Introduction To Chat Bots
Sohan Maheshwar
 

Was ist angesagt? (20)

Artificial Intelligence Roadmap 2021-2025
Artificial Intelligence Roadmap 2021-2025Artificial Intelligence Roadmap 2021-2025
Artificial Intelligence Roadmap 2021-2025
 
Chat GPT
Chat GPTChat GPT
Chat GPT
 
Using VSM to support the definition of Production Planning strategies of a ne...
Using VSM to support the definition of Production Planning strategies of a ne...Using VSM to support the definition of Production Planning strategies of a ne...
Using VSM to support the definition of Production Planning strategies of a ne...
 
Managing your Digital Transformation
Managing your Digital TransformationManaging your Digital Transformation
Managing your Digital Transformation
 
Past, Present and Future of Generative AI
Past, Present and Future of Generative AIPast, Present and Future of Generative AI
Past, Present and Future of Generative AI
 
ChatGPT Training Session
ChatGPT Training SessionChatGPT Training Session
ChatGPT Training Session
 
Everything you need to know about chatbots
Everything you need to know about chatbotsEverything you need to know about chatbots
Everything you need to know about chatbots
 
ChatGPT, Generative AI and Microsoft Copilot: Step Into the Future - Geoff Ab...
ChatGPT, Generative AI and Microsoft Copilot: Step Into the Future - Geoff Ab...ChatGPT, Generative AI and Microsoft Copilot: Step Into the Future - Geoff Ab...
ChatGPT, Generative AI and Microsoft Copilot: Step Into the Future - Geoff Ab...
 
Generative AI - The Future of Creation (Presentation by Aishwarya Ramesh)
Generative AI - The Future of Creation (Presentation by Aishwarya Ramesh)Generative AI - The Future of Creation (Presentation by Aishwarya Ramesh)
Generative AI - The Future of Creation (Presentation by Aishwarya Ramesh)
 
Generative AI
Generative AIGenerative AI
Generative AI
 
Critical success factors to develop and deliver a forward-looking BI strategy...
Critical success factors to develop and deliver a forward-looking BI strategy...Critical success factors to develop and deliver a forward-looking BI strategy...
Critical success factors to develop and deliver a forward-looking BI strategy...
 
Cognitive Automation - Your AI Coworker
Cognitive Automation - Your AI CoworkerCognitive Automation - Your AI Coworker
Cognitive Automation - Your AI Coworker
 
A Glimpse Into the Future of Data Science - What's Next for AI, Big Data & Ma...
A Glimpse Into the Future of Data Science - What's Next for AI, Big Data & Ma...A Glimpse Into the Future of Data Science - What's Next for AI, Big Data & Ma...
A Glimpse Into the Future of Data Science - What's Next for AI, Big Data & Ma...
 
Hegazi_ChatGPT_Book.pdf
Hegazi_ChatGPT_Book.pdfHegazi_ChatGPT_Book.pdf
Hegazi_ChatGPT_Book.pdf
 
Prompting is an art / Sztuka promptowania
Prompting is an art / Sztuka promptowaniaPrompting is an art / Sztuka promptowania
Prompting is an art / Sztuka promptowania
 
Объекттин модели
Объекттин моделиОбъекттин модели
Объекттин модели
 
Future of Data and AI in Retail - NRF 2023
Future of Data and AI in Retail - NRF 2023Future of Data and AI in Retail - NRF 2023
Future of Data and AI in Retail - NRF 2023
 
ChatGPT_ppf.pdf
ChatGPT_ppf.pdfChatGPT_ppf.pdf
ChatGPT_ppf.pdf
 
Revolutionary-ChatGPT
Revolutionary-ChatGPTRevolutionary-ChatGPT
Revolutionary-ChatGPT
 
An Introduction To Chat Bots
An Introduction To Chat BotsAn Introduction To Chat Bots
An Introduction To Chat Bots
 

Ähnlich wie Machine Learning, AI, KI, Deep Learning und wo man es im PLM gebrauchen kann

PLM-Architektur der Zukunft
PLM-Architektur der ZukunftPLM-Architektur der Zukunft
PLM-Architektur der Zukunft
Intelliact AG
 
IT-Architektur für Digital Commerce
IT-Architektur für Digital CommerceIT-Architektur für Digital Commerce
IT-Architektur für Digital Commerce
Intelliact AG
 
«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...
«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...
«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...
Intelliact AG
 
Das geheime Leben einer Störmeldung
Das geheime Leben einer StörmeldungDas geheime Leben einer Störmeldung
Das geheime Leben einer Störmeldung
Georg Guentner
 
Eine Referenzarchitektur für das Digitale Produkt
Eine Referenzarchitektur für das Digitale ProduktEine Referenzarchitektur für das Digitale Produkt
Eine Referenzarchitektur für das Digitale Produkt
Intelliact AG
 
Rethink! ITEM 2016 - Post Event Report
Rethink! ITEM 2016 - Post Event ReportRethink! ITEM 2016 - Post Event Report
Rethink! ITEM 2016 - Post Event Report
Ramona Kohrs
 
PLM-Zukunftsthemen
PLM-ZukunftsthemenPLM-Zukunftsthemen
PLM-Zukunftsthemen
Intelliact AG
 
S&T AG: Enabling digital business models
S&T AG: Enabling digital business modelsS&T AG: Enabling digital business models
S&T AG: Enabling digital business models
S&T AG
 
PLM Open Hours - Model Based Systems Engineering im Kontext der Digitalisierung
PLM Open Hours - Model Based Systems Engineering im Kontext der DigitalisierungPLM Open Hours - Model Based Systems Engineering im Kontext der Digitalisierung
PLM Open Hours - Model Based Systems Engineering im Kontext der Digitalisierung
Intelliact AG
 
Mehrwert mit 3D-CAD-Daten
Mehrwert mit 3D-CAD-DatenMehrwert mit 3D-CAD-Daten
Mehrwert mit 3D-CAD-Daten
Intelliact AG
 
IoT-X Platform von prodot - Daten sammeln, analysieren und auswerten
IoT-X Platform von prodot - Daten sammeln, analysieren und auswertenIoT-X Platform von prodot - Daten sammeln, analysieren und auswerten
IoT-X Platform von prodot - Daten sammeln, analysieren und auswerten
prodot GmbH
 
Digitale Kommunikation in Fertigungsnetzwerken neu gedacht
Digitale Kommunikation in Fertigungsnetzwerken neu gedachtDigitale Kommunikation in Fertigungsnetzwerken neu gedacht
Digitale Kommunikation in Fertigungsnetzwerken neu gedacht
Georg Guentner
 
Erp in der zukunft: über die funktionen hinaus
Erp in der zukunft: über die funktionen hinausErp in der zukunft: über die funktionen hinaus
Erp in der zukunft: über die funktionen hinaus
Dedagroup
 
Firmenstatements 31 03 2010
Firmenstatements 31 03 2010Firmenstatements 31 03 2010
Firmenstatements 31 03 2010
applicationpark
 
Firmenstatements 31 03 2010
Firmenstatements 31 03 2010Firmenstatements 31 03 2010
Firmenstatements 31 03 2010
applicationpark
 
Namics & Adobe Industrie-Workshop "Be smart" vom 23.05.2017
Namics & Adobe Industrie-Workshop "Be smart" vom 23.05.2017Namics & Adobe Industrie-Workshop "Be smart" vom 23.05.2017
Namics & Adobe Industrie-Workshop "Be smart" vom 23.05.2017
Namics – A Merkle Company
 
Die Experton Big Data Studie und Splunk
Die Experton Big Data Studie und SplunkDie Experton Big Data Studie und Splunk
Die Experton Big Data Studie und Splunk
Georg Knon
 
Car It Und Cloud
Car It Und CloudCar It Und Cloud
Car It Und Cloud
JanAppl
 

Ähnlich wie Machine Learning, AI, KI, Deep Learning und wo man es im PLM gebrauchen kann (20)

PLM-Architektur der Zukunft
PLM-Architektur der ZukunftPLM-Architektur der Zukunft
PLM-Architektur der Zukunft
 
IT-Architektur für Digital Commerce
IT-Architektur für Digital CommerceIT-Architektur für Digital Commerce
IT-Architektur für Digital Commerce
 
«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...
«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...
«Schnittstellen sind kompliziert, darum kann ich die Digitalisierung nicht mi...
 
Das geheime Leben einer Störmeldung
Das geheime Leben einer StörmeldungDas geheime Leben einer Störmeldung
Das geheime Leben einer Störmeldung
 
Eine Referenzarchitektur für das Digitale Produkt
Eine Referenzarchitektur für das Digitale ProduktEine Referenzarchitektur für das Digitale Produkt
Eine Referenzarchitektur für das Digitale Produkt
 
Rethink! ITEM 2016 - Post Event Report
Rethink! ITEM 2016 - Post Event ReportRethink! ITEM 2016 - Post Event Report
Rethink! ITEM 2016 - Post Event Report
 
PLM-Zukunftsthemen
PLM-ZukunftsthemenPLM-Zukunftsthemen
PLM-Zukunftsthemen
 
S&T AG: Enabling digital business models
S&T AG: Enabling digital business modelsS&T AG: Enabling digital business models
S&T AG: Enabling digital business models
 
PLM Open Hours - Model Based Systems Engineering im Kontext der Digitalisierung
PLM Open Hours - Model Based Systems Engineering im Kontext der DigitalisierungPLM Open Hours - Model Based Systems Engineering im Kontext der Digitalisierung
PLM Open Hours - Model Based Systems Engineering im Kontext der Digitalisierung
 
Mehrwert mit 3D-CAD-Daten
Mehrwert mit 3D-CAD-DatenMehrwert mit 3D-CAD-Daten
Mehrwert mit 3D-CAD-Daten
 
IoT-X Platform von prodot - Daten sammeln, analysieren und auswerten
IoT-X Platform von prodot - Daten sammeln, analysieren und auswertenIoT-X Platform von prodot - Daten sammeln, analysieren und auswerten
IoT-X Platform von prodot - Daten sammeln, analysieren und auswerten
 
Digitale Kommunikation in Fertigungsnetzwerken neu gedacht
Digitale Kommunikation in Fertigungsnetzwerken neu gedachtDigitale Kommunikation in Fertigungsnetzwerken neu gedacht
Digitale Kommunikation in Fertigungsnetzwerken neu gedacht
 
Erp in der zukunft: über die funktionen hinaus
Erp in der zukunft: über die funktionen hinausErp in der zukunft: über die funktionen hinaus
Erp in der zukunft: über die funktionen hinaus
 
Firmenstatements 31 03 2010
Firmenstatements 31 03 2010Firmenstatements 31 03 2010
Firmenstatements 31 03 2010
 
Firmenstatements 31 03 2010
Firmenstatements 31 03 2010Firmenstatements 31 03 2010
Firmenstatements 31 03 2010
 
Namics & Adobe Industrie-Workshop "Be smart" vom 23.05.2017
Namics & Adobe Industrie-Workshop "Be smart" vom 23.05.2017Namics & Adobe Industrie-Workshop "Be smart" vom 23.05.2017
Namics & Adobe Industrie-Workshop "Be smart" vom 23.05.2017
 
Die Experton Big Data Studie und Splunk
Die Experton Big Data Studie und SplunkDie Experton Big Data Studie und Splunk
Die Experton Big Data Studie und Splunk
 
Firmenstatements
FirmenstatementsFirmenstatements
Firmenstatements
 
Firmenstatements
FirmenstatementsFirmenstatements
Firmenstatements
 
Car It Und Cloud
Car It Und CloudCar It Und Cloud
Car It Und Cloud
 

Mehr von Intelliact AG

Saasifizierung im PLM: Ein Ausblick für Sie
Saasifizierung im PLM: Ein Ausblick für SieSaasifizierung im PLM: Ein Ausblick für Sie
Saasifizierung im PLM: Ein Ausblick für Sie
Intelliact AG
 
Künstliche Intelligenz (KI) in der Produktentwicklung
Künstliche Intelligenz (KI) in der ProduktentwicklungKünstliche Intelligenz (KI) in der Produktentwicklung
Künstliche Intelligenz (KI) in der Produktentwicklung
Intelliact AG
 
Effizientes Change Management im PLM - Webinar
Effizientes Change Management im PLM - WebinarEffizientes Change Management im PLM - Webinar
Effizientes Change Management im PLM - Webinar
Intelliact AG
 
Wie Sie mit einer Sales-App Ihren B2B-Bestellprozess optimieren und Produkte ...
Wie Sie mit einer Sales-App Ihren B2B-Bestellprozess optimieren und Produkte ...Wie Sie mit einer Sales-App Ihren B2B-Bestellprozess optimieren und Produkte ...
Wie Sie mit einer Sales-App Ihren B2B-Bestellprozess optimieren und Produkte ...
Intelliact AG
 
Werkstoffmanagement als Basis für Compliancethemen
Werkstoffmanagement als Basis für CompliancethemenWerkstoffmanagement als Basis für Compliancethemen
Werkstoffmanagement als Basis für Compliancethemen
Intelliact AG
 
Service-orientierte PLM-Architektur: Das wird wichtiger
Service-orientierte PLM-Architektur: Das wird wichtigerService-orientierte PLM-Architektur: Das wird wichtiger
Service-orientierte PLM-Architektur: Das wird wichtiger
Intelliact AG
 
Quantitativer und qualitativer Nutzen von PLM Projekten
Quantitativer und qualitativer Nutzen von PLM ProjektenQuantitativer und qualitativer Nutzen von PLM Projekten
Quantitativer und qualitativer Nutzen von PLM Projekten
Intelliact AG
 
Einflussfaktoren auf das E2E BOM Management (Sales, Produktion, Entwicklung/PM)
Einflussfaktoren auf das E2E BOM Management (Sales, Produktion, Entwicklung/PM)Einflussfaktoren auf das E2E BOM Management (Sales, Produktion, Entwicklung/PM)
Einflussfaktoren auf das E2E BOM Management (Sales, Produktion, Entwicklung/PM)
Intelliact AG
 
Compliance-Themen im PLM-Kontext
Compliance-Themen im PLM-KontextCompliance-Themen im PLM-Kontext
Compliance-Themen im PLM-Kontext
Intelliact AG
 
Produktkataloge als Teil der Sales Journey
Produktkataloge als Teil der Sales JourneyProduktkataloge als Teil der Sales Journey
Produktkataloge als Teil der Sales Journey
Intelliact AG
 
PDM-Datenmigration: erfolgs- und aufwandsrelevante Aspekte
PDM-Datenmigration: erfolgs- und aufwandsrelevante AspektePDM-Datenmigration: erfolgs- und aufwandsrelevante Aspekte
PDM-Datenmigration: erfolgs- und aufwandsrelevante Aspekte
Intelliact AG
 
So verbinden Sie PLM mit (e)Commerce
So verbinden Sie PLM mit (e)CommerceSo verbinden Sie PLM mit (e)Commerce
So verbinden Sie PLM mit (e)Commerce
Intelliact AG
 
Low-Code- und No-Code-Apps im PLM: Einordnung, Nutzen, Risiken, Chancen
Low-Code- und No-Code-Apps im PLM: Einordnung, Nutzen, Risiken, ChancenLow-Code- und No-Code-Apps im PLM: Einordnung, Nutzen, Risiken, Chancen
Low-Code- und No-Code-Apps im PLM: Einordnung, Nutzen, Risiken, Chancen
Intelliact AG
 
Mehrwert aus CAD Daten und wo diese noch überall verwendet werden können
Mehrwert aus CAD Daten und wo diese noch überall verwendet werden könnenMehrwert aus CAD Daten und wo diese noch überall verwendet werden können
Mehrwert aus CAD Daten und wo diese noch überall verwendet werden können
Intelliact AG
 
Cloud-PLM mit modernen Interfaces
Cloud-PLM mit modernen InterfacesCloud-PLM mit modernen Interfaces
Cloud-PLM mit modernen Interfaces
Intelliact AG
 
B2B-Shop der Thommen Medical AG: Mit vernetzten Produktdaten zum Wettbewerbsv...
B2B-Shop der Thommen Medical AG: Mit vernetzten Produktdaten zum Wettbewerbsv...B2B-Shop der Thommen Medical AG: Mit vernetzten Produktdaten zum Wettbewerbsv...
B2B-Shop der Thommen Medical AG: Mit vernetzten Produktdaten zum Wettbewerbsv...
Intelliact AG
 
PDM-Datenmigration mit CAD-Wechsel
PDM-Datenmigration mit CAD-WechselPDM-Datenmigration mit CAD-Wechsel
PDM-Datenmigration mit CAD-Wechsel
Intelliact AG
 
CAD/PDM: Datenmigration
CAD/PDM: DatenmigrationCAD/PDM: Datenmigration
CAD/PDM: Datenmigration
Intelliact AG
 
CAD in the Cloud
CAD in the CloudCAD in the Cloud
CAD in the Cloud
Intelliact AG
 
Marktvorsprung durch Augmented-Reality
Marktvorsprung durch Augmented-RealityMarktvorsprung durch Augmented-Reality
Marktvorsprung durch Augmented-Reality
Intelliact AG
 

Mehr von Intelliact AG (20)

Saasifizierung im PLM: Ein Ausblick für Sie
Saasifizierung im PLM: Ein Ausblick für SieSaasifizierung im PLM: Ein Ausblick für Sie
Saasifizierung im PLM: Ein Ausblick für Sie
 
Künstliche Intelligenz (KI) in der Produktentwicklung
Künstliche Intelligenz (KI) in der ProduktentwicklungKünstliche Intelligenz (KI) in der Produktentwicklung
Künstliche Intelligenz (KI) in der Produktentwicklung
 
Effizientes Change Management im PLM - Webinar
Effizientes Change Management im PLM - WebinarEffizientes Change Management im PLM - Webinar
Effizientes Change Management im PLM - Webinar
 
Wie Sie mit einer Sales-App Ihren B2B-Bestellprozess optimieren und Produkte ...
Wie Sie mit einer Sales-App Ihren B2B-Bestellprozess optimieren und Produkte ...Wie Sie mit einer Sales-App Ihren B2B-Bestellprozess optimieren und Produkte ...
Wie Sie mit einer Sales-App Ihren B2B-Bestellprozess optimieren und Produkte ...
 
Werkstoffmanagement als Basis für Compliancethemen
Werkstoffmanagement als Basis für CompliancethemenWerkstoffmanagement als Basis für Compliancethemen
Werkstoffmanagement als Basis für Compliancethemen
 
Service-orientierte PLM-Architektur: Das wird wichtiger
Service-orientierte PLM-Architektur: Das wird wichtigerService-orientierte PLM-Architektur: Das wird wichtiger
Service-orientierte PLM-Architektur: Das wird wichtiger
 
Quantitativer und qualitativer Nutzen von PLM Projekten
Quantitativer und qualitativer Nutzen von PLM ProjektenQuantitativer und qualitativer Nutzen von PLM Projekten
Quantitativer und qualitativer Nutzen von PLM Projekten
 
Einflussfaktoren auf das E2E BOM Management (Sales, Produktion, Entwicklung/PM)
Einflussfaktoren auf das E2E BOM Management (Sales, Produktion, Entwicklung/PM)Einflussfaktoren auf das E2E BOM Management (Sales, Produktion, Entwicklung/PM)
Einflussfaktoren auf das E2E BOM Management (Sales, Produktion, Entwicklung/PM)
 
Compliance-Themen im PLM-Kontext
Compliance-Themen im PLM-KontextCompliance-Themen im PLM-Kontext
Compliance-Themen im PLM-Kontext
 
Produktkataloge als Teil der Sales Journey
Produktkataloge als Teil der Sales JourneyProduktkataloge als Teil der Sales Journey
Produktkataloge als Teil der Sales Journey
 
PDM-Datenmigration: erfolgs- und aufwandsrelevante Aspekte
PDM-Datenmigration: erfolgs- und aufwandsrelevante AspektePDM-Datenmigration: erfolgs- und aufwandsrelevante Aspekte
PDM-Datenmigration: erfolgs- und aufwandsrelevante Aspekte
 
So verbinden Sie PLM mit (e)Commerce
So verbinden Sie PLM mit (e)CommerceSo verbinden Sie PLM mit (e)Commerce
So verbinden Sie PLM mit (e)Commerce
 
Low-Code- und No-Code-Apps im PLM: Einordnung, Nutzen, Risiken, Chancen
Low-Code- und No-Code-Apps im PLM: Einordnung, Nutzen, Risiken, ChancenLow-Code- und No-Code-Apps im PLM: Einordnung, Nutzen, Risiken, Chancen
Low-Code- und No-Code-Apps im PLM: Einordnung, Nutzen, Risiken, Chancen
 
Mehrwert aus CAD Daten und wo diese noch überall verwendet werden können
Mehrwert aus CAD Daten und wo diese noch überall verwendet werden könnenMehrwert aus CAD Daten und wo diese noch überall verwendet werden können
Mehrwert aus CAD Daten und wo diese noch überall verwendet werden können
 
Cloud-PLM mit modernen Interfaces
Cloud-PLM mit modernen InterfacesCloud-PLM mit modernen Interfaces
Cloud-PLM mit modernen Interfaces
 
B2B-Shop der Thommen Medical AG: Mit vernetzten Produktdaten zum Wettbewerbsv...
B2B-Shop der Thommen Medical AG: Mit vernetzten Produktdaten zum Wettbewerbsv...B2B-Shop der Thommen Medical AG: Mit vernetzten Produktdaten zum Wettbewerbsv...
B2B-Shop der Thommen Medical AG: Mit vernetzten Produktdaten zum Wettbewerbsv...
 
PDM-Datenmigration mit CAD-Wechsel
PDM-Datenmigration mit CAD-WechselPDM-Datenmigration mit CAD-Wechsel
PDM-Datenmigration mit CAD-Wechsel
 
CAD/PDM: Datenmigration
CAD/PDM: DatenmigrationCAD/PDM: Datenmigration
CAD/PDM: Datenmigration
 
CAD in the Cloud
CAD in the CloudCAD in the Cloud
CAD in the Cloud
 
Marktvorsprung durch Augmented-Reality
Marktvorsprung durch Augmented-RealityMarktvorsprung durch Augmented-Reality
Marktvorsprung durch Augmented-Reality
 

Machine Learning, AI, KI, Deep Learning und wo man es im PLM gebrauchen kann

  • 1. Intelliact AG Siewerdtstrasse 8 CH-8050 Zürich T. +41 (44) 315 67 40 mail@intelliact.ch www.intelliact.ch Machine Learning, AI, KI, Deep Learning und wo man es im PLM gebrauchen kann Lukas Haas, Svenja Lutz, 14.10. 2019 PLM OPEN HOUR
  • 2. 3 «Künstliche Intelligenz: Größeres Potential als die Dampfmaschine» «Bis 2030 könnten aufgrund der künstlichen Intelligenz 2/3 der Arbeitsplätze in der automobilen Fertigung wegfallen» Quellen: https://www.mckinsey.de/news/presse/2018-09-05-ki-studie-mgi-dampfmaschine https://www.ey.com/Publication/vwLUAssets/ey-what-if-employment-as-we-know-it-today-disappears-tomorrow-long-version/....-long-version.pdf https://link.springer.com/article/10.1631%2Fjzus.C1300185
  • 3. Artificial Intelligence (AI) – Künstliche Intelligenz (KI) Oberbegriff für das gesamte Feld Machine Learning (ML) – Maschinelles Lernen Eines der grundlegenden Zielen der AI Spezifische Aufgaben ohne explizite Vorgaben lösen Neural Networks – Neurale Netzwerke Vernetzte Elemente (Neuronen) verarbeiten Information (Input) gleichzeitig. Dabei adaptiert sich das Netz und lernt so von vergangenen Mustern Anschauliche Erklärung: https://youtu.be/aircAruvnKk?t=1 Deep Learning Sehr umfangreiche Neurale Netzwerke Kann mit unstrukturierten Daten genutzt werden Who is Who? BEGRIFFLICHKEITEN & ZUORDNUNG 4 ARTIFICIAL INTELLIGENCE Natural Language Processing Computer Vision Robotics Machine Learning Neural Networks Deep Learning Classical ML Reinforcement Ensemble Planning Knowledge Reasoning Artificial General Intelligence
  • 4. REALITÄT FIKTION Die beste Lösung auswählen Richtigkeit der Lösung garantieren Was kann Machine Learning? Speichern Reproduzieren Vorhersagen Auswählen Welche Probleme lassen sich mit ML lösen? Probleme mit herausfordernder Definition und Randbedingungen Probleme mit unterliegenden (verborgenen) Muster, welche nicht- exakt (impräzise) gelöst werden sollen Welche Grundvoraussetzungen sind für ML zu erfüllen? Grosse verfügbare Datenmenge Akzeptanz gegenüber Fehlern (false-positive & false-negative) Kein Anspruch die Resultatfindung zu verstehen Mustererkennung mit Machine Learning (ML) MACHINE LEARNING 5 Vorhersagen treffen Neues erschaffen Daten speichern Schnell lernen Reproduzieren Aufgabenstellung autonom erweitern ML kann: ML kann nicht:
  • 5. Identifizierte Szenarien im PLM-Umfeld MACHINE LEARNING 6 Innovation Development Operation Sales/Marketing After-Sales CAD Teile- Klassifizierung Generatives Design (Teil-) automatisierte Freigabe-Workflows Datenmigration Kosten- Optimierung Supply Chain Optimierung Engineering Change Management Chatbots Customer Clustering Augmented Reality Predictive Maintenance Herstellbarkeits- optimierung Teile-Finder Qualitäts-Optimierung Konformitäts- analyse Natural Language Processing Search Ranking
  • 6. Data Die Basis für die meisten ML–Anwendungen Qualitätsmerkmale von Daten: – strukturiert/unstrukturiert – homogen/heterogen – beschriftet/unbeschriftet Feature Die Variablen gespeichert in den Daten Algorithm Computerunterstützte, mathematische Lösung des Problems Drei Dinge damit die Maschine lernt… MACHINE LEARNING 7 Data AlgorithmFeature Data M ining DataScience Class. Program. ML
  • 7. Situation CAD-Modelle von geometrisch ähnlichen Bauteilen werden inkonsistent benannt Ziel CAD-Modelle sollen automatisch aufgrund einer automatischen Klassifizierung (O-Ring, Scheibe, Buchse oder Zylinder) benannt werden Herausforderung Datenstruktur und –Homogenität – Welches sind die relevanten Features? – Wie erreichen wir homogenen Input? Lösungsansatz Extrakt der ersten 2 Body-Features inkl. Design Parameter Algorithmus verarbeitet Extrakt, lernt Feature-Muster zusammen mit Klassifizierung CAD-Teileklassifizierung BEISPIEL 8 Konstrukteur 1 1 2 Konstrukteur 2 1 Konstrukteur 3* 1 2 Konstrukteur 3* 1 2 3 Konstruktionsreihenfolge verschiedener Konstrukteure
  • 8. Systemkomponenten für CAD-Teileklassifizierung Spare Parts AR Service Tool Digital CommerceProduct CatalogCAD Envrionment XYZERPPDM Authentication Pub/Sub Messaging Analytics Cloud Functions CDN PDM ERP XYZ Translation Search Engine 3D VisualisationAttributes, Descriptions ABC Payment Enterprise Applications Applications and Services IoT Asset IoT Asset Big Data UXUserExperience Media MAMContent CMS IAAS SAAS PAAS SAAS Services, API, Product Centric Developer Portal App Components Clients Use Case Driven Apps Business Case Driven Apps Common Components OPCUA Access Control Microservices Configuration RPC, SOAP, REST, GraphQL DXDeveloperExperience HTTPS, MQTTHTTPSHTTPS, FILE BEISPIEL CAD-TEILEKLASSIFIZIERUNG CAD Environment PDM 9 Analytics
  • 9. DATA SCIENCE SYSTEMINTEGRATION ANWENDUNG 1. Zielformulierung • Problem- und Zielformulierung 2. Datenbereitstellung • Daten • Systemarchitektur 3. Die Maschine lernt • Algorithmus 4. Die Maschine arbeitet (und lernt) • Verifikation der Ergebnisse Mit menschlicher Schaffenskraft zu künstlicher Intelligenz UMSETZUNG 10 1 2 3 4
  • 10. Wo liegt der Nutzen? Beispiel: Change Management KOGNITIVE PROZESSE 11
  • 11. Bewusstsein Erkenntnis MassnahmeEntscheidung Kognitiver Prozess: Vom Bewusstsein zur Massnahme KOGNITIVE PROZESSE 12 Beschreibend Was ist passiert? Diagnostisch Warum ist es passiert? Vorausschauend Was wird passieren? Vorschreibend Was soll diesbezüglich unternommen werden? rückblickend vorausschauend Daten ? Unterstützt durch Lösungsfindung
  • 12. Daten Bewusstsein Erkenntnis Mass- nahme Entscheidung Machine Learning: Datengetriebene Lösungsfindung REVOLUTION DER MASCHINE 13 Beschreibend Was ist passiert? Diagnostisch Warum ist es passiert? Vorausschauend Was wird passieren? Vorschreibend Was soll diesbezüglich unternommen werden? menschlicher Effort menschlicher Effort m. Effort rückblickendvorausschauend
  • 13. Umsetzung einer Machine Learning Anwendung ist machbar Orchestrierung von Anwendungs-, Systemintegrations- und Daten-Spezialisten Machine Learning ist ein Quantensprung im kognitiven Prozess der Problemlösung Zukunftsgerichtete Analytik PLM-Umfeld ist ideal für Machine Learning Natur der Probleme Sofortiger Nutzen Take-Aways MASCHINELLES LERNEN 14
  • 14. Nehmen Sie Kontakt mit mir auf WAS SIND IHRE HERAUSFORDERUNGEN? 15 Lukas Haas Senior Consultant MSc ETH Masch.-Ing. +41 78 675 64 28 haas@intelliact.ch
  • 15. Melden Sie sich jetzt zur nächsten «PLM Open Hour» an 16 REFERENZARCHITEKTUR FÜR DAS DIGITALE PRODUKT https://intelliact.ch/events/plm-open-hours
  • 16. 17 Systemlandschaft optimieren Produktdaten durchgängig nutzen Prozesse beschleunigen Digitalen Mehrwert schaffen Digitales Produkt realisieren www.intelliact.ch
  • 17. Vielen Dank für Ihre Aufmerksamkeit