Supply Chain Artificial Intelligence

Obwohl bei KMUs im Großhandel teilweise bereits Prognosemodelle eingesetzt werden, um Absätze vorherzusagen, sind diese häufig nicht state of the art und erschweren die Steuerung von Lagerbeständen. Wir entwickeln und implementieren deshalb ein Verfahren, um mithilfe modernster KI-Methoden die Unsicherheit einer Prognose zu quantifizieren und darauf aufbauend automatisch optimale Lagerbestände zu bestimmen.

Der Bereich Supply Chain Services des Fraunhofer IIS, die Universität Erlangen-Nürnberg und die Hochschule Augsburg entwickeln im Projket Leitfahr³ zusammen mit Logistikpartnerunternehmen Handlungshilfen zur Motivationssteigerung für bayerische Berufskraftfahrer:innen.

Im Zuge der komplexen und zeitaufwändigen Dokumentation der Pflege- und Maßnahmeplanung nutzt das Projekt iPAB historische Daten und Analysen, um dynamische Vorschläge für die Maßnahmenplanung im Pflegeprozess zu generieren. Dadurch wird der Dokumentationsaufwand reduziert und mehr Zeit für die Patientenpflege zur Verfügung gestellt.

Die lange Lebensdauer der Geräte ist ein wichtiges Qualitätsversprechen vieler Hersteller. Dazu gehört die Gewährleistung von Ersatzteilverfügbarkeit für Reparaturen und Wartungen. Die BSH Hausgeräte GmbH hat die Arbeitsgruppe für Supply Chain Services beauftragt, eine datengetriebene Lösung zur automatisierten und zuverlässigen Unterstützung bei der Entscheidungsfindung zu finden.

Das Ziel im Forschungsprojekt »HerzKISO« ist, eine faire und flächendeckende Verfügbarkeit von Defibrillatoren sicherzustellen, um möglichst vielen Bürgerinnen und Bürgern Zugang zu einem lebensrettenden Gerät zu ermöglichen. 

Der Markt für ML-Lösungen in der Industrie bietet viele Tools, aber die Auswahl ist komplex aufgrund von spezifischen Anforderungen wie Lizenzvereinbarungen und Datensicherheit. Fraunhofer IIS entwickelt maßgeschneiderte MLOps-Lösungen für die Supply Chain, die die spezifischen Anforderungen unserer Industriepartner optimieren und einfach anzuwenden und zu warten sind.

Im industriellen Kontext wird Maschinelles Lernen (ML) immer wichtiger – insbesondere in der Qualitätssicherung. Diese ist für Unternehmen oft mit viel Aufwand verbunden, vor allem wenn strenge Fehlertoleranzvorgaben eingehalten werden müssen.

Kompetenzzentrum für Data Analytics und KI in der Industrie

Das ADA Lovelace Center verbindet auf einzigartige Weise KI-Forschung mit KI-Anwendungen der Industrie. Hier können sich die Partner untereinander vernetzen, vom Know-how des anderen profitieren und an gemeinsamen Projekten arbeiten.

Ziel ist die Demokratisierung von ML-Systemen und der niederschwellige Zugang zu ML-Lösungen für Endanwendende, um dem Fachkräftemangel von ML-Expertinnen und -Experten entgegenzuwirken. Dazu werden Entwicklungsleitlinien für verständlich bedien- und wartbare ML-Systeme entwickelt werden, welche die operative Nutzung dieser ML-Systeme für Endanwender:innen ohne KI-Expertise ermöglichen.

Künstliche Intelligenz und speziell neuronale Netzwerke wurden genutzt, um Preisschwankungen verschiedener Stahlsorten präzise zu prognostizieren. Dieses System, entwickelt für den Stahlhandel, hilft Einkäufern, den optimalen Zeitpunkt für ihre Einkäufe zu bestimmen, was zu erheblichen Kosteneinsparungen führen kann.

Wir berechnen und bewerten das kosteneffiziente Lager- und Transportnetzwerk für ein Unternehmen in der Chemieindustrie. Durch Optimierungsverfahren und Prognosen helfen wir, Standorte zu empfehlen und Kosten zu minimieren. In Zusammenarbeit mit trilogIQa werden die Prozessanforderungen erfasst und modelliert. KI unterstützt bei der Gestaltung des logistischen Netzwerks für zukünftige Kundenbedarfe.

In diesem Projekt wurde ein fortschrittliches neuronales Netz entwickelt, um Gussfehler in Produktionsprozessen vorherzusagen und zu minimieren. Es analysiert Produktionsdaten zur frühzeitigen Fehlererkennung und bietet Optimierungsempfehlungen, was die Produktionsqualität und -effizienz verbessert und Ausschuss sowie Materialabfall reduziert.

Künstliche Intelligenz zur Prozessprognose und -optimierung im Kombinierten Verkehrsterminal (KIProKV)

In KIProKV wird ein Planungstool entwickelt, das mathematische Optimierung mit Machine Learning zur Prozessprognose kombiniert. Es sagt unsichere Prozessvariablen voraus, um potenzielle Verschiebungen und Engpässe frühzeitig zu identifizieren. Die Unsicherheiten fließen in die Optimierungsmodelle ein, um effiziente Lösungen zu erarbeiten. Eine Feedbackschleife aus Optimierung und Prognose ermöglicht eine Echtzeit-Planung der Umschlagsaufträge für das Terminalpersonal.