Unsere Experten begannen mit einer gründlichen Bewertung des Managements der Fertigungsprozesse des Kunden, die auch Interviews mit Abteilungsleitern und eine Analyse der IT-Infrastruktur des Unternehmens umfasste. Auf der Grundlage unserer Erkenntnisse identifizierten wir mehrere ineffiziente Bereiche und ordneten sie nach ihren geschäftlichen Auswirkungen ein. Dabei wählten wir den Qualitätskontrollprozess als primäres KI-Implementierungsziel aus, um die Einschränkungen manueller Inspektionen zu beseitigen, die zeitaufwändig, fehleranfällig und inkonsistent waren.

Wir konzipierten eine auf neuronalen Netzen basierende Computer-Vision-Lösung, die Produktbilder, die von vorhandenen Kameras an Produktionslinien aufgenommen wurden, verarbeitet, um verschiedene Fehler auf Sperrholzoberflächen zu erkennen. Die Lösung würde dann die Sperrholzplatten auf der Grundlage der Anzahl, Größe und Schwere der Produktfehler nach Qualitätsklassen klassifizieren und die Platten an die entsprechenden Lagerorte weiterleiten.

Als Nächstes untersuchten wir die aktuellen Produktqualitätsinspektionsdaten des Kunden, die Tausende von Sperrholzplattenbildern umfassten, deren Qualität und Vielfalt zu bestimmen und zu bestätigen, dass wir vorhandene Bilder verwenden können, anstatt neue Daten zum Trainieren des KI-Modells zu sammeln.

Als Nächstes kennzeichneten wir mehr als 5000 ausgewählte Bilder mit verschiedenen Fehlerattributen wie Anzahl, Farbe, Fläche und Schweregrad und trainierten das Modell so, dass es Fehler korrekt erkennen und mit Grenzfällen umgehen konnte.

Danach unterteilten wir den Implementierungsprozess der Lösung in drei Stufen. Zunächst führten wir ein Backtesting des Modells durch, um seine Funktionsweise und Genauigkeit zu bewerten, wobei wir wichtige Spezialisten aus der Qualitätssicherungsabteilung des Kunden mit der Datenüberprüfung beauftragten. Zweitens führten wir die Pilotlösung in einer einzelnen Produktionslinie ein, um die Ergebnisse in kleinerem Maßstab zu bewerten, indem wir die Lösung im Schattenmodus neben menschlichen Inspektoren laufen ließen, die manuelle Bewertungen vornahmen. Die ausgewählten QS-Experten analysierten die Ergebnisse der laufenden KI-Lösung und verglichen sie mit den menschlichen Entscheidungen. Anhand der ermittelten falsch positiven und negativen Ergebnisse führten wir eine zusätzliche Neuetikettierung der Bilder durch und nahmen eine Feinabstimmung des Modells vor, wodurch sich die Genauigkeitsrate von 95% auf 98,3% erhöhte.

Schließlich führten wir die KI-Fehlererkennungslösung an allen 14 Produktionslinien ein und schulten die Benutzer in Form von Workshops vor Ort. Nach der Einführung übernahmen wir die fortlaufende Überwachung und Unterstützung der Lösung und verfolgten die Kennzahlen der Lösung, um ihre Effektivität im Laufe der Zeit zu bewerten und ihre Verbesserung zu planen.