KI-Anwendungen im Engineering

Einleitung

Im Hinblick auf die Wertschöpfung von Generative AI zählt die Forschung und Entwicklung neuer Produkte zu den wichtigsten Anwendungsbereichen [1], aber auch weitere KI-Technologien finden im Engineering Anwendung. Daher etablieren sich zunehmend KI-Anwendungen zur Unterstützung kreativer, aber auch administrativer Engineering-Prozesse. Dies umfasst beispielsweise die Angebotserstellung in der RfQ-Phase (Requestfor-Quotation), die Konzeptfindungsphase bei Systemarchitekturen (funktionale, logische und technische Architektursichten) [2] oder die Lösungsfindung bei der Softwareentwicklung sowie der mechanischen und elektronischen Detailkonstruktion [3]. Doch auch die Simulation sowie Verifikation & Validierung (V & V) [4], die Transformation funktional strukturierter E-BOMs zu montageorientierten M-BOMs, die Wiederholteilsuche zur Optimierung der Wiederverwendung (z. B. bei 3D-CAD) [5] oder die automatische Ableitung der Affected Items im Freigabe- und Änderungsprozess sind Anwendungsgebiete.

Technologien wie Large Language Models (LLMs), Active Learning und die neueste Generation Neuronaler Netze bieten nicht nur technische Herausforderungen, sondern auch erhebliche strategische Chancen und Potenziale für Führungskräfte und Entscheidungsträger. Dieser Beitrag bietet einen Überblick über KI-Anwendungen im Engineering und stellt an Beispielen aus dem Bereich der Simulation dar, wie KI nicht nur technische Prozesse automatisiert, sondern auch zur Effizienzsteigerung, Kostenreduktion und Innovationsförderung beiträgt. In der Mehrzahl der Unternehmen sind KI-Anwendungen noch nicht umgesetzt – so haben lediglich ca. 30 Prozent der Unternehmen für Generative AI erste Proof of Concepts durchgeführt [6]. Daher wird abschließend ein systematischer Ansatz für die Pilotierung und Umsetzung von Nutzenpotenzialen vorgestellt, der durch einen Proof of Concept und ein Minimum Viable Product Unternehmen unterstützt, eigene KI-Lösungen zu entwickeln.

Ausgangslage im Engineering

Die zunehmende Verfügbarkeit leistungsfähiger Hardware und der steigende Grad der Digitalisierung befähigen vielfältige KI-Anwendungen im Engineering. Im letzten Jahrzehnt wurden in der Forschung vor allem signifikante Fortschritte beim Machine Learning (ML) in hochspezialisierten Anwendungsgebieten mittels Artificial Narrow Intelligence erzielt. Während bei den KI-Grundlagen praxisrelevante Fortschritte mit hoher Geschwindigkeit erzielt werden, bleibt die tatsächliche Anwendung im Engineering, insbesondere für frühe Phasen der Produktentwicklung, hinter ihrem Potenzial zurück [7]. Ähnlich wie die Einführung von 3D-CAD einen grundlegenden Wandel im Engineering ausgelöst hat, beginnt mit der breiten Verfügbarkeit und Nutzung von KI-Anwendungen ein Transformationsprozess im Engineering.

Entwickelnde Unternehmen werden sich der Vielzahl der Herausforderungen bei der Anwendung von ML und Generative AI (GenAI) zunehmend bewusster – sei dies durch die Konkretisierung der rechtlichen Situation durch die Gesetzgebung (z. B. EU AI Act), Hürden beim Datenschutz und der Datenverfügbarkeit oder den Ausbau notwendiger Kompetenzen von Mitarbeitenden [6, 8]. Auch das Thema der Anpassung von existierenden Rollen und Verantwortlichkeiten oder gar Vorgehensmodellen rückt zunehmend in den Fokus [8, 9], weshalb die Mehrzahl der Unternehmen eine Befähigung von Mitarbeitenden zum Thema KI für notwendig hält [6].

Häufig wird bei der Diskussion der Anwendung von KI im Engineering jedoch das klare Umreißen des anvisierten Anwendungsfalls (Use Case) zugunsten der antizipierten Nutzenpotenziale vernachlässigt. Use Cases, Potenziale und Herausforderungen variieren jedoch innerhalb eines Unternehmens stark und umfassen den kreativen Entwurfsprozess, die Verwaltung von Engineering-Artefakten (Bild 1) sowie die Simulation und V & V.

Bild 1

Auszug von Workshopergebnissen zu KI-Anwendungsfällen im Engineering

Für diesen Beitrag wird ein Fokus auf den Einsatz von ML im Sinne einer Artificial Narrow Intelligence für die frühe Simulation im V & V gelegt, d. h. auf 0D-Simulationen in der Konzeptphase. Hierfür werden exemplarisch drei Use Cases umrissen, die bei Industrieunternehmen umgesetzt wurden. Anhand der Vertiefung eines dieser Use Cases wird anschließend der Nutzen an einem konkreten Beispiel veranschaulicht. Die Ausführungen basieren dabei auf den Erfahrungen der Autoren aus Industrie- und Forschungsprojekten der letzten Jahre.

ML-basierte Simulation für Verifikation & Validierung

In diversen Forschungsprojekten, wie AMOSCO („AI-Based Vehicle Modelling for Simulation and Control Development“, 2021–2024), wurden acht Use Cases für das Engineering im Bereich Verifikation & Validierung identifiziert (Bild 2). Grundlage hierfür waren frühe Voruntersuchungen in den Jahren 2018 bis 2020 [10], inwiefern KI nutzbringend für die Simulation im Engineering eingesetzt werden kann, um die Wettbewerbsfähigkeit von Unternehmen zu fördern. Nachfolgend werden drei dieser Use Cases beschrieben.

Bild 2

Eingrenzung ausgewählter KI-Anwendungsfälle für die Verifikation & Validierung

Design Space Exploration mit Active Learning

Nachfolgend wird eine Fallstudie zum Use Case „Trade-off-Studien und Design Space Exploration“ vorgestellt, um anhand des Beispiels einen konkreteren Einblick in Herausforderungen und Nutzen von KI-Lö-sungen zu vermitteln. Hierbei wird eine Active-Learning-Architektur für die Entwurfsoptimierung in der Fahrzeugkonzeption genutzt, welche Parameter von Hauptkomponenten des Systems in Hinblick auf die im Konflikt stehenden Entwurfsziele Energieverbrauch und Fahrleistung optimiert. Um genügend Trainingsdaten zu generieren, wurde ein Längsdynamikmodell des Fahrzeugs erstellt. Dieses bildet komponentenübergreifende Wirkketten in den Engineering-Domänen Mechanik, Elektrik und Software ab. Die Architektur des KI-Algorithmus mit der Einbindung des Simulationsmodells ist in Bild 3 skizziert.

Bild 3

Basisarchitektur für die Automatisierung der Entwurfsoptimierung mit Active Learning

Der Prozess der Entwurfsoptimierung (Bild 3 oben) besitzt durchnummerierte Aktivitäten, die durch die KI-Architektur (Bild 3 unten) automatisiert werden. Die Umsetzung der Nutzenpotenziale, wie etwa Zeitersparnis durch Automatisierung, basiert auf der Grundidee, dass ein sogenanntes Ensemble nach jeder Iteration des Algorithmus die Bewertung und Priorisierung der nächsten Simulationen übernimmt. Hierdurch werden nur die erkenntnisreichsten Fahrzeugentwürfe simuliert, d. h. durch den Algorithmus wird gezielt Feedback aus dem Simulationsmodell (d. h. synthetische Datenpunkte) abgerufen. Des Weiteren können neuartige Fahrzeugentwürfe entstehen, die den Zielkonflikt zwischen Fahrleistung und Verbrauch auf bisher unerwartete Weise ausbalancieren [4].

KI-Umsetzung für das Engineering

Da KI-Anwendungen immer mehr Einzug in Unternehmen halten, soll ein Vorgehen für eine nutzenorientierte Umsetzung konkreter Use Cases präsentiert werden. Das Vorgehen gliedert sich entsprechend Bild 4 in folgende Hauptbereiche:

Bild 4

Vorgehen zur strukturierten Umsetzung von KI-Use-Cases im Engineering

1. Scoping-Workshop,

2. Proof-of-Concept (PoC),

3. Minimum Viable Product (MVP) und

4. Rollout.

In der ersten Phase, dem Scoping, geht es um die Diskussion von geeigneten Use Cases und Best Practices mit Herausarbeitung existierender Probleme (Pain Points) sowie der Beschreibung der möglichen Use Cases, die diese Pain Points auflösen. Nach einer Priorisierung der Use Cases mit weiterem Input aus einer SWOT-Analyse und ggf. qualitativen Betrachtungen der wirtschaftlichen Potenziale wird ein Zielbild erarbeitet. Die erste Phase wird mit einer PoC-Roadmap und einem zeitlich strukturierten Umsetzungsplan abgeschlossen.

Der PoC, die zweite Phase, dient der Evaluierung und der Auswahl des für den Use Case geeigneten KI-Verfahrens. Zur Sicherstellung der notwendigen Datenqualität wird zudem ein unternehmensspezifisches Framework mit Qualitätsattributen erarbeitet. Neben der Implementierung des PoC erfolgt eine Erhebung der Ist- und Soll-Prozesse, um eine Potenzialanalyse als quantitative Bewertung zu ermöglichen. Bei positiver Wirtschaftlichkeitsprognose endet die Phase mit einer MVP-Roadmap.

Die Phase der Umsetzung des MVPs legt den Fokus auf die Identifizierung der Hauptanwender sowie auf die Anforderungserhebung für die User Experience. Gemäß dem Technology Acceptance Scoring Model (TASc-Model) aus früheren Untersuchungen [15] wird dies als ein wesentlicher Erfolgsfaktor für die Akzeptanz neuer IT-Werkzeuge und Prozesse angesehen. Neben der prototypischen Erarbeitung einer User Experience findet eine strukturierte Evaluierung des MVPs statt.

Der Rollout bildet den Abschluss des Vorgehens und umfasst neben der Implementierung des Betriebskonzepts des MVPs (z. B. Integration in Legacy-IT, Datenschutzkonzept) auch den Aufbau von Show Cases zur Demonstration des Mehrwerts der KI-Anwendung sowie die Bereitstellung rudimentärer Dokumentation für Endanwender.

Herausforderungen, Risiken und Chancen

Der wachsende Einsatz von KI-Technologien im Engineering birgt enorme Chancen, aber auch Herausforderungen und Risiken. Der Einsatz von GenAI, wie z. B. LLMs, erfreut sich als Hype-Thema aktuell großer Beliebtheit, doch existieren signifikante Risiken. So ist es einigen Unternehmen aufgrund geltender Sicherheitsvorschriften und Regelungen, wie z. B. TISAX, praktisch verboten, globale Chatbots wie ChatGPT zu nutzen. Ein Verstoß kann ein wirtschaftliches Risiko darstellen. Hinzu kommt, dass die Umsetzung der Gesetzgebung der letzten Monate noch nicht abschließend erfolgt ist. Unter Umständen müssen beim KI-Einsatz auch ethische Fragen geklärt werden oder soziotechnische Betrachtungen erfolgen, da insbesondere die Nutzerakzeptanz eine entscheidende Rolle für die erfolgreiche KI-Anwendung spielt. Die größte Herausforderung stellt jedoch für Unternehmen häufig die Bereitstellung und Sicherstellung der Qualität notwendiger Daten für ML dar.

Dies sind einige Herausforderungen, zu denen abschließend Thesen formuliert werden, die Chancen aufzeigen, wie Hürden überwunden und die Potenziale des KI-Einsatzes im Engineering genutzt werden können:

1. Eine strukturierte Vorgehensweise mit stetiger Evaluation der Nutzenpotenziale von KI-Use-Cases während der Lösungsentwicklung reduziert Fehlinvestitionen.

2. Aufgrund geltender Sicherheitsvorschriften, Geheimhaltung und Datenschutz werden sich unternehmensinterne KI-Lösungen (z. B. lokale LLMs) etablieren.

3. Unternehmen, die trotz rechtlicher Unsicherheiten KI-Anwendungen entwickeln, werden durch das Eingehen kalkulierter Risiken Wettbewerbsvorteile erzielen.

4. Die Berücksichtigung soziotechnischer Faktoren beim Einsatz von KI, wie die frühzeitige Evaluation der Nutzerakzeptanz, wird ein zentraler Erfolgsfaktor.

5. Der Fokus auf Use Cases, die möglichst vollständig auf synthetisch generierte Daten zurückgreifen, beschleunigt die initiale Umsetzung konkreter Lösungen.