Teil 1: Je besser die Planung, desto besser das Ergebnis
Wir entwickeln individuelle Software-Lösungen für unsere Kunden. Inhalt und Umfang der Kundenprojekte sind immer wieder anders und folgen doch einer bewährten Logik. In diesem Beitrag möchten wir interessierten LeserInnen einen Einblick in einen "typischen" Projektverlauf bei kaitos geben und skizzieren zu diesem Zweck die einzelnen Projektphasen und damit verbundene Arbeitsschritte.
Um die folgenden Beschreibungen anschaulich zu halten, stellen wir uns ein typisches, wenn auch fiktives Beispiel-Szenario vor: Die Apfel AG ist ein mittelgroßes Unternehmen aus dem Münsterland, das verschiedene Obstsorten importiert, konfektioniert und vertreibt. Bei der Konfektionierung passieren immer wieder Fehler, die zu Reklamationen und damit verbunden zu direkten Kosten (Reklamationen) oder indirekten Kosten (Vertrauensverlust) führen. Die Geschäftsleitung möchte etwas dagegen unternehmen und nimmt Kontakt zu kaitos auf. Wie sehen nun die ersten Schritte der Zusammenarbeit aus?
Step 1: Kennenlernen
Im ersten Gespräch finden wir heraus, was der Kunde braucht. In unserem Beispiel-Fall wird der Geschäftsführer der Apfel AG recht schnell konkret: Es verlassen zu viele fehlerhafte Chargen das Haus. Zusätzlich ist der aktuelle Prozess zur Qualitätssicherung sehr personalintensiv und im Ergebnis schwankend. Damit wir ein besseres Verständnis von den Unternehmensprozessen bekommen, schildert uns die Produktionsleitung die Situation vor Ort und stellt typische Fehlerfälle vor: Mal fehlt ein Apfel in der Packung oder die Folie ist nicht richtig verschweißt. Bei einer Orange wurde die Schale beschädigt oder ein Pfirsich ist nicht reif genug.
Nun geben wir eine erste Einschätzung darüber ab, wo sich unsere Software mit welchem Ergebnis am besten einsetzen lässt. So kann die Apfel AG mit wenig Aufwand entscheiden, ob der Einsatz einer KI für das Unternehmen sinnvoll ist und welche Use Cases vielversprechend sind. Mit Transparenz und Offenheit legen wir den Grundstein für die spätere Zusammenarbeit. Denn je klarer und vertrauensvoller wir von Anfang an mit unseren Kunden über Ziele und Möglichkeiten eines gemeinsamen KI-Projektes sprechen, desto besser wird erfahrungsgemäß das Ergebnis.
Manche Produktionsabläufe sind komplexer oder ein Anwendungsfall nicht so leicht zu definieren wie bei der Apfel AG. Dann schauen wir uns die Prozesse gern gemeinsam vor Ort mit Ihnen an.
Step 2: Machbarkeitsanalyse
Nach diesem ersten Gespräch arbeiten wir an ersten Use Cases weiter und diskutieren die Anforderungen intern mit unserem Entwickler-Team. Diese Arbeit bezeichnen wir als interne Machbarkeitsanalyse, in der wir vielversprechende Ansätze skizzieren, diskutieren und bewerten.
Für die Apfel AG stellen wir fest: Eine Identifikation von schadhaften Orangen oder unvollständigen Gebinden ließe sich recht einfach umsetzen. Eine Erkennung von schlecht verschweißten Folien dürfte hingegen aufwändiger werden. Bei der Detektion von unreifen Pfirsichen kommt es ganz auf die Bedingungen vor Ort an: Wie werden sie vom Personal vor Ort identifiziert? Sind sie optisch klar von reifen Pfirsichen zu unterscheiden? Diese und weitere Fragen werden notiert.
Step 3: Projektskizze
Im nächsten Schritt definieren wir den Anwendungsfall und verständigen uns über Gegenstand und Zielsetzung für das Entwicklungsprojekt. Zu diesem Zweck treffen wir uns vor Ort bei der Apfel AG. Wir starten mit einer kurzen Führung durch die Produktionsstätte, damit wir einen besseren Eindruck von der Produktionsumgebung samt -prozessen bekommen. Anschließend stellen wir die Ergebnisse unserer ersten Machbarkeitsanalyse vor und präsentieren vielversprechende Ansätze für ein KI-Modell.
Nun erfolgt die betriebswirtschaftliche Bewertung. Welche Kosten entstehen bei der Apfel AG oder welcher “pain” wird gelöst? Stehen die prognostizierten Kosten für ein KI-Modell in einem guten Verhältnis zum erwarteten Nutzen? Diese Fragen sind nicht immer leicht zu beantworten. An dieser Stelle stellen wir die richtigen Fragen und unterstützen die Entscheider der Apfel AG dabei, Risiko und Potenzial einer individuellen Softwareentwicklung einzuschätzen.
Am Ende des Gespräches sind Gegenstand und Ziel des Projektes definiert. Nun erstellen wir eine erste Projektskizze sowie ein Angebot.
Ist das Projekt sehr experimentell, also das Ziel am Anfang schwer zu definieren, starten wir vorab mit einem Prototypen. Hierbei haben wir Risiken und Kosten stets im Blick und kommunizieren diese vertrauensvoll und transparent.
Optional: Testaufbau
Manchmal ist die Produktion bereits im großen Stil automatisiert und hat Kameras im Einsatz, da kann die Bildaufnahme relativ einfach im laufenden Betrieb erfolgen. Wir geben dann lediglich Hinweise zur geeigneten Beleuchtung oder dem Bildausschnitt. Sind diese Bedingungen nicht gegeben, bietet ein Testaufbau eine zielführende und gleichzeitig kostengünstige Möglichkeit. Für diese Lösung entscheidet sich auch unser fiktiver Kunde, die Apfel AG (Die Qualitätssicherung erfolgte ja bisher über analoge Sichtkontrolle am Förderband).
Da wir das Kamera-Setup jedoch nicht in der Produktionsumgebung der Apfel AG aufbauen können, ohne den laufenden Betrieb zu stören, arbeiten wir mit einer Simulation bzw. einem Testaufbau. Hierbei orientieren wir uns an der späteren Produktivumgebung und simulieren die für die KI relevanten Bedingungen wie z.B.:
Abmessung und Geschwindigkeit des Förderbandes
Beleuchtung
Größe der Objekte
Beschaffenheit der zu erkennenden Merkmale
Platzierung der Kameras
Im ausgewählten Use Case, dem eingeschweißten Apfel-Gebinde, sieht der Testaufbau wie folgt aus: Wir konstruieren einen einfachen Versuchsaufbau und fotografieren eine geringe Anzahl an Produkten, die uns der Kunde vorab zugesandt hat. Dabei experimentieren wir mit verschiedenen Kamerapositionen, Beleuchtungen, Objektiven usw., um das optimale Setup für den definierten Use Case zu entwickeln. Konkret braucht es zur Kontrolle der Verpackungsfolie eine andere Beleuchtung als zur Analyse der Obstqualität. Da die Testumgebung als Blaupause für den späteren Aufbau in der Produktionsumgebung dient, denken wir die unterschiedlichen Anwendungsfälle selbstverständlich von Anfang an mit.
Mit den aufgenommenen Bildern trainieren wir bereits ein erstes KI-Modell und können so noch besser abschätzen, welche Daten wir in der späteren Entwicklungsphase benötigen. Zusätzlich erkennen wir im Testaufbau, wo Tücken im Setup oder der KI-Architektur liegen. Dies können zum Beispiel optische Merkmale sein, die einem Menschen kaum auffallen, für die KI aber Störfaktoren darstellen. Diese Faktoren können die spätere Performance des Modells stark beeinflussen, lassen sich durch die Testphase allerdings beheben, bevor der Kamera-Aufbau auf die Produktionsanlage übertragen wird.
Comments