Lückenlose Digitalisierung und durchgängige Vernetzung arbeiten heute mit flexibler und schlanker IT-Architektur, die die Anforderungen aus dem Business mit Funktionen, Services und klar beschriebenen APIs erfüllen. - In diesem Webinar wird eine Referenzarchitektur des Digitalen Produktes eingeführt, welche eine massgeschneiderte Umsetzung der funktionellen Anforderungen aus User Stories ermöglicht. Dazu werden Beispiele aus der Praxis bzw. praxisnahen Szenarien präsentiert. - Referent: Lukas Haas, Senior Consultant, MSc ETH Masch.-Ing., Intelliact AG **** Besuchen Sie die nächste PLM Open Hour! Mehr Informationen und Termine: https://intelliact.ch/events/plm-open-hours

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