Projekte

Image

Technologie

 

AI basierte Konfiguration für in­di­vi­dua­lisier­te Ski.

Plan

 

Auf Basis der bereits ge­fer­tig­ten Skier wird eine erste Ver­sion der KI er­stellt. Die­se wird durch den In­put der Ex­per­ten sowie den Rück­mel­du­ngen der Kunden auf Test­events ver­fei­nert. Im Wei­te­ren sollen diese Er­geb­nisse durch mo­derne Fer­ti­gungs­ma­schinen auch direkt in den Her­stel­lungs­pro­zess ein­ge­bunden werden.

Herausforderung

 

TYPS fertigt Skier, die in­di­vi­duell an den Kunden an­ge­passt sind. Be­rück­sich­tigt wer­den dabei unter an­de­rem Bio­metrie, Fahr­können und Fahr­stil sowie Umwelt­daten. Um die Kos­ten da­für zu sen­ken, sucht TYPS daher nach einer Lö­sung zur Au­to­ma­ti­sie­rung - der Markt für € 2000 teure Skier ist zu klein.

Ergebnis

 

Die Fact AI ist in der Lage, 21 Fra­gen und bio­me­tri­sche In­for­ma­tionen aus­zu­wer­ten und dazu pas­send einen in­di­vi­duellen Ski zu kon­fi­gu­rieren. Ski, die an­son­sten € 2000 ge­kos­tet hät­ten, kön­nen so für € 600 - 800 an­ge­bo­ten werden, ohne dabei Ab­striche bei der Qua­li­tät zu machen.

Die AI berät Kunden in­di­vi­duell, ent­spre­chend ihrer Be­dürf­nisse. Und weil die AI selbst lernt, stei­gert sich die Treffer­genauig­keit mit jeder Inter­aktion.

Sigi Rumpfhuber, TYPS GMBH

Image

Image

Technologie

 

Deep Learning für Guided Selling.

Plan

 

Für jedes Fahrzeug erstellt die Fact AI einen Finger­print. Die Kunden­be­dürf­nisse werden ab­ge­fragt und der Vektor­raum wird durch­sucht.

Herausforderung

 

Zehntausende Fahrzeugmodelle sollen mit Kun­den­be­dürf­nissen zusammeng­eführt werden. Der sich stän­dig än­dern­de Fahr­zeug­ka­ta­log soll voll­auto­matisch erfasst werden.

Ergebnis

 

Für die Porsche Holding GmbH wurde ein in­telli­gen­ter Ein­kaufs­be­rater ent­wickelt. Dieser wird für die Porsche Konzern­marken VW, Audi, Seat, Škoda und das Gebraucht­wagen­portal DasWeltAuto ein­ge­setzt. Mit nur wenigen Klicks können Be­sucher ihre Be­dürf­nisse mit­tei­len. So kann die künst­liche In­tel­li­genz im Hin­ter­grund sofort ent­spre­chen­de Vor­schlä­ge für Autos machen.

Image
Image

Logdaten-Analyse in der Industrie

Technologie

 

Technologien für Streaming und Querying großer Daten­mengen (big data). Setups mit un­ter­schied­li­chen For­men von Künst­lichen Neu­ro­na­len Netzen.

Plan

 

Durch eine erste Ana­lyse der vor­han­de­nen Daten­struk­tur wird der un­ge­fähre Rah­men des Pro­jek­tes de­fi­niert. In die­sem Fall wur­den die Da­ten ver­wen­det um den Digital-Twin einer be­ste­hen­den Pro­duk­tions­ma­schi­ne zu erstellen.

Herausforderung

 

In modernen Industrie 4.0-Um­ge­bun­gen fal­len Da­ten in Größen­ord­nun­gen und Kom­ple­xi­täts­di­men­sio­nen an, die mit Mit­teln der klas­si­schen Da­ten­aus­wer­tung nicht be­wäl­tig­bar sind, die aber trotz­dem in vie­ler­lei Hin­sicht ge­nutzt werden könn­ten (Digital-Twin-Simulationen, Outlier-Detection, Predictive Maintenance).

Ergebnis

 

Sensordaten können in kon­stan­ter Art und Wei­se aus­ge­wer­tet und mit realen Pro­zes­sen ver­gli­chen werden. Die Si­mu­la­tion be­ste­hen­der Pro­zes­se wird durch “Digital Twins” gün­sti­ger und schnel­ler, die Feh­ler­suche ein­fa­cher.

Image