Gastvortrag Easy2Parts & PartSpace

Easy 2 Parts ist eine KI-basierte Supply-Chain-Plattform für den technischen Einkauf, die 2019 gegründet wurde. Ursprünglich war sie eine Plattform für Factoring on Demand, die es ermöglichte, Fertigungsteile und Baugruppen von verschiedenen Lieferanten zu beziehen. Da jedoch viele Anfragen an Unternehmen nicht zu Aufträgen führten, weil die Stückzahl, der Werkstoff oder die Größe nicht passten, entwickelten sie eine Künstliche Intelligenz, die sie "AbellaAI" nannten und unter einem neuen Firmennamen PartSpace vertrieben. Diese KI kann alle Hardwarekomponenten analysieren, die auf einer Konstruktionsdatei basieren, und den Preis dafür vorhersagen. PartSpace trainierte die KI mit Datensätzen von Kunden und Easy2Parts mit dem Ziel, Unternehmen einen kostenoptimierten Arbeitsplan zur Verfügung zu stellen. Sie hilft den Kunden bei der Auswahl des besten Lieferanten für jedes Bauteil und gibt ihnen einen fairen Preis an. Easy 2 Parts bietet Schnittstellen zu gängigen ERP-, SRM- und PLM-Systemen und unterstützt bei der Optimierung der Einkaufsprozesse.

Die KI benötigt eine PDF & STP Datei und historische Daten.
Aus der PDF-Datei entnimmt sie die für die 2D-Zeichnung hinterlegten Daten. (Gewichte, Maße, Material, Toleranzen, etc.) Dazu ist in der Regel eine Überbearbeitung des Dokumentes notwendig, da jede Datei anders aussieht. Dies wird mittels OCR gelöst, zusätzlich wird eine Validierung auf technische Korrektheit durchgeführt und die exakten Symbole werden erkannt. Die 2D-Analyse wird mit der Zuordnung zum richtigen 3D-Modell abgeschlossen.
Aus der STP-Datei werden dann weitere Informationen extrahiert, wie z. B. die Rotationssymmetrie, die Rückschlüsse auf die Herstellungstechnik zulässt, Bohrungen und Volumen.

Nachdem alle Daten extrahiert wurden, wird geprüft, ob es ähnliche Bauteile gibt und wie viel diese gekostet haben.
Ein ähnliches Bauteil ist z.B. ähnlich in Bezug auf Abmessungen, Fertigungstechnik, Material, Toleranzen usw.
Diese Ähnlichkeit wird dann durch eine Ähnlichkeitssuche (SIP) ermittelt, die aus drei Schritten besteht. 1. Normalisieren 
2. Diskretisieren 
3. Sphäre wachsen lassen (hierbei wird eine virtuelle Sphäre in den Schwerpunkt gesetzt, die immer weiterwächst und die Schnittmenge wird verglichen). 
Es ist wichtig zu verstehen, dass es keine pauschale Suche gibt und die Ähnlichkeitssuche meist auf vielen Parametern basiert.
 Herausforderungen sind die unterschiedliche Ausrichtung der Teile, die hohe Dimensionalität (3D statt 2D) und die Tatsache, dass das Verfahren relativ leistungshungrig ist.

Nach der korrekten Zuordnung der Artikel zu den richtigen Bauteilgruppen wird eine Preiskalkulation durchgeführt. Dabei werden zum einen die kostentreibenden Faktoren analysiert und zum anderen eine Regressionsanalyse durchgeführt. Das Ergebnis wird dann mit Hilfe der „Nearest Neighbor“-Methode verglichen.
Auch bei der Preisanalyse kann es Probleme geben. Die historischen Datensätze müssen Sinn ergeben (z.B. 2020 war durch Corona ein besonderes Jahr => wird das berücksichtigt oder nicht?) Außerdem gibt es oft saisonale Preisschwankungen und unterschiedliche Preise, wenn Bestellungen beim gleichen Lieferanten gebündelt werden.

So läuft eine Bestellung bei PartSpace konkret ab:
1. Erhalt der Dokumente vom Unternehmen in Form von PDF&STP
2. Aufbereitung der Dokumente und Analysierung durch KI.
3. Strukturierung und Sortieren der Ergebnisse, da sie viele verschiedene Ansätze bieten können.

Der Vortrag hat mir sehr gut gefallen und war sehr informativ, weil er einen tiefgehenden Überblick über das Thema "Künstliche Intelligenz" geboten hat. Er hat die genauen Vorgehensweisen und Herausforderungen von KI erklärt und gezeigt, wie sie die Zukunft im Bereich „PartSourcing“ verändern kann. Schade fand ich, dass das konkrete Ziel von Easy2Parts (kosteneffizienter Arbeitsplan) erst am Schluss des Vortrages erläutert wurde. Ich habe viel über die Fertigungsmethoden und die richtige Lieferantenwahl mittels KI vermittelt bekommen. Der Vortrag war sehr interessant und hat mich neugierig auf mehr gemacht.