Neues Whitepaper zu KI-Standards für das Engineering

Daten sind sprichwörtlich das “neue Gold“ unserer Zeit. Während 2010 weltweit zwei Zettabytes (dies entspricht einer Milliarde Terabytes) an Daten generiert wurden, waren es 2020 bereits 47 Zettabytes. Dieser immense Zuwachs wird zudem für die kommenden Jahre auf über 2142 Zettabytes (in 2035) prognostiziert. Zur Erschließung und Nutzung dieser Datenflut birgt der Einsatz künstlicher Intelligenz enorme Potentiale, gerade für die Produktentstehung. Das Whitepaper geht der Frage nach, welche Datenstandards von gängigen KI-Frameworks genutzt werden können.

Es zeigt sich, dass neben der Menge an Daten auch die Anzahl an End- bzw. Erzeugergeräten zunimmt: Laut Statista wird die Anzahl an internetfähigen Produkten bis 2025 auf 75 Milliarden geschätzt.

Zur Erschließung und Nutzung dieser Datenflut birgt der Einsatz künstlicher Intelligenz enorme Potentiale, gerade für die Produktentstehung. Durch den erfolgreichen Einsatz von KI können Produktionskosten gesenkt, die Entwicklungszeit verringert und Ressourcen optimal genutzt werden. So wird beispielsweise von einer durchschnittlich um 38% gesteigerter Rentabilitätsrate bis 2035 durch den Einsatz von KI ausgegangen.

Um die Potenziale von künstlicher Intelligenz für die Produktentstehung voll entfalten zu können, spielen die Daten aus der Produktentstehung eine zentrale Rolle: Die heterogenen , komplexen Daten aus den unterschiedlichen Softwareframeworks der Engineering IT müssen für KI-Anwendungen nutzbar gemacht werden. Hersteller von Softwarelösungen, besonders im KI-Bereich, passen sich auf die steigende Nachfrage der Industrie an. Doch die Standards der Industrie und solche im noch neueren „KI-Sektor“ unterscheiden sich, weshalb die Zusammenarbeit beider Domänen noch nicht ihr volles Potential erreicht hat. Daher untersuchen wir, inwiefern die in der Engineering IT üblichen Datenstandards von den gängigsten KI-Frameworks direkt eingelesen und genutzt werden können, und in welchen Fällen dies eventuell nicht problemlos funktioniert.

Dazu haben wir im Projekt der Begriff der „AI Readiness“ eines Standards definiert, als die Fähigkeit des Standards, von definierten KI-Frameworks eingelesen zu werden bzw. transformiert werden zu können in Formate, die diese Fähigkeit besitzen. Damit wollen wir eine Empfehlung zur Nutzung geeigneter Datenstandards aus der Engineering IT für den Einsatz von KI-Anwendungen geben sowie auf spezifische Herausforderungen eingehen. Dieses Whitepaper gibt einen ersten Überblick über die Ergebnisse der Analyse. Der Fokus liegt auf neutralen, offenen Standards, um eine tool- und vendorübergreifende Sicht zu gewährleisten.

Direkt zum Whitepaper

Das könnte Sie auch interessieren

Nachhaltigkeit und Engineering – passt das zusammen?

Im KI-Marktplatz zeigen wir mit einer neuen Kampagne Stellschrauben für nachhaltigeres Engineering.

system:ability – Systeme von morgen gestalten

system:ability – die technischen Systeme von morgen haben einiges drauf: Sie sind vernetzt, lernen eigenständig dazu und agieren autonom. Und: Sie sind Schlüsselfaktor für eine nachhaltige Wirtschaft und Gesellschaft. Aber …

Hannover Messe 2023

KI und Nachhaltigkeit – das sind die Schwerpunktthemen, mit denen sich OstWestfalenLippe vom 17. bis 21. April auf der Hannover Messe präsentiert. Mit dabei: der KI-Marktplatz im Herzen der Halle 7. 

Künstliche Intelligenz im Engineering – vom Anbieter zum Anwender

Seit drei Jahren forschen und entwickeln 19 Projektpartner im KI-Marktplatz an einer Plattform, die Anbieter:innen und Anwender:innen von KI-Lösungen im Engineering zusammenbringt. Mit den erzielten Ergebnissen unterstützt der KI-Marktplatz bei …

Das Wort Change prangt als weiße Schrift auf schwarzem Grund und spiegelt sich. Es soll den Einsatz von Künstlicher Intelligenz im Change Management darstellen.

Wie Künstliche Intelligenz das Change Management verbessert

Das Change-Management ist in der Produkt- und Dienstleistungsentwicklung von großer Bedeutung. Künstliche Intelligenz kann dabei helfen, Auswirkungen von Änderungen frühzeitig zu identifizieren und Fehler in der Entwicklung zu vermeiden.

Zwei Personen sitzen vor Dokumenten und analysieren Wettbewerbsdaten.

Effiziente Wettbewerbsanalyse unterstützt von KI

KI kann Unternehmen bei der Durchführung einer kontinuierlichen Wettbewerbsanalyse unterstützen, indem sie die Aufbereitung und Recherche von Daten automatisieren und die Interpretation und Visualisierung von Analysen vereinfachen.

Vier Textmarker sind auf weißem Grund zu sehen. Ein blauer, ein lilaner und ein oranger Textmarker sind geschlossen. Ein pinker Textmarker ist geöffnet.

Systementwurf: Dank KI relevante Infos extrahieren

KI kann beim Systementwurf unterstützen, indem sie relevante Informationen aus Prüf- und Testberichten extrahiert und diese für den aktuellen Systementwurf vorselektiert. Dies führt zu einer Verbesserung des Endprodukts und einer Optimierung der Datenqualität und Dokumentation.

Ein Kabelbaum auf organgem Grund.

Automatisierte Konsistenz im E/E Bereich

Erfahren Sie, wie Künstliche Intelligenz bei der Sicherstellung der Konsistenz von Modellen zwischen OEM und Zulieferern helfen kann und welche Vorteile dies bietet.

Ein abstraktes 3D Modell soll ein CAD-Modell darstellen, das bei der Finite-Elemente-Methode benötigt wird.

KI-Unterstützung in der Finite-Elemente-Methode

Erfahren Sie, wie Künstliche Intelligenz in der Finite-Elemente-Analyse eingesetzt werden kann und welche Vorteile dies für Unternehmen bietet.

Eine Person bedient einen Laptop. Auf dem Bildschirm des Laptop ist ein Daten-Diagramm zu sehen.

Field Quality Analytics: KI hilft Produktqualität sicherzustellen

Field Quality Analytics ist ein Ansatz, um Qualitätsprobleme in Produkten zu erkennen und zu beheben. Dabei kann KI eine Unterstützung sein.

Ein Bild eines Diagramms, das die Verbindungen zwischen verschiedenen Konzepten und Ideen in einem Knowledge-Graph darstellt.

Wie ein KI-basierter Knowledge Graph bei Innovationen unterstützt

Künstliche Intelligenz (KI) kann Unternehmen bei der Entwicklung von Innovationen unterstützen, indem sie die Erstellung und Nutzung von Technology Knowledge Graphs vereinfacht.

Viele Zahlenreihen sind zu sehen, ein Teil der Zahlen ist im Fokus, ein anderer Teil unscharf. Durch die Zahlen sollen die KI-Methoden symbolisiert werden, mit denen Anforderungen strukturiert werden können.

KI-unterstützte Strukturierung von Anforderungen

Künstliche Intelligenz kann bei der Strukturierung von textuellen Anforderungen in der Systementwicklung helfen. Erfahren Sie, welche Methoden zum Einsatz kommen.