{"id":4842,"date":"2023-06-28T05:00:56","date_gmt":"2023-06-28T05:00:56","guid":{"rendered":"https:\/\/lamarr-institute.org\/blog\/vorhersage-von-produkteigenschaften-mit-ki\/"},"modified":"2025-11-12T14:53:12","modified_gmt":"2025-11-12T14:53:12","slug":"vorhersage-von-produkteigenschaften-mit-ki","status":"publish","type":"blog","link":"https:\/\/lamarr-institute.org\/de\/blog\/vorhersage-von-produkteigenschaften-mit-ki\/","title":{"rendered":"Was kann das und was kostet es? KI f\u00fcr die Vorhersage von Produkteigenschaften"},"content":{"rendered":"\n

In der produzierenden Industrie nimmt die Nachfrage nach Sonderanfertigungen f\u00fcr spezielle Anwendungsf\u00e4lle einen immer gr\u00f6\u00dferen Platz ein. Um eine Kaufentscheidung zu treffen, ben\u00f6tigen potenzielle Kund*innen daf\u00fcr Informationen wie z.B. Gewicht, Preis oder Lieferzeit des Endprodukts. H\u00e4ufig sind diese bei Sonderanfertigungen jedoch im Vorfeld nicht bekannt oder bed\u00fcrfen zeitaufwendiger Kalkulationen durch die Mitarbeitenden des Herstellers. KI-Methoden k\u00f6nnen hier Abhilfe schaffen, indem sie diese Informationen fr\u00fchzeitig vorhersagen k\u00f6nnen. Dies erleichtert den Prozess der Gewinnung der Kund*innen und liefert beiden Seiten eine viel bessere Planbarkeit. Wie eine solche Vorhersage aussehen kann, betrachten wir in diesem Beitrag anhand der Preisprognose. Das Beispiel basiert auf einer Aufgabe, die wir im Rahmen unserer strategischen Partnerschaft<\/a> in der Zusammenarbeit mit Wilo SE<\/a> l\u00f6sten, einem der weltweit f\u00fchrenden Hersteller von Pumpen und Pumpensystemen.<\/p>\n\n\n\n

Ausgangslage<\/h2>\n\n\n\n

Die Wilo SE bietet seinen Kund*innen L\u00f6sungen f\u00fcr eine Vielzahl von Anwendungen rund um das Bewegen von Wasser. Daraus folgt ein sehr breites Produktspektrum, von kleinen Heizungspumpen in Millionenst\u00fcckzahlen bis zu Sonderanfertigungen im Projektgesch\u00e4ft. Bei letzterem haben die Kund*innen die M\u00f6glichkeit, ihre Produkte anhand einer Vielzahl von Produktmerkmalen, z.B. welcher Motor verbaut wird oder welche Anforderungen an die Materialien gestellt werden, individuell zu spezifizieren. Diese Freiheit in der Konfiguration erschwert jedoch die Kalkulation von z.B. Produktionskosten, welche jedoch entscheidend f\u00fcr die Festlegung des Verkaufspreises sind. Die Kalkulationen erfordern manuelle Schritte, binden daher wertvolle Mitarbeitendenkapazit\u00e4ten und verz\u00f6gern die Kommunikation zu den Kund*innen.<\/p>\n\n\n\n

Um dieses Problem der zeitaufwendigen Vorhersage zu begegnen, haben wir ein Verfahren des Maschinellen Lernens entwickelt. Die Methode baut auf den historischen Bestelldaten auf, um mit den von den Kund*innen ausgew\u00e4hlten Features eine Vorhersage \u00fcber den Preis treffen zu k\u00f6nnen. Hierf\u00fcr wurde im Rahmen der strategischen Partnerschaft von Mitarbeitenden des Kompetenzzentrums Maschinelles Lernen Rhein Ruhr (ML2R), aus dem mittlerweile das Lamarr-Institut f\u00fcr Maschinelles Lernen und K\u00fcnstliche Intelligenz hervorgegangen ist, eine Ensembling-Methode \u2013 genauer ein Stacking-Verfahren \u2013 entwickelt, welches wir im Folgenden vorstellen.<\/p>\n\n\n\n

Stacking<\/h2>\n\n\n\n

Vereinfacht gesprochen werden beim Stacking Basislerner auf den vorhandenen Trainingsdaten trainiert, generieren eine Vorhersage und erweitern so den Trainingsdatensatz um neue Features f\u00fcr einen Metalerner, der das Resultat ausgibt. Somit m\u00fcssen die Basislerner und der Metalerner sequenziell trainiert werden.<\/p>\n\n\n\n

Wir haben in der Entwicklung des Basislerners ein einfaches Neuronales Netzwerk<\/a> verwendet, das nur aus wenigen vollst\u00e4ndig verbundenen linearen Schichten besteht, um eine angelehnte Klassifikationsaufgabe<\/a> durchzuf\u00fchren. Mit dem Ergebnis des Basislerners und der vorhandenen Features haben wir einen Metalerner trainiert, der eine Regression<\/a> durchf\u00fchrt. Daf\u00fcr wurden verschiedene Modelle evaluiert, und wir entschieden uns f\u00fcr einen Random Forest<\/a>. Dabei werden die Trainingsdaten zuf\u00e4llig in unterschiedliche Mengen aufgeteilt und mit jeder Menge wird ein einfacher Entscheidungsbaum trainiert. Jeder einzelne Baum generiert eine einzelne Vorhersage, welche dann f\u00fcr das Ergebnis gemittelt werden.<\/p>\n\n\n\n

\"-
\u00a9 Lamarr-Institut \/ Andreas Pauly<\/figcaption><\/figure>\n\n\n\n

Basislerner<\/h3>\n\n\n\n

Wir haben als Basislerner ein Neuronales Netz, genauer ein Multilayer Perceptron mit mehreren Schichten f\u00fcr wenige Epochen auf einer angelehnten Lernaufgabe trainiert, wie z.B. eine Klassifikation, ob die Pumpe g\u00fcnstig oder teuer ist. Als Ausgabe haben wir die vorletzte Schicht verwendet, die uns die n\u00f6tigen Features f\u00fcr das Training des Metalerners liefert.<\/p>\n\n\n\n

Die so erhaltenen Features kodieren damit Informationen \u00fcber die vorherzusagende Eigenschaft \u2013 hier den Preis \u2013 und es kann auch noch eine Optimierung hinsichtlich Rechenzeit oder Speicherbedarf vorgenommen werden, z.B. in Form eines kleineren Modells.<\/p>\n\n\n\n

Metalerner<\/h3>\n\n\n\n

Mit den Features aus dem Basislerner haben wir verschiedene Metalerner evaluiert. Hierbei haben wir den MSE (Mittlerer Quadratischer Abstand) und MAE (Mittlerer Absoluter Abstand) von der Vorhersage zum Preis optimiert. Dabei hat ein Random Forest am besten abgeschnitten, der auch hinsichtlich des Ressourcenbedarfs gute Resultate liefert.<\/p>\n\n\n\n

Vertrauen<\/h3>\n\n\n\n

Eine wichtige Aufgabe, wenn in einem Unternehmen KI-Verfahren eingef\u00fchrt werden, ist das Vertrauen in das System. Um diesem Umstand zu begegnen, kann z.B. f\u00fcr verschiedene Modelle auf die Unsicherheit einer Vorhersage hingewiesen werden, so dass bei einzelnen F\u00e4llen nachgelagert eine manuelle Kontrolle geschieht, um einen schwerwiegenden Fehler zu vermeiden. Wir geben Vorhersageintervalle bei den Preisen mit an, damit die Akzeptanz der Benutzer*innen ins System steigt und Fehler m\u00f6glichst vermieden werden.<\/p>\n\n\n\n

Ergebnis<\/h2>\n\n\n\n

Wir haben mit der vorgestellten Methode ein Verfahren entwickelt, das Unternehmen einen wichtigen Geschwindigkeitsvorteil bringen kann. Wo vorher zuerst die fehlenden Merkmale von Mitarbeitenden ausgew\u00e4hlt werden mussten, um die gew\u00fcnschte Eigenschaft zu bestimmen, kann dies jetzt innerhalb von Sekunden erfolgen, nachdem die Kund*innen ihre W\u00fcnsche ge\u00e4u\u00dfert haben. Au\u00dferdem erhalten wir Einblicke, wie weit sich die ausgew\u00e4hlten Kund*innenmerkmale auf das Ergebnis auswirken. Wir erhalten z.B. Auskunft auf die Frage, welche Folgen die Auswahl des Motors auf die Preisgestaltung hat. Entsprechen diese Auswirkungen dem Expert*innenwissen, kann dies zus\u00e4tzlich das Vertrauen in das Modell steigern.<\/p>\n","protected":false},"excerpt":{"rendered":"

Was kostet meine Sonderanfertigung? Diese und andere Faktoren sind essenziell f\u00fcr die Kaufentscheidung f\u00fcr einen bestimmten Hersteller. F\u00fcr letzteren ist die Kalkulation jedoch zeitaufwendig. Maschinelles Lernen kann diesen Prozess enorm beschleunigen.<\/p>\n","protected":false},"author":16,"featured_media":3787,"template":"","meta":{"_acf_changed":false,"footnotes":""},"blog-category":[1416,546],"blog-tag":[1519,1533,1557,1558,1586],"class_list":["post-4842","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-alle-blogbeitraege","blog-category-anwendung","blog-tag-industrie-4-0","blog-tag-klassifikation","blog-tag-nachhaltige-ki","blog-tag-neuronale-netze","blog-tag-random-forest-de"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4842","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/16"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4842\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/3787"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=4842"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-category?post=4842"},{"taxonomy":"blog-tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-tag?post=4842"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}