Welche KI-Anwendungen sind für Sie interessant?

Zu Ihren bekannten Prozessen zeigen wir Ihnen praktische Anwendungsmöglichkeiten, Techniken und Voraussetzungen. Damit können Sie z.B. selbst überblicken, welche Datenquellen Sie benötigen und über welche Sie bereits verfügen. Per Mouse-Over erhalten Sie den jeweiligen Einblick: zum Beispiel zu Servicebedarfsvorhersagen bei der Servicemeldung.

problem-kategorien
Problemkategorien
Sind Fehler wiederkehrend, können sie durch trainierte KI-Methoden mit historischen Daten automatisch erkannt. Tritt ein neuer Fehler auf, sucht das System nach ähnlichen vorherigen Fehlern und verknüpft sie miteinander. So entstehen die Kategorien bzw. Cluster von Fehlern.

Typische Datenquellen:
  • Textuelle Daten bzw. Logdateien
  • Servicecentermitarbeiter beurteilen, ob tatsächlich eine Störung vorliegt und ggf. weitere Details dazu,
  • visuelle Daten wie Bilder und Videos,
  • numerische Daten bzw. Messungen
Typische Qualitätsanforderungen an Daten:
  • Robuste und zeitliche abgestimmte Daten


lösungs-kategorien
Lösungskategorien
Sind die Fehler geclustert, kann die Lösung eines vorherigen Fehlers als Vorlage für ein ähnliches Problem wiederverwendet werden. Das erspart den Technikern*innen eine erneute Fehlersuche, da eine Lösung automatisch vom System vorgeschlagen wird.

Typische Datenquellen:
  • Kategorische Daten in Form von Tags, die die Lösung beinhalten
  • Textuelle Daten bzw. eine Beschreibung des Fehlers
Typische Qualitätsanforderungen an Daten:
  • Richtigkeit und Genauigkeit der Tags
  • Präzision der Beschreibungen
ticket-sentiment
Ticket-Sentiment
Die statistische Analyse von positiven und negativen Tendenzen in textuellen Daten lässt Rückschlüsse auf Stimmungen zu, sodass kritische Tickets identifiziert und priorisiert werden können. Die Zufriedenheit der Kunden kann so gesteigert werden. Gleichermaßen kann die Stimmungslage aller Tickets überwacht werden, um so Veränderungen der Servicequalität identifizieren zu können. Die Erkennung von kritischen Texten ist ebenfalls zu nutzen, um Tickets direkt an Servicemitarbeiter*innen weiterzuleiten, damit sie sich persönlich einem solchen Ticket annehmen können.

Typische Datenquellen:
Service-Tickets mit von Kunden formulierten Freitexten

Typische Qualitätsanforderungen an Daten:
Texte müssen von Kunden selbstständig geschrieben werden, um das Sentiment exakt erfassen zu können. Tickets, die durch Hotlines oder Servicemitarbeiter*innen verfasst werden, erfüllen diese Anforderung nicht.

erkennung-von-anomalien
Erkennung von Anomalien
Vernetzte Geräte erfassen via Sensoren Umgebungsdaten und analysieren diese in Echtzeit. Beispielsweise werden physikalische Werte wie die Temperatur, Geschwindigkeit oder auch Flüssigkeits- und Materialzustände fortlaufend dokumentiert und visualisiert. Algorithmen, die im Machine Learning verwendet werden, sorgen dabei für eine exakte Analyse der Werte. Um Abweichungen bzw. Unregelmäßigkeiten von Standardwerten erfassen zu können, werden zunächst Grenzwerte definiert. Werden diese erreicht, erfolgt automatisch ein vordefinierter Prozess, wie der einer Benachrichtigung, eines Alarms oder einer kompletten Geräteabschaltung. Idealerweise geschieht dies zu einem Zeitpunkt, an dem folgenschwere Fehler oder langfristige Ausfälle verhindert werden können. Während einerseits das einmalige Überschreiten von Grenzwerten erkannt wird, kann auch eine schleichende Veränderung oder Verschiebung der Werte über einen längeren Zeitraum registriert werden.

Typische Datenquellen:
Sensordaten (Wasserdurchflussgeschwindigkeit, elektrolytische Leitfähigkeit, KKS-Daten (kathodischer Korrosionsschutz), Spulentemperatur, Status der Sensorelektronik).

Typische Qualitätsanforderungen an Daten:
Relevante, möglichst vollständige Zeitreihendaten, die möglichst zeitnah analysiert werden können.

oszillationsanalyse
Oszillationsanalyse
Die Vibrationsanalyse ermöglicht es, über den Schwingungsverlauf Störungen in komplexen Maschinen zu erkennen.

Typische Datenquellen:
  • Motorstrom, Messposition/-geschwindigkeit und auch Beschleunigung.
Typische Qualitätsanforderungen an Daten:
  • Gutes Signal-Rausch-Verhältnis.
servicebedarf-vorhersagen
Servicebedarfsvorhersagen
A) Mit Hilfe von Predictive Maintenance lässt sich der optimale Wartungszeitpunkt einer Werkzeugmaschine bestimmen. Typische Datenquellen: Maschinendaten

Typische Datenquellen:
Maschinendaten

Typische Qualitätsanforderungen an Daten:
Robuste Zeitreihendaten, die den Use Case ausreichend abbilden und vollständige bzw. ausreichende Zeitreihen umfassen sollten.

B) Auch bei Serviceprozessen werden eine Vielzahl an Daten erhoben, die Vorhersagen über einen zukünftigen Servicebedarf ermöglichen. Diese können analysiert und mit weiteren Daten, z.B. aus dem Verkauf oder der Produktion, verknüpft werden.

Typische Datenquellen:
Ticketsysteme, Servicedaten

Typische Qualitätsanforderungen an Daten:
Daten sollten die vollständigen Service-Abläufe und den damit verbundenen Servicebedarf enthalten. Je mehr historische Daten vorhanden sind, desto besser lassen sich Vorhersagen erstellen.

service-historien
Servicehistorien
Wissensmanagementsysteme können gezielt um Analysetools erweitert werden. Diese helfen dabei, mehr aus eigenen Daten bzw. dem Wissensmanagementsystem abzuleiten. Durch das Extrahierens von wichtigen Erkenntnissen bzw. Zusammenhängen aus den Daten lassen sich Engpässe in Prozessen entdecken und durch selten bzw. häufig verwendete Suchbegriffe bzw. Dokumente ein genereller Überblick gewinnen.

Typische Datenquellen:
Datenbanken, auf denen Wissenmangementsysteme aufgebaut werden

Typische Qualitätsanforderungen an Daten:
Maschinenlesbare Daten bzw. Dokumente

lernendes-system
Lernendes System
Das System lernt sozusagen von all den Fehlererkennungen und Lösungsvorschlägen, die die Experten in der Vergangenheit geschaffen haben.
fehler-historien
Fehler-Historien
A) Die automatische Erkennung und Klassifizierung der Fehler ermöglichen das Monitoring jedes einzelnen Fehlers über einen längeren Zeitraum hinweg. Ein Hersteller kann so statistische Auswertungen zum Wiederauftreten und zum Schweregrad jedes Fehlers erheben.

Typische Datenquellen:
Gleiche textuelle, visuelle, numerische und kategorische Daten, die für die Kategorisierung der Fehler nötig sind

B) Intelligentes Information-Retrieval für technische Dokumente

Durch eine visuelle Erkennung von technischen Geräten in Kombination mit einer intelligenten Suche können zur Wartung und zur Reparatur relevante Dokumente schnell und effizient aufgefunden und bereitgestellt werden. Dies verkürzt Wartungsintervalle und senkt Kosten

Typische Datenquellen:
PDF-Handbücher, Zertifikate, Quick Start Guides, Technische Dokumente, Produktbilder, Informationen zur Produkthierarchie

Typische Qualitätsanforderungen an Daten:
Konsitenz, Strukturierte und maschinenlesbare Basisformate

handbuecher
Handbücher
Die Dokumentenanalyse mittels KI bietet Servicemitarbeitern*innen den Vorteil, bei einem Termin vor Ort schnell Lösungsvorschläge via Schlagwortsuche zu erhalten.

Typische Datenquellen:
Maschinenhandbücher und -datenblätter, alte Serviceberichte, Schulungsprotokolle

Typische Qualitätsanforderungen an Daten:
Die Daten müssen als Textdokument (keine Screenshots), entweder als PDF- oder als Word-Dokument, vorliegen. Je aussagekräftiger und umfangreicher die Textdokumente sind, desto zielgerichteter sind die Lösungsvorschläge.

beste-praktiken
Beste Praktiken
In einer Wissensgesellschaft ist Wissen eine der wichtigsten Ressourcen eines Unternehmens. Es aufzubauen, zu nutzen und zu bewahren, ist deshalb eine zentrale Aufgabe von Unternehmen und ein zentraler Schlüssel zu zukünftigem, nachhaltigem sowie wirtschaftlichem Erfolg. Wissensmanagementsysteme bieten hier Zugriff auf umfangreiche Informationen über das eigene Unternehmen. Sie sollten daher in Wissensdatenbanken zentral gespeichert werden. Gerade Best-Practice eignet sich, dieses Wissen zu veranschaulichen und zu dokumentieren..

Typische Datenquellen:
Handbücher, Best-Practice-Ratgeber, FAQ-Listen und Serviceberichte

Typische Qualitätsanforderungen an Daten:
Das gesamte datengestützte Wissen muss zentral erfasst bzw. gespeichert sein

routenplanung
Routenplanung
Sobald der Einsatzplan für eine*n Servicetechniker*in bzw. ein Team feststeht, sollte die Route zum Kunden ermittelt werden. Sinnvoll ist es, ein im Unternehmen verwendetes Routenplanungs-Tool automatisch mit den Kundendaten zu verknüpfen, um direkt und ohne Aufwand immer die beste Route sowie alternative Vorschläge bereitstellen zu können.

Typische Datenquellen:
Adressdaten aus der Kundendatenbank, Historien von Routenplanungen zur Berücksichtigung von Besonderheiten (richtiger Eingang bei großen Firmen), evt. auch Zugangsdaten für Techniker und Ansprechpartner beim Kunden.

Typische Qualitätsanforderungen an Daten:
aktuelle Adressdaten, Erkenntnisse aus vorangegangenen genutzten Routen

team-zusammensetzung
Teamzusammensetzungen
Disponenten arbeiten mit Plantafeln. Diese Planung kann via statistischer Auswertungen oder einem lernenden System automatisiert erstellt werden. Berücksichtigt werden sollten dafür neben den Personen selbst, deren Skills sowie die Kalenderplanung mit den Einsatzorten. Die in den Datenbanken vorgehaltenen Daten und deren Verknüpfung mit anderen Quellen durch eine KI ermöglichen es, zu möglichen Lösungsvorschlägen eines technischen Problems auch gleich den passenden Servicetechniker vorzuschlagen.

Typische Datenquellen:
Verknüpfungen zur Mitarbeiterdatenbank (möglichst mit Skills und Kalenderdaten)

Typische Qualitätsanforderungen an Daten:
Kategorisierte Daten aus der Mitarbeiterdatenbank, Kalenderdaten inklusive der Einsatzorte

chat-bots
Chatbots
Chatbots werden in der Regel auf Webseiten und in Instant-Messenger-Apps eingesetzt. Als helfender Chatbot treten sie in den Dialog mit dem Nutzer und erleichtern die Kommunikation mit der jeweiligen IT-Applikation.

Typische Datenquellen:
Wissensdatenbanken, Key Value Store (KVS). Der KVS ermöglicht es dem Chatbot, mit anderen Chatbots zu kommunizieren bzw. auf andere Services zugreifen zu können.

Typische Qualitätsanforderungen an Daten:
Der Inhalt der Wissensbasis muss an die Zielgruppe, das Einsatzgebiet und den Zweck des Chatbots angepasst sein. Der Zielgruppe entsprechend sollte das Vokabular des virtuellen Assistenten formuliert sein.

service-bots
Servicebots
Ein Voicebot hilft dem/der Servicetechniker*in die Hände frei zu haben, um vor Ort Probleme schnell und effektiv lösen zu können. Dies könnte beispielsweise ein Servicebot sein, der über eine Mobilfunkanbindung die relevanten Schrittfolgen aus dem Servicehandbuch vorliest.

Typische Datenquellen:
Der Voicebot baut auf einem Chatbot auf und greift hierbei auf Amazon Alexa zurück.

expertenwissen-vor-ort
Expertenwissen
Mit dem Einsatz einer KI-basierten Zuordnung von Servicetickets (Ticket Dispatchers) haben Servicemitarbeiter*innen im User-Help-Desk (UHD) bzw. Servicedesk mehr Zeit, um bei besonders herausfordernden Fällen mit Rat und Tat unterstützend helfen zu können.

Typische Datenquellen:
Tickets eines Service Management Systems.

Typische Qualitätsanforderungen an Daten:
Es müssen historische Tickets mit ensprechender Zuordnung/Lösung vorhanden sein.

ki-gestuetzte-dokumentation
KI-gestützte Dokumentation
Schon beim Auslösen eines Servicefalls werden Kundendaten wie die des Servicevertrags und der Preise von Einzelleistungen und Ersatzteilen miteinander verknüpft. Der Servicefall sollte via Lösungskategorie bereits Lösungsschritte beinhalten. Im Idealfall muss ein*e Techniker*in dann nach einem erledigten Serviceauftrag die Vorgabe nur noch bestätigen oder bei Abweichungen per Freitext, Checkbox oder Bot beschreiben. Da schon hinreichend Vernüpfungen bestehen, kann damit automatisiert eine Rechnung oder Aufwandsdokumentation erstellt werden. Diese kann wiederum via Kontrolle oder automatisiert in den nächsten Servicefall einfließen und als Vorgabe dienen. Am Ende eines Technikereinsatzes wird somit mit den vorhandenen bzw. verwendeten Daten eine Dokumentation mittels einer KI erstellt.

Typische Datenquellen:
Verknüpfte Daten zu Kunden, Verträgen, Ersatzteilen, Technikern mit Stundensätzen, Preisen etc., vorkonfigurierte Prozessschritte zu Problem- und Lösungskategorien

Typische Qualitätsanforderungen an Daten:
aktuelle Datenbankvernüpfungen

speech-to-text-eingabe
Speech-to-text Eingabe
Voicebots greifen für „Speech-to-Text“ über entsprechende Schnittstellen auf Amazone Alexa zu.

service-meldung
1. Servicemeldung:
Liegt überhaupt ein Servicebedarfsfall vor? Diese Eingangsfrage steht am Anfang jedes Prozesses des technischen Services. Ist dies der Fall, muss herausgefunden werden, um was für einen Servicefall es sich handelt. In diesem ersten Modul für den technischen Service wird genau diese erste Einschätzung vorgenommen.

Analoger Prozess:
Bei einer mutmaßlichen Störung einer Maschine wird das Servicecenter informiert. Servicecentermitarbeiter*innen beurteilen den Störungsfall anhand weiterer Details und beauftragen ggf. eine*n Servicetechniker*innen. Diese*r fährt mit den Informationen zum Kunden bzw. zur Maschine, um den Service durchzuführen.

KI-unterstützer Prozess:
Angeschlossene Sensoren erfassen exakt, schnell und sicher die Messwerte einer Maschine. Weichen diese von dem Standard ab, analysiert die KI-Anwendung die Werte daraufhin und prüft, ob es sich tatsächlich um eine Anomalie handelt. Nur dann werden diese Informationen zu den abweichenden Werten dem Service-Lifecycle hinzugefügt. Die Anwendung hat auch den Vorteil, dass sich mit ihr bzw. einer sogenannten Predictive Analytic Vorhersagen und Wahrscheinlichkeitsberechnung von bestimmten Ereignissen oder dem Verhalten von Menschen treffen lassen.
ticket-zuordnung
2. Ticketzuordnung
Sprach man in Zeiten analoger Prozesse noch von einem Fallbearbeitungssystem, wird heute nur noch von Ticketsystemen geredet. Servicefälle werden dort digital angelegt, katalogisiert und priorisiert. Entweder ruft der Kunde beim Serviceprovider an und wird von dort ins Callcenter durchgestellt, sodass der Fall erfasst und verwaltet werden kann. Oder eine Meldung trifft per E-Mail ein.

KI-unterstützter Prozess:
Diese gesamten Schritte einer digitalen Servicefallerfassung fallen bei einer KI-Anwendung weg, da Vorgänge automatisiert ausführt und Informationen selbstständig prozessiert werden. Hierzu werden KI-unterstützte Verfahren, sogenannte Natural Language Processing (NLP), eingesetzt und mit ihnen Sprache analysiert.

Typische Vorteile eines Ticketsystems mit KI-Applikation:
  1. Erkennen von Schlüsselbegriffen anhand derer Fehler-Kategorien ermittelt werden
  2. Finden möglicher Lösungsvorschläge in den vorhandenen Daten
  3. Lokalisieren von z.B. negativen Kundenreaktionen und Priorisierung vergeben
  4. Aktualisieren eines Tickets durch immer neu generierte Informationen
einsatz-planung
3. Einsatzplanung
Ein Disponent muss an vieles denken damit der Servicefall vor Ort beim Kunden reibungslos und zu dessen Zufriedenheit durchgeführt werden kann: Terminpläne, Anfahrtsrouten, Techniker mit passenden Skills, erforderliche Ersatzteile, etc.. Ein KI-System ermöglicht eine effiziente Vorqualifizierung.

KI-unterstützter Prozess:
  1. Die Fehlerhistorie der Kundenmaschine und des Maschinentypus werden zusammengestellt
  2. Bekannte Lösungsverfahren und -maßnahmen werden übersichtlich zusammengefasst
  3. Notwendige Ersatzteile werden aufgelistet
  4. Das Serviceteam wird entsprechend den Anforderungen des Servicefalls ausgewählt
  5. Der Termin wird automatisch in den Kalender eingetragen
  6. Die Routenplanung zum Kunden wird erstellt
  7. Der Kunde wird informiert
  8. Ein Informations- und Lösungspaket wird den Tabletcomputern des Serviceteams zugefügt
bearbeitung-vor-ort
4. Bearbeitung vor Ort
Wer als Techniker bereits ein Walzenlager ausgewechselt hat, weiß, welche Komplikationen dabei auftreten können. Das Modul befindet sich am äußeren Rand der Maschine, ist daher schlecht zugänglich. Auch sich vorab auf dem Tablet die Montage als Best-Practice anzusehen, ist nicht zielführend, da die ungünstige Positionierung des Walzenlagers wenig Einblicke gestattet.

In diesem konkreten Fall ist es hilfreich, als Techniker*in per Tablet die Chatbot-App aufrufen und die Fall-ID eingeben zu können. Über Bluetooth-Kopfhörer erklingt sogleich der Bot, der fragt, wie er helfen kann. Eine Option ist, dass sich der Techniker die Handlungsschritte aus der Best-Practice-Anleitung vorlesen lassen kann. Die Default-Einstellung ist hier, dass der Bot nach jedem Schritt wartet, bis der Gesprächspartner den Schlüsselbegriff „Service-Bot: weiter!“ sagt. So kann der Techniker den Wechsel des Walzenlagers in nur einer halben Stunde durchführen.
serviceberichte
5. Serviceberichte
Das Erstellen eines Serviceberichtes ist eine lästige und zeitintensive Pflicht. Die aufwendigste Variante dieser Dokumentation ist, alles per Papier zu erfassen, es in ein System einzugeben und mit Preislisten oder Bestellungen abzugleichen. Auch wenn viele Firmen mit Online-Formularen ihren Techniker*innen bereits diesen Prozess erleichtert haben, bringt erst eine KI-Anwendung wirklichen Gewinn.

KI-unterstützter Prozess am Beispiel des Serviceberichtes:
  1. Das Serviceteam beendet den Servicefall mit der vorkonfigurierten Dokumentation direkt online.
  2. Anhand der ausgefüllten oder nur bestätigten Formulare erstellt die Applikation automatisiert eine Rechnung, indem sie selbstständig die notwendigen Informationen aus der Kundendatenbank, den Techniker-Stundensätzen, der Ersatzteildatenbank oder anderen verbundenen Quellen miteinander verknüpft.
  3. Das Endprodukt, also der Bericht oder die Rechnung, wird gleichzeitig an den Kunden per E-Mail geschickt und an die Buchhaltung übermittelt.
auswertung
6. Auswertungen
Auswertungen haben nicht nur einen statistischen, sondern auch einen unternehmensrelevanten Wert. So können Expertenwissen, neue und besonders effiziente Lösungen, Vorkommnisse zu Produkteigenschaften und Garantiefällen erfasst und für alle Mitarbeiter und Abteilungen sichtbar gemacht werden. Die sofortige Auswertung und Überführung in eine Wissensdatenbank hilft, um Implikationen für weitere Fälle oder z.B. für die zukünftige Vertragsgestaltung oder Produktentwicklung abzuleiten.
service-plattform
Service Plattform
Hier können Sie ausgewählte Services integrieren oder mehrere von ihnen zielgerichtet für eine Gesamtlösung miteinander verknüpfen. Sie haben die Möglichkeit, sie entweder über standardisierte Schnittstellen in der eigenen IT-Umgebung oder in eine spezielle KI-Plattform mit den entprechenden Voraussetzungen und offenen Standards zu integrieren.
Sensoren, Messungen, Monitoring
Wir unterteilen Phase 0 und den ersten Schritt im Servicekreislauf. Damit wollen wir einen Unterschied deutlich zu machen. Phase 0 ist bereits im Markt ein eigenständiges Feld „Predictive Maintenance“ via „IOT“ oder auch „IIOT“. Um solch eine Zustandsüberwachung (= Predictive Maintenance) zu realisieren geht man in drei Schritten vor:
  1. Sensoren verbauen
  2. Sensoren über Konnektoren mit einem System z.B. über die Cloud verbinden
  3. Messungen sichtbar machen und überwachen
Das nennt man auch „Condition Monitoring“ für die Instandhaltung und Überwachung.

Zur Unterscheidung:
Bei unseren KI-Modulen für den Service gehen wir noch einen Schritt weiter. Wir wollen über angezeigte Grenzwerte hinaus weitere Bedingungen in Bezug setzen und in einem selbstlernenden System sicherstellen, dass es sich bei einem gemeldeten Alarm (Anomalie) tatsächliche um eine Servicemeldung handelt. Denn Fehlarlarme sind in vielen Wirtschaftsbereichen ein enormer Kostenfaktor. Mit einer selbst lernenden und automatisierten Auswertung kann man dies vermeiden und Einsparungen erzielen.

Genau das analysieren wir über KI in Modul 1 Servicemeldung.