KI Ersatzteilerkennung Status 2024

Heute gibt uns Patrick Schneider einen Status zum Thema Ersatzteilerkennung mit Artificial Intelligence im Frühjahr 2024. Was ist möglich, was ist (noch) unmöglich? Was machen unsere Kunden? Das wird bestimmt ein interessantes Gespräch.

Hallo Patrick, heute geht es um Ersatzteilerkennung mit KI. Was ist deine Meinung in wenigen Worten dazu?

Es ist absolut unglaublich, wie sich die Technologie entwickelt hat. Ersatzteilerkennung durch KI ist im Alltag angekommen, entwickelt sich weiter und wird sich weiter auch weiterhin rasant entwickeln. Die Lernkurve ist nach wie vor steil. Die KI-Systeme wissen heute schon, was ein Griff ist und welche Hydraulik-Zylinder Marken es gibt oder welches Material das Produkt vermutlich hat.

Was sind die generellen Vorteile von Ersatzeilerkennung durch Künstliche Intelligenz (AI)?

1. Bilder und Videos können auch von Technikern gemacht werden, die nicht seit mehreren Jahren im Thema sind. Sprachbarrieren werden reduziert und das notwendige Fachwissen wird als Einstiegshürde minimalisiert.
   Interessanterweise hat das auch die Mehrsprachigkeit gestärkt. Neben sprach-agnostischen Bildern kann man mittlerweile auch mit einer anderen Sprachegegen deutsche Stammdaten suchen.

2. Jedes Ersatzteil wird an sich mehrfach gesucht: In den Datenbanken der Instandhaltung, in den Unterlagen und Portalen der Hersteller und in den Portalen der unabhängigen Ersatzteilanbieter.

   KI vereinfacht den Suchvorgang, denn auch die Suchwerkzeuge nach den Ersatzteilen (Kataloge, Excel, ERP Systeme, Instandhaltungssysteme) haben sich stark weiterentwickelt. Gelegenheitsuser können sie oft gar nicht mehr bedienen. Ersatzteilbedarfe gehen so von Person zu Person, und von Firma zu Firma und am Ende sucht ein ganzes Team.

3. Die vortrainierten Modelle sind in der Lage semantisch bekannte Produkte (z.B. Standardprodukte von Festo oder DIN Produkte) sehr solide wiederzuerkennen. Semantisch unbekannte Produkte muss man dem System "beibringen". Das geht mit 3D Grafiken, Bildern und gute Beschreibung.

Unterm Strich spart eine KI Erkennung von Ersatzteilen die Zeit aller Beteiligten. Wenn man sich einmal daran gewöhnt hat, dann wird man sie vermissen. Man stelle sich nur eine Welt ohne Google vor.

In der Praxis treffen wir allerdings auf ein weiteres großes "Kundenproblem": Die Daten.

Die Ersatzteildaten bzw. die Ersatzteilkataloge wurden über Generationen hinweg vererbt und wenn ein Verantwortlicher einmal viel Zeit und viel Restbudget hatte, wurden die Daten "verbessert".

Natürlich hat jede Generation ihr bestes gegeben und die technologischen Möglichkeiten ausgeschöpft. Aber selten rückwärtsgerichtet.

Im Ergebnis treffen wir nun auf sehr unterschiedliche Datenbestände aus teilweise unterschiedlichen Systemen, die mehr oder weniger harmonisiert wurden.

Diese unterschiedliche Datenqualitäten stellen unsere Kunden bzw. die User immer noch vor Hürden.

Welche Anwendungsfälle rund um die Erkennung von Ersatzteilen gibt es im Markt?

Es gibt eigentlich drei bis vier unterschiedliche Anwendungsfälle, mit Bildern bzw. Artificial Intelligence nach Ersatzteilen zu suchen:

1. Die „alternative Suche“ per Bild alleinstehend um den Usern eine anderen Weg als die Text oder Hierarchiesuche zu ermöglichen.

2. Die Anreicherung einer Textsuche mit Bildinput

3. Die integrierte Suche in der alle Suchmodalitäten wie Bilder, Freitexte, Kategorien, Stücklisten und vieles mehr als Suchinputs kombiniert werden.

4. Die Identifikation von Dubletten, Varianten bzw. ähnlicher Produkte in Listen.

Was sind die Vor- und Nachteile der jeweiligen Anwendungsfälle?

Der größte Vorteil der alternativen Suche ist natürlich, dass sie schnell implementiert ist und dass man sich dann nur noch um die Daten kümmern muss. Relativ geringe Abstimmungen mit der IT und den Software Entwicklern. Die Suche ist schnell live und kann getestet werden. Der Nachteil ist das Ergebnis eines Schnellschusses. Entweder hat man ein vortrainiertes System wie wir von Partium, oder die Ergebnisse sind ohne ausreichend Bilder eben nicht gut. Die Systeme sind nicht vollständig, funktionieren so lala. Wir sehen in der Praxis immer wieder User, die Bildersuche als Alternative zur Textsuche verwenden. Auch wiederkehrend ... aber das sind unter 10 % der User.

Die Grenzen der KI Suche nach Ersatzteilen nur mit Bild sind leider schnell erreicht. Ersatzteilvarianten, Lichtverhältnisse und verbaute Produkte stoppen die Bildsuche nach Ersatzteilen natürlich im Ansatz.

Die integrierte Suche über Freitext, Bilder, Kategorien ist ein 100 %er  Erfolg. Die User sind extrem zufrieden. Jeder kann suchen, wie er möchte und Bilder und Schlagwörter hinzufügen und auch die Ergebnisse über Stücklisten oder Dokumente überprüfen. Der „Nachteil“ ist die Integration in die bestehenden Suchsyteme und darunterliegenden Ersatzteilverwaltungssysteme, die oft in Jahre gekommen sind.

Wie geht man am besten vor?

Du meinst, außer bei uns anzurufen... ?

Am besten sucht man sich als Erstes ein Projektproblem in dem der Identifikations- und Ersatzteilanforderungsprozess nicht optimal oder sogar beschädigt ist.

Die Anzahl der Produkte sollte am Anfang nicht 20.000 überschreiten und die User sollten in einem Markt mit einer Sprache zu erreichen sein.

Ziel ist es, das Problem zu testen und die Lösungen zu skizzieren. 

Die Disruption ist ein Abfallprodukt.

Wie viele Bilder benötigt man für eine KI-Erkennung von Ersatzteilen?

Das ist die häufigste Frage, die wir in der Praxis von Kunden gestellt bekommen. Und alle sind überrascht, wenn wir sagen: eigentlich keines. Natürlich sind Bilder wichtig für die User Experience und natürlich verbessern Bilder auch die Suchergebnisse. Aber die Kunden sind noch überraschter, wenn wir die vortrainierten Netze auf ihre Datensätze anwenden.

Ich habe hier auf dem Blog zwei Artikel veröffentlicht, darüber wie wichtig Bilder in einer Ersatzteilsuche sind und wie man sie am besten generiert. Denn das ist die zweithäufigste Frage, die wir gestellt bekommen.

https://www.partium.io/de/blog/warum-bilder-in-der-ersatzteilsuche-wichtig-sind

https://www.partium.io/de/blog/bilddaten-generierung-visuelle-ersatzteilsuche

Sprechen wie jetzt mal über die der Suche zugrunde liegenden Daten. Was empfiehlst du den Kunden?

Die Datengrundlage ist natürlich mit entscheidend für den Sucherfolg. Neben so Datenqualitätsstandardsfloskeln wie "vollständig", "widersprüchlich" und "richtig" sollte man auf folgende Punkte achten:

- Welche Produkte sind doppelt (Dubletten) oder Varianten? Beides sollte aus der Suche weitestgehend eliminiert werden, da sie in der Folge einfach Ressourcen wegfressen.

- In der Regel befinden sich auch viele Produkte in der Liste, die auf Basis ihrer Angaben wie Dubletten aussehen, aber es nicht sind. Das sind klare Signale für zusätzliche Informationen.

- Daumenregel: Ein Techniker sollte eine relativ zweifelsfreie Entscheidung über ein Ersatzteil treffen können. Oft geht das nur über den Einsatz von Einbauort und einer dazugehörigen Dokumentation... und dann sollte diese Dokumentation am Ersatzteil verlinkt sein.

Wir haben jetzt mit KI zwei komplett neuartige Möglichkeiten:

1. Wir lassen die KI die aktuellen Daten bewerten. Sind sie richtig, vollständig, eindeutig, plausibel? Das ist relativ einfach. Aber zusätzlich auch: Fehlt eine Information? In 2023 wusste ein Computer noch nicht, ob eine Ersatzteilinformation fehlt. In 2024 kann Partium das solide.

2. Die KI kann im Internet und in Dokumenten "nachlesen" und alle verfügbaren Informationen zu einem Ersatzteil ermitteln. Anleitungen, Einkaufstexte, Herstellerseiten, Dokumentationen und Bilder sind gute Quellen für zusätzliche Informationen. Die Richtigkeit liegt bei etwa 97% und ist daher etwas mit Vorsicht zu genießen.

Auf Basis der Analyse und der angereicherten Informationen kann das Partium Team den Kunden sehr genau aufzeigen, wo sich zusätzliche Informationen wie Bilder, Beschreibungen und Kategorien lohnen und wo nicht. 

Was bringt die Zukunft in der Ersatzteilerkennung mit KI? Wann gibt es den Ersatzteil-Co-Piloten? Und den autonomen Ersatzteilagenten?

Gute Frage, ich denke, dass das Verständnis der KI Systeme für die einzelnen Konzepte rund um Ersatzteile noch besser wird.

Das wird helfen Widersprüche und Fehler in den Daten zu finden und zu beseitigen. Seit etwa 2 Monaten beobachte ich mit Überraschung, dass die multimodalen Such-Algorithmen der Partium eindeutigen Text ohne OCR lesen können und diese Information bei der Suche verwenden. Alleinstehende Text-Detection Algorithmen werden daher sehr kurzfristig für einfache Anwendungsfälle auch obsolet. 

In naher Zukunft (2024/2025) wird KI wird helfen, die Produktkategorien der einzelnen Produkte besser zu verstehen und auch die Unterschiede zwischen sehr ähnlichen Produkten, die man optisch zum Beispiel gar nicht sieht, für den User in Echtzeit herauszuarbeiten (Co Pilot).

Ein Beispiel: In einer Ergebnisliste einer Suche sind drei sehr ähnliche Produkte und eine KI wird dann genau die Unterschiede der Produkte aufzeigen, um dem User einen Anhaltspunkt für den nächsten Schritt zu geben.

Das halte ich für sehr realistisch. Ich bekomme diese Informationen auch aus einem GPT4-System mit dem richtigen Prompt heraus. Aber auch nur weil ich diese System täglich benutze und genau weiß wie ich fragen muss.

Aber es gibt trotzdem noch Ergebnisse in denen stumpf zwei Ersatzteile verwechselt werden, daher denke ich, dass Ersatzteil-Co-Piloten noch etwas "Training" benötigen.

In 4-5 Jahren in der Zukunft glaube ich, dass man per Bild oder Video und ein paar weiteren Informationen 80-90 % aller Ersatzteile bestellen kann, ohne die Ersatzeilnummern überhaupt zu kennen.

Hier bekommen Sie einen kurzen Überblick, wie Partium funktioniert: