Ein Auszug aus unseren Projekten in KI, Robotik und Automomotive
„Die Frage ist nicht, ob sich KI lohnt,
sondern in welchem Prozess man sie anwendet.”
-
-> Bei welchem Prozess-Schritt sind die Fachleute genervt?
-
-> Was sind die Aufgaben, die eigentlich niemand machen will?
-
-> Wo verschwenden die Fachleute Zeit?
-
-> Wo ist die Qualität nicht ausreichend?
-
-> Was dauert lange?
-
-> Wo werden manuell Daten gesucht oder durchsucht?
-
-> Wo werden Daten abgetippt, PDFs gesichtet?
-
-> Wo werden Informationen recherchiert und zusammengefasst?
Haben Sie Interesse? Schauen Sie sich unsere Services an!
Know-MAS - Wissens- und Dokumentenmanagement mit KI
KI-basierte Wissens-Suche
Wissen ist in Unternehmen oft verteilt und historisch gewachsen. Neue Mitarbeiter kennen etwa Messberichte von vor 5 Jahren nicht und können diese daher nicht effektiv suchen.
Viele Informationen sind über verschiedene Modalitäten verstreut wie Dokumente, Emails und Chats.
Mit der KI Suche werden diese Informationen auffindbar.
Zusätzlich können Such-Prozesse abgebildet werden, denn im Alltag suchen wir oft nicht einfach ein Dokument, sondern haben einen Prozess im Kopf:
- Was ist das neuste Dokument zum Thema xyz?
- Suche alle Dokumente zu xyz -> vergleiche dann Datum in den Metadaten
- Welche Dichtungshöhe vom Lieferanten [H] hatte den IP68 Test bei den ASQ-Antrieben bestanden?
- Suche nach Norm zu IP68 -> nachschlagen von Tests in der Norm ->Suchen nach Testen & [H] & ASQ in Prüfberichten
AI-Agent Team automatisiert Report Erstellung
Use Case:
Reporting, Reviews und Audits
In Engineering müssen Qualität, Compliance und Safety nachweisbar sein. Dafür werden Reports erstellt:
Quality Gates, Audits, Compliance Reviews, …
Die Realität: Engineering ist report-getrieben.
Reports entstehen durch lange Checklisten und endlose Formulare mit Standardfragen.
Problem:
Für diese Reports werden meist Senior Experts benötigt. Sie fehlen dann im Entwicklungsteam – wenn der Druck am höchsten ist.
Die Reports entstehen oft in letzter Minute, weil zuerst das Produkt fertig werden muss oder das Audit verschlafen wurde.
Das Ergebnis: Fehleranfällige Reports, Nacharbeiten, Rückfragen – und ein verlängerter Prozess..
Ein Data-Modelling-Agent analysiert die Kern-Dokumente und erstellt daraus das Datenmodell für Reviews oder Reports. Er erkennt unterschiedliche Dokument-versionen und versteht die Logik der Versionierung. Anschließend nutzt der Reporting-Agent die Vorlage oder Checkliste, greift auf das Datenmodell zu und beantwortet die Fragen automatisch.
Factory-MAS - Automatisierung entlang der Fertigungs-Wertschöpfungskette
Automatisierung des Auftrageingangs: Outlook, PDF und ERP
Use Case:
Auftragseingang mit PDF & ERP
Im Verkaufsprozess wird vor allem bei KMU mit PDFs gearbeitet für Bestellungen aber auch für Anfragen. Diese gehen per Email ein, die Kollegen öffnen Zip Files und untersuchen PDFs nach den relevanten Informationen. Danach schauen sie manuell im ERP nach, ob es hierfür schon einen Fall gibt bzw. Ob es schon Ähnliche Anfragen oder Fertigungen gegeben hat.
Dann tragen sie die Informationen aus dem PDF manuell ins ERP ein.
Problem:
Viele Unternehmen bearbeiten Auftragseingänge und Kundenanfragen noch manuell. Unterschiedliche Datenquellen, komplexe Produktstrukturen und fehlende Verknüpfungen zu ERP-Systemen führen zu Verzögerungen, Fehlern und hohem Aufwand bei Angebotserstellung und Kundenkommunikation.
Manuelles heraussuchen von Schlüssel-informationen aus PDFs und ZIP-Files und deren Abgleich mit bestehenden ERP-Daten ist ein Großer Zeitfresser im Verkaufsprozess.
Lösung:
Das System automatisiert den Auftragseingang durch intelligente Multiagenten, verknüpft Kundenanfragen mit ERP-Daten, beschleunigt Angebotsprozesse und entlastet Mitarbeiter nachhaltig, ohne bestehende Systeme zu verändern oder sensible Unternehmensdaten zu gefährden.
Das System wurde speziell für Unternehmen entwickelt, die täglich mit einer großen Anzahl individueller Kundenanfragen konfrontiert sind. In solchen Umgebungen ist Wissen häufig verteilt:
Preislogiken liegen im ERP, technische Details in Stücklisten, während Kundenhistorien in separaten Systemen oder E-Mails gespeichert sind. Das Multiagenten-Konzept adressiert genau diese Komplexität. Jeder Agent übernimmt eine klar definierte Rolle: das Extrahieren von Kerndaten aus PDFs, Eintragen von Daten in das ERP, die Analyse der Anfrage, die Identifikation relevanter Kundenhistorien oder den Abgleich technischer Komponenten.
3D Rekonstruktion und 3D Bauteilsuche
Use Case:
3D-Bauteil Ähnlichkeits-Suche
Im Verkaufsprozess wird vor allem bei KMU mit PDFs gearbeitet für Bestellungen aber auch für Anfragen. In der Fertigung finden wir oft PDFs mit technischen Zeichnungen und ggf STEP Files. Damit schauen die Kollegen manuell im ERP nach, ob es hierzu schon ähnliche Artikel gibt, aus denen man den Preis ableiten kann.
Problem:
Bei kundenspezifischen 3D-Bauteilen, insbesondere Gusskomponenten, ist das Auffinden aletr Konstruktionen schwierig und stark Erfahrungsabhängig.
ERP-Systeme erlauben meist nur textbasierte Suche, sodass Ingenieure Zeichnungen manuell öffnen und geometrisch vergleichen müssen, was zeitaufwendig und fehleranfällig ist.
Neue Kollegen haben keinen Überblick über Altprojekte
Lösung:
Das AI-Agent-System ermöglicht eine intelligente Archivierung und Suche von 3D-Bauteilen. Durch die Kombination geometrischer und semantischer Merkmale werden ähnliche Komponenten schnell auffindbar, Wiederverwendung gefördert und Konstruktionsprozesse deutlich beschleunigt – ergänzend zu bestehenden ERP- und PDM-Systemen.
Der entwickelte AI-Agent verfolgt den folgenden Ansatz: Anstatt Bauteile ausschließlich als 2D-Zeichnungen zu betrachten, werden sie als semantisch und geometrisch beschriebene 3D Objekte verstanden. Die KI erstellt aus den Zeichnungen 3D-Modelle und analysiert jedes 3D-Modell aus mehreren Perspektiven: räumliche Struktur, Proportionen, funktionale Merkmale sowie sprachliche Beschreibungen aus Zeichnungen und Metadaten. Bei einer neuen Kundenanfrage kann das System ähnliche Bauteile identifizieren, statt nur nach exakten Übereinstimmungen zu suchen.
Materialeinkauf: Berechnung des "Cost-Surface"
Berechnung des „Cost-Surface“ um den optimalen Bestellzeitpunkt festzustellen
Optimierungsfunktion aus:
– Lieferzeiten
– Bauteilkosten, Rabatten & Trend
– Lagerkosten
– Kapitalkosten / Opportunitätskosten
– Verwaltungsoverhead pro Bestellung
– Sales-Prognose mit Saisonalen Effekten
Optimaler Preis und Lieferzeitpunkt in Abhängigkeit vom akzeptablen Risiko
Task Force Automation in Factory
A sudden yield drop in the factory is very expensive – one does not simply lose maybe 10% of the parts, but these 10% consume the 10% margin we have!
Thus, a task force of experts is called to identify the root cause. This is a strongly manual process, where the experts follow the guidelines of a QA/QS process and sift through the data.
In our POC we automatized this process with PAMAS:
– Moderator agent to coordinate the team and implement the QA/QS strategy
– Data Engineer and Process Engineer agents
– Interactive process with review after each step
ESG Training & Podcast Generation
Creating learning materials from documented knowledge is still a highly manual task. In these two POC we demonstrated the creation of learning materials from documents. This includes ingesting the materials and generating a Knowledge Tree model. Then a concept for the podcast or Trainings plan is generated and the sections are filled with knowledge from the model. In case of the training with questions to verify and document the success of the training.
Using the Design Studio the users can configure the creation of the podcast themselves.
– Parsing of documentation
– Creation of Knowledge Tree model
– Breakdown into learning sections
– Generation of Audio output
Nawa Bot – Project and Jira Assistant
Ticket management in Jira consumes a lot of time for the product owners and project managers. In this POC we demonstrated automating the ticket management: understanding the scope of a new sub-project by a interactive dialogue system and creation of user stories and subsequently tasks with Gen AI. These are finally fed back to Jira.
– Interactive dialogue system
– Ticket creation and breakdown
– Utilizing Jira API
IoT connectivity, Cloud Platform, Function Development
NISAR and e:fs join forces:
Combining new ideas from the startup ecosystem with extensive experience in series development and validation we strive to change the way how automotive software is developed today.
– Test car for data recording, remote connectivity
– Cloud platform
– IoT connectivity for car-pc to cloud platform
Traffic Scenario Recorder based on Ring-Buffer
NISAR and e:fs join forces:
Combining new ideas from the startup ecosystem with extensive experience in series development and validation we strive to change the way how automotive software is developed today.
-Sparse Scenario Recording
-Do not record hundreds of hours and km, just record what is relevant
-Store vehicle sensor and bus data in ring buffer
-Store ring buffer content based on triggers, i.e. sharp braking
ECU remote monitoring & flashing on production line
Monitoring & flashing ECU already on the production line
Software for ECUs is increasing rapidly in size. And so is the flashing time needed at End-of-line flashing stations.
With our IoT connector the ECU is already flashed while on the line, saving time at EOL.
XDP Showcase with TogetherOS
Member of the Horizon Ecosystem
Code Generation for Horizon TogetherOS from Software Architecture i.e. for a camera fusion system.
Built into NISAR Architect Design Studio
XDP Showcase with AUTOSAR
Phase 1:
Integrating Nisar ADS with ETAS AUTOSAR Toolchain, enabling the generation of AUTOSAR code from abstract architectures
Phase 2:
Enabling the bridge from pre-development in ROS to AUTOSAR via the abstract architecture
Multi Radar Sensor Fusion
Creation of a central 360° environmental model from several corner radars in ROS
Two variants:
1.Free-Space model using occupancy grid maps
2.Geometrical obstacle representation using bounding polygons
Surround View and Parking Assistant
Creation of a central 360° environmental model from several cameras
Three steps:
1. Bird-eye view for the driver by merging 6 cameras
2. Detecting of free and occupied parking spaces
3. Dubbin / Reed based trajectory planner
Simulation and real vehicle
Radar-Camera-Fusion & Object-Tracking
Car equipped with radar and cameras, each with their own object tracking
• Fusion of the tracks
• Increased accuracy
• Increased robustness
• Tracking beyond the limits of the sensors’ fields of view
• Tracking of lanes and assignment of objects
• Planning the navigable space taking into account the objects’ own movement and prediction
AI-based Cyber Security
AI-based design wizards to enable integrating Cyber Security already in early design phases while at the same time easing the task for Cyber Security Engineers
Published at AI.BAY conference, 2023, with TH Ingolstadt CARISSMA, D.Bayerl
Our test vehicle in Shanghai
Test Vehicle Platform
– MG4 Mulan
Sensor Setup
– 7 Cameras – 2-8M Pixels
– 4 Fisheye cameras
– 3 LRR-Radars
Software Components integrated
– BEV Model for Perception
– HD Map Fusion
– Radar + Camera Object Fusion
– NoA Navigation on Autopilot
– Middleware: TROS, ROS and Autosar
Current Hardware Platforms
– HR J5 x 2 256 TOPs + Semidrive X9U
– HR J5 x 1 + NXP SR32G
– NVIDIA Orin + TC397
– HR J3 x 1 3 TOPs + Aurix
…additional impressions…
