Siemens: AI Demand Prediction Plattform für die industrielle Produktionsplanung

KI in der Produktion

Machine Learning für die Zeitserien-Vorhersage

Lagerkosten sind für ein Industrieunternehmen wie Siemens ein hoher Kostenfaktor in der Produktion. Einen Weg, diese zu optimieren, soll die AI Demand Prediction Plattform eröffnen, über die sich die künftige Nachfrage nach den Produkten vorhersagen lässt.

Für Siemens entwickeln wir ein Machine-Learning-System für die Zeitserien-Vorhersage (Timeseries Forecasting) in der Produktionsplanung. Künftig sollen Produktionsplaner:innen in den Werken diese Plattform als Self Service benutzen.

Ziel war es, in einem ersten Werk für zunächst 100 unterschiedliche Produkte valide Vorhersagen treffen zu können. Funktioniert das, soll Schritt für Schritt die gesamte Produkt-Palette berücksichtigt und schließlich weitere Werke des Konzerns aufgegleist werden.

Technologien

Azure Machine Learning
Azure Functions App
Azure Database for PostgreSQL
Azure Monitor
Python: Pandas, FastAPI, Standard ML-Libraries, Opentelemetry, deepchecks, poetry, Code-quality tools, Grafana, PowerBI, GitlabCI, Docker

Methoden

Kanban, CRISP-ML (Q)

Projektdauer

seit Februar 2022

Team

Data Scientisten und Software Engineers

Unser Vorgehen

Vom Proof of Concept zum Produktivsystem

Wir haben zunächst einen Proof of Concept gebaut, den wir zu einem System erweiterten, das produktiv einsetzbar ist. Für jedes Produkt entwickelten wir ein Trainingsmodell, um die Diversität der Produkte abzubilden. Aus dem technisch und inhaltlich funktionierende System bauen wir die AI Demand Prediction Plattform auf, die künftig als Web-Applikation als Self-Service in den Werken genutzt werden soll.

Unsere Herausforderung

Mehr Speed durch Automated Machine Learning

Die Herausforderung war die große Dimension an Problemstellungen: jedes Produkt ist für sich gesehen eine eigene Zeitserie. Zusätzlich zu starken Unterschieden am Bedarf der einzelnen Produkte können neue Produkte hinzukommen oder bestehende Produkte auslaufen. Da es in diesem Umfeld schwer ist, einen einzelnen Algorithmus auf die Problemstellung zu optimieren, haben wir uns für Automated Machine Learning (AutoML) entschieden.

Bei AutoML wird das Experimentieren mit Machine Learning Algorithmen abstrahiert und dadurch beschleunigt. In den meisten Fällen enthalten bestehende AutoML-Lösungen eine Auswahl an verschiedenen ML-Algorithmen und Feature-Engineering-Verfahren, die automatisiert auf den gegebenen Daten getestet werden.

So findet AutoML für jeden Datensatz das passende Modell. Das hatte den Vorteil, dass wir für jedes Produkt das passende Modell finden und auch neue Produkte direkt in die Plattform integrieren können.

Unser Ergebnis

Eine einheitliche und skalierbare Lösung

Dank AutoML haben wir die PoC-Phase des Projekts auf wenige Wochen verkürzt. Wir haben schnell erste und fachliche gute Ergebnisse geliefert. Dadurch haben wir großes Vertrauen auf der Kundenseite gewonnen und Begeisterung für das Projekt geweckt. Das ermöglichte es uns, die angesprochenen Automatisierungsthemen zu bearbeiten und dafür ausreichend Zeit zu bekommen.

In der Zwischenzeit wurde ein weiteres Werk in die Plattform integriert. Außerdem wurden Machine Learning Algorithmen, die in den Fachbereichen entwickelt wurden, parallel zu AutoML als mögliche Lösung integriert. Dadurch werden diese Lösungen auch zwischen den Fachbereichen geteilt.

Mit AutoML in Kombination mit den selbst entwickelten Algorithmen werden pro Zeitserie 50 Modelle trainiert und das jeweils Beste daraus für die Vorhersage ausgewählt. Dadurch wird der bestmögliche Algorithmus pro Zeitserie identifiziert und die Vorhersage-Qualität verbessert.

Durch die Einbindung in die IT-Landschaft von Siemens werden neue Modelle automatisiert trainiert, sobald es die Datengrundlage erfordert. Vorhersagen werden direkt in die Datenstrecken der Fachbereiche eingespeist. Die Integration weiterer Werke ist in Planung.