Drei Anwendungsfälle für LLMs in der Fertigungsindustrie schildert Shiv Trisal, Global, Manufacturing & Energy GTM bei Databricks.

Shiv Trisal, Global, Manufacturing & Energy GTM at Databricks, describes three use cases for LLM in the manufacturing industry.
Die Fertigungsindustrie sucht nach neuen Wegen, um die Automatisierung zu erhöhen, die betriebliche Transparenz zu verbessern und die Produkt- und Technologieentwicklung zu beschleunigen. Der Einsatz von generativer KI, insbesondere von Large Language Models (LLMs) und Data-Intelligence-Plattformen, bietet diese Möglichkeiten, und die Industrie hat dies klar erkannt, wie nicht zuletzt eine gemeinsame Studie von MIT und Databricks zeigt. Unternehmen in der Fertigungsindustrie generieren riesige Mengen komplexer unstrukturierter Daten (Sensoren, Bilder, Video, Telemetrie, LiDAR usw.), die von vernetzten Fahrzeugen, Fabriken, Gebäuden und Arbeitern erzeugt werden. Ein großer Teil dieser Daten muss in Echtzeit übertragen und mit wichtigen kontextbezogenen Datenquellen zusammengeführt werden, um sinnvoll auf wichtige Ereignisse reagieren zu können.

Die Modernisierung der Datenbasis ist von entscheidender Bedeutung, wenn die Hersteller von den Fortschritten im Bereich der künstlichen Intelligenz profitieren wollen, die eine Erweiterung der Effizienz- und Innovationsmöglichkeiten versprechen. Für die befragten Führungskräfte des verarbeitenden Gewerbes ist ein Data Lakehouse Teil der architektonischen Grundlage. Bei der Modernisierung ihrer Infrastruktur versuchen die Hersteller auch, diese zu vereinfachen. Sie kämpfen damit, eine Vielzahl unterschiedlicher Daten und KI-Systeme zu integrieren.

Vor diesem Hintergrund werden im Folgenden drei Anwendungsfelder vorgestellt, in denen produzierende Unternehmen LLMs bereits heute nutzen können: Verbesserung der Kundenerfahrung, vorausschauender Außendienst und produktiverer Betrieb.

Verbesserung des Kundenerlebnisses

LLMs werden in naher Zukunft für jede Art von Personalisierungsinitiative unverzichtbar sein. Im Wesentlichen bietet der Einsatz von LLMs Schnelligkeit und Konsistenz, die beiden wichtigsten Attribute für ein erstklassiges Kundenerlebnis, indem sie Endkunden die Möglichkeit bieten, zu interagieren und ihre Bedürfnisse zu lösen, ohne dass ein menschliches Eingreifen erforderlich ist. In dem Maße, in dem Automobilhersteller mehr Sensor- und Softwarefunktionen in nahezu jedes Fahrzeug integrieren, werden dialogorientierte Funktionen das Design eines intelligenteren Cockpits unterstützen, in dem Komfort-, Routenplanungs- und Unterhaltungseinstellungen über Eingabeaufforderungen in natürlicher Sprache vorgenommen werden.

Diese Fähigkeit kann auch auf die weitere Personalisierung des Fahrerlebnisses ausgedehnt werden. Händler spielen eine wichtige Rolle bei der Bereitstellung von Kundendienst. Anstatt auf verschiedenen Websites zu surfen oder anzurufen, um sich nach möglichen Terminen zu erkundigen, könnte der Fahrzeugbesitzer in Zukunft nach dem nächsten verfügbaren Termin für eine Routinewartung fragen und Ergebnisse erhalten. Ohne menschliche Interaktion wäre eine einheitliche Erfahrung für viele Händler schnell realisierbar. Bei Gesprächen mit Live-Agenten ermöglichen LLMs eine produktivere und erfolgreichere Interaktion. Sie erstellen ein KI-gesteuertes Skript auf der Grundlage der Art der Anfrage, der offenen oder ungelösten Probleme des Kunden und des allgemeinen Zustands der Beziehung zum Unternehmen oder zur Unternehmensmarke. Das Ergebnis ist eine stärker personalisierte Interaktion.

Vorausschauender Außendienst

Ein weiterer Anwendungsfall ist der Außendienst. Bei der vorausschauenden Wartung, bei der es nicht nur darum geht, vorausschauende Informationen über den Zustand der Anlagen zu erhalten, sondern auch die effektivsten Maßnahmen zu orchestrieren, können LLMs unterstützen. Sie helfen dabei, das richtige Personal und die richtigen Teile zur richtigen Zeit am richtigen Ort einzusetzen und die richtige Wartung durchzuführen, bevor es zu unnötigen Ausfallzeiten kommt.

Dies beginnt in der Regel mit der kontinuierlichen Analyse von Produkttelemetrie- und Sensordaten, um das Ausfallrisiko von Anlagen im Feld vorherzusagen. Danach muss der Techniker eine komplexe und langwierige Überprüfung von Informationen aus zahlreichen Anwendungen und komplexen technischen Handbüchern vornehmen, um zu verstehen, wie das Problem zu beheben ist, und dann die in den Dokumenten festgelegten Verfahrensschritte ausführen – das ist zeitaufwändig, fehleranfällig und für den Endkunden nicht optimal. Außerdem wird dadurch ein Fehlerbehebungsprozess geschaffen, der vielleicht wiederholbar ist, aber nicht unbedingt ein Prozess, der sich mit der Zeit anpasst und lernt.

Stattdessen könnten LLM, die speziell für die Fehlerbehebung an Geräten ausgebildet sind, wesentlich bessere Ergebnisse erzielen. Erstens könnten Techniker mit Hilfe eines Konversationsmodells mit technischen Handbüchern interagieren – und je nach Art des Problems zum richtigen Abschnitt geleitet werden, was wertvolle Zeit und Geld spart. Zweitens kann der Techniker durch die Integration von Erkenntnissen aus 1.000 ähnlichen Vorfällen, die in der Vergangenheit von anderen Technikern bearbeitet wurden, mehr präskriptive Informationen über die effektivsten Maßnahmen erhalten, die er ergreifen kann, um die besten Ergebnisse zu erzielen. Nicht zuletzt kann er den gesamten Garantiestatus und die Dokumentation für das Produkt einbeziehen, um die beste wirtschaftliche Entscheidung für den Endkunden zu treffen, was die Serviceerfahrung noch präziser und persönlicher macht.

Anstatt sich mit einer Vielzahl von Dokumenten und Handbüchern herumschlagen zu müssen, können sich die Techniker auf einen fachkundigen Co-Piloten wie eine Data Intelligence Platform verlassen, der ihnen jederzeit zur Seite steht. Ein Dateningenieur kann problemlos mit einer Vielzahl von Daten interagieren, ohne dass zusätzliche Datenkenntnisse erforderlich sind. Dies ermöglicht eine schnellere Diagnose, die Durchführung der effektivsten Wartungsmaßnahmen zur Maximierung der Betriebszeit und versetzt die Außendienstmitarbeiter in die Lage, jeden Tag mehr Kunden zu unterstützen.

Produktivere Prozesse

Produktionsprozesse laufen 24 Stunden am Tag, 7 Tage die Woche und 365 Tage im Jahr und erfordern eine kontinuierliche Verbesserung der Prozesse und das Management zunehmend unvorhersehbarer Lieferketten, um den Kunden die gewünschten Produkte in der geforderten Qualität zu liefern. Ein Schlüsselfaktor für den Erfolg ist der Informationsfluss zwischen den verschiedenen Abteilungen, Stationen und Mitarbeitern in der Produktion. Die Antwort darauf sind regelmäßige Produktionsbesprechungen auf allen Ebenen – Station, Abteilung und Management. Eine sich wiederholende Aufgabe zur Unterstützung dieser Besprechungen besteht darin, dass Betriebsanalytiker wichtige Kennzahlen und Informationen aus verschiedenen Systemen zusammenfassen und Berichte erstellen – ein sich wiederholender und zeitaufwändiger Prozess. Das eigentliche Ziel dieser Überprüfungen ist es, Einblicke in Leistungslücken zu gewinnen und datengestützte Priorisierungsentscheidungen zu treffen, um die betriebliche Effizienz, den Kundenservice und die finanzielle Leistung zu verbessern.

Durch den Einsatz von LLMs und Data Intelligence-Plattformen können Unternehmen mehr Zeit darauf verwenden, Engpässe zu verstehen und Wiederherstellungsstrategien zu entwickeln, um die termingerechte Lieferleistung wieder auf Kurs zu bringen. Außerdem muss weniger Zeit für die Verarbeitung von Daten aus verschiedenen Systemen mit komplexen Abfragen aufgewendet werden. Der Einsatz von LLMs ermöglicht es dem Produktionspersonal, komplexe Systeme wie digitale Zwillinge, Leitstände usw. abzufragen, ohne Codezeilen oder komplexe SQL-Abfragen schreiben zu müssen. Dies führt zu einer deutlichen Verbesserung der Reaktionsfähigkeit und Produktivität.

Schlussfolgerung

Diese drei Beispiele sind nur einige von vielen möglichen Anwendungsbereichen, in denen LLMs einen Mehrwert für die Industrie schaffen können. Wie immer hängt die wirtschaftliche Nutzung davon ab, wie Unternehmen diese Technologie einsetzen können, um sich von der Konkurrenz abzuheben. In dieser Hinsicht bieten Open-Source-Ansätze für LLMs einen nachhaltigeren Weg zur Wertschöpfung, indem sie es Unternehmen ermöglichen, die Kontrolle über ihre Daten und ihr geistiges Eigentum zu behalten.

The manufacturing industry is looking for new ways to increase automation, improve operational visibility, and accelerate product and technology development. The use of generative AI, specifically large language models (LLMs) and data intelligence platforms, offers these opportunities, and the industry has clearly recognized this, as a joint study by MIT and Databricks shows. Manufacturing companies are generating massive amounts of complex, unstructured data (sensors, images, video, telemetry, LiDAR, etc.) from connected vehicles, factories, buildings, and workers. Much of this data must be transmitted in real time and fused with key contextual data sources to meaningfully respond to important events.

Modernizing data foundations is critical if manufacturers are to capitalize on advances in AI that promise to expand the for efficiency and innovation. For the manufacturing executives surveyed, a data lakehouse will become part of the architectural foundation. As they modernize their infrastructure, manufacturers are also trying to simplify it. They are struggling to integrate from a variety of disparate data and AI systems.

With this in mind, here are three application areas where manufacturing companies can use LLMs today: Improving Customer Experience, Predictive Field Service, and More Productive Operations.

Improving the Customer Experience

LLMs will be essential to any type of personalization initiative in the near future. Essentially, the use of LLMs provides speed and consistency, the two most important attributes for a world-class customer experience, by allowing end customers to interact and resolve their needs without the need for human intervention. As automakers integrate more sensors and software into nearly every vehicle, conversational capabilities will support the design of a smarter cockpit where comfort, route planning, and entertainment settings are made through natural language prompts.

This capability can also be extended to further personalize the driving experience. Dealerships play an important role in customer service. In the future, instead of browsing multiple websites or calling to inquire about available appointments, the car owner could ask for the next available routine maintenance appointment and receive the results. Without human interaction, a consistent experience would be quickly achievable for many dealerships. When speaking with live agents, LLMs enable a more productive and successful interaction. They create an AI-driven script based on the nature of the inquiry, the customer’s open or unresolved issues, and the overall state of the relationship with the company or corporate brand. The result is a more personalized interaction.

Predictive Field Service

Another use case is field service. LLMs can support predictive maintenance, which is not only about getting predictive information about the condition of assets, but also about orchestrating the most effective actions. They help get the right people and the right parts to the right place at the right time, performing the right maintenance before unnecessary downtime occurs.

This typically starts with continuous analysis of product telemetry and sensor data to predict the risk of equipment failure in the field. Then the technician must perform a complex and lengthy review of information from numerous applications and complex technical manuals to understand how to fix the problem and then follow the procedural steps outlined in the documents – which is time-consuming, error-prone and not optimal for the end customer. It also creates a troubleshooting process that may be repeatable, but not necessarily one that adapts and learns over time.

Instead, LLMs trained specifically to troubleshoot devices could achieve much better results. First, technicians could use a conversational model to interact with technical manuals – and be directed to the right section based on the nature of the problem, saving valuable time and money. Second, by incorporating insights from 1,000 similar incidents handled by other technicians in the past, the technician can receive more prescriptive information about the most effective actions to take to achieve the best results. Finally, he can include all warranty status and documentation for the product to make the best economic decision for the end customer, making the service experience even more accurate and personalized.

Instead of struggling with a multitude of documents and manuals, engineers can rely on an expert co-pilot such as a data intelligence platform to assist them at all times. A data engineer can easily interact with a variety of data without the need for additional data knowledge. This enables faster diagnostics, the most effective maintenance actions to maximize uptime, and empowers field technicians to support more customers every day.

More productive processes

Manufacturing operations run 24 hours a day, 7 days a week, 365 days a year, requiring continuous process improvement and the management of increasingly unpredictable supply chains to deliver the right products to the right customers at the right quality. A key success factor is the flow of information between the different departments, stations and people in the production process. The answer is regular production meetings at all levels – shop floor, department and management. A recurring task to support these meetings is for operations analysts to summarize and report on key metrics and information from various systems – a repetitive and time-consuming process. The ultimate goal of these reviews is to gain insight into performance gaps and make data-driven prioritization decisions to improve operational efficiency, customer service and financial performance.

By using LLMs and data intelligence platforms, companies can spend more time understanding bottlenecks and developing recovery strategies to restore on-time delivery performance. They also spend less time processing data from disparate systems with complex queries. The use of LLMs allows production personnel to query complex systems such as digital twins, control rooms, etc. without having to write lines of code or complex SQL queries. This results in significant improvements in responsiveness and productivity.

Bottom line

These three examples are just a few of the many possible application areas where LLMs can add value to the industry. As always, commercial exploitation depends on how companies can use this technology to differentiate themselves from the competition. In this respect, open source approaches to LLMs offer a more sustainable path to value creation by allowing companies to retain control of their data and intellectual property.

Von Jakob Jung

Dr. Jakob Jung ist Chefredakteur Security Storage und Channel Germany. Er ist seit mehr als 20 Jahren im IT-Journalismus tätig. Zu seinen beruflichen Stationen gehören Computer Reseller News, Heise Resale, Informationweek, Techtarget (Storage und Datacenter) sowie ChannelBiz. Darüber hinaus ist er für zahlreiche IT-Publikationen freiberuflich tätig, darunter Computerwoche, Channelpartner, IT-Business, Storage-Insider und ZDnet. Seine Themenschwerpunkte sind Channel, Storage, Security, Datacenter, ERP und CRM. Dr. Jakob Jung is Editor-in-Chief of Security Storage and Channel Germany. He has been working in IT journalism for more than 20 years. His career includes Computer Reseller News, Heise Resale, Informationweek, Techtarget (storage and data center) and ChannelBiz. He also freelances for numerous IT publications, including Computerwoche, Channelpartner, IT-Business, Storage-Insider and ZDnet. His main topics are channel, storage, security, data center, ERP and CRM. Kontakt – Contact via Mail: jakob.jung@security-storage-und-channel-germany.de

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

Cookie Consent mit Real Cookie Banner