Künstliche Intelligenz (KI) gilt als eine der Schlüsseltechnologien der Digitalisierung. Auch im Bereich der Produktentwicklung werden ihr viele Potenziale zu Effizienz- und Effektivitätsgewinnen zugesprochen. Fest steht, dass der Einsatz von KI schon lang kein Hype mehr ist, sondern bereits im Alltag vieler Unternehmen angekommen ist. Auch die Entwicklung ganz neuer datengetriebener Services und Geschäftsmodelle wird durch KI ermöglicht. In unserem Insights-Artikel finden Sie einen Einstieg in die KI-Technologie, einen Einblick in unsere KI-Studie über die Auswirkungen und Einsatzmöglichkeiten von KI, zwei Anwendungsbeispiele aus unseren Projekten sowie einen Ausblick in die Zukunft der Produktentwicklung.

Aktuelle Entwicklungen in der Produktentwicklung

Insgesamt steht die Forschung und Entwicklung vor verschiedenen, sich ständig ändernden Rahmenbedingungen. Der Wandel in Technologie, Markt und Gesetzgebung erfolgt in unterschiedlichen Geschwindigkeiten. Während im Bereich der Digitalisierung die Technologie große Sprünge macht und neue Geschäftsmodelle wie zum Beispiel beim autonomen Fahren ermöglicht, hinkt die Gesetzgebung mit einem entsprechenden Rechtsrahmen hinterher. Hinzu kommen immer kürzere Lebenszyklen von digitalen Technologien und sich rasant ändernde Kundenanforderungen. In diesem komplexen Umfeld verspricht die künstliche Intelligenz Lösungen, die die F&E zukunftsfähig machen und nachhaltig stärken sollen.

Was ist KI?

Von der Bilderkennung über Sprach- und Textverstehen bis hin zu Robotik und virtueller Realität – die Technologien, die der Künstlichen Intelligenz zugerechnet werden, haben vielfältige Ausprägungen.

Grundsätzlich kann der Begriff der künstlichen Intelligenz vereinfacht als Technik verstanden werden, die Computer dazu befähigt, Leistungen des menschlichen Gehirns zu erlernen und anzuwenden. Hierbei spielt die Art und Weise des Lernens eine zentrale Rolle. Innerhalb der künstlichen Intelligenz existieren mehrere Teilbereiche, die sich mit Lernen befassen, wie beispielsweise Machine Learning und Deep Learning.

Machine Learning beschreibt, wie Algorithmen aus Daten Erfahrungen abstrahieren können. Hierzu finden unterschiedliche Techniken Anwendung. Diese lassen sich in überwachtes und unüberwachtes Lernen einteilen. Überwachtes Lernen nutzt vorhandene Input- und Output-Daten, um damit ein Modell zu trainieren, das anschließend Vorhersagen machen soll. Beim unüberwachten Lernen werden nur Inputdaten benötigt. Der Algorithmus sucht innerhalb der Daten nach vorhandenen Mustern oder Zusammenhängen, ohne vorher aus einem vorklassifizierten Datenset Wissen abstrahiert zu haben. Aktuelle Entwicklungen in der KI umfassen fortschrittliche Modelle wie Transformer (z. B. GPT-4), die große Fortschritte im Sprachverstehen und -erzeugen ermöglicht haben. Außerdem gewinnt die Diskussion über KI-Ethik und verantwortungsvolle KI zunehmend an Bedeutung, insbesondere in Bezug auf Bias, Datenschutz und Transparenz. Erklärbare KI (Explainable AI, XAI) wird entwickelt, um die Entscheidungsprozesse von KI-Systemen transparenter und verständlicher zu machen. Zudem kombinieren multimodale KI-Ansätze verschiedene Datentypen (z.B. Text, Bild, Audio) in einem einzigen Modell, was umfassendere und kontextbewusstere Anwendungen ermöglicht.

In der Produktentwicklung und Forschung bietet sich KI als Lösung für vielzählige und unterschiedlichste Problemstellungen an. Bereits vor einigen Jahren gewann das Thema zunehmend an Relevanz – spätestens jetzt, seitdem ChatGPT in aller Munde ist, sollten Sie die Integration von KI in Ihrem Unternehmen und der Entwicklung von Innovationen in Betracht ziehen.  

Abbildung 1: Unterscheidung zwischen künstlicher Intelligenz, Machine Learning und Deep Learning.

KI im Produktentwicklungsprozess

Der Produktentwicklungsprozess beschreibt Tätigkeiten, die von einer Idee bis zum Markteintritt eines serienreifen Produktes angewendet wurden. Als Kernprozess der F&E bietet der Produktentwicklungsprozess mit flankierenden Prozessen viele Einsatzmöglichkeiten für KI wie zum Beispiel bei der Optimierung von Prototypen und Produktqualität, der Erstellung von Simulationen, als unterstützendes Tool bei der Marktforschung oder auch bei der Ideenfindung. Die folgende Grafik gibt eine Übersicht eines beispielhaften Produktentwicklungsprozesses. Zusätzlich werden einige der bereits bekannten Anwendungsfälle der KI dargestellt.

Abbildung 2: Mögliche Anwendungsfälle für KI in der Produktentwicklung.

In unserer Studie wurden mehrere Prozesse und Use Cases identifiziert, die fest KI in der Produktentwicklung verankert haben. Dazu zählen unter anderem die..

• …Bedürfnis- und Trend-Analyse anhand von drei Millionen Kommentare aus Foren, Blogs und sozialen Netzwerken (User Generated Content – UGC)
• …Generierung von Lastenheften unter Berücksichtigung der Situations- und Kundenspezifika und der Erstellung einer Anforderungs- und Potenzialanalyse
• …Durchsuchung von Wissens- / Expertendatenbanken zum Beispiel zur Patentrecherche oder Identifikation von „Whitespots“
• …Verifizierung und Prüfung von technischen Spezifikationen zur Einhaltung von ausgewählten Normen

Die vollständige Liste aller Use Cases und Einsatzbereiche der Top Performer finden Sie in der Download-Version.

Herausforderungen in der Produktentwicklung

Im Rahmen der Herausforderungen für KI in der Produktentwicklung stehen Unternehmen vor einer Reihe komplexer Aufgaben. Einer der Hauptpunkte ist die Identifizierung eines überzeugenden Business Case. Es ist entscheidend, Projekte auszuwählen, die nicht zu komplex sind, um den Mehrwert von KI klar und verständlich darstellen zu können. Zudem ist das Erfassen relevanter Kennzahlen im KI-Kontext, wie der Aufwand für KI-Implementierungen und der Return on Investment (ROI), von großer Bedeutung.

Ein weiteres signifikantes Hindernis ist das erforderliche Mindset. Häufig werden der Nutzen und die Chancen, die KI bietet, nicht deutlich aufgezeigt, was zu einer mangelnden Unterstützung und einem geringen Verständnis im Management führt. Darüber hinaus muss das Vertrauen in und die Offenheit für KI-Technologien innerhalb der Organisation gestärkt werden, um eine breitere Akzeptanz und Etablierung in den Prozessen zu fördern.

Ein weiteres wesentliches Hindernis in der Entwicklung von KI-Anwendungen ist der spürbare Mangel an Software-Ingenieuren, die über spezialisiertes KI-Know-how verfügen. Dieser Fachkräftemangel kann den Fortschritt und die Einführung von KI-Technologien in Produkten erheblich bremsen. Top-Performer setzen deshalb auf den Aufbau von externen Kontakten zu Hochschulen und anderen Unternehmen, um Experten mit KI-Skills zu akquirieren.

Schließlich spielen Daten eine große Rolle in der Effektivität von KI-Anwendungen. Eine tiefere Einsicht in diesen Aspekt bietet unsere Studie, die detaillierte Analysen und Erkenntnisse zum Umgang mit Daten in KI-Projekten enthält. Diese Informationen sind entscheidend, um die Herausforderungen in der KI-gesteuerten Produktentwicklung besser zu verstehen und zu adressieren.

Aktuelle KI-Trends in der Produktentwicklung

Insgesamt konnten wir in unserer Studie fünf Trends zum Thema KI in der Produktentwicklung identifizieren. Einer davon ist beispielsweise „Embedded KI“.

Diese innovative Herangehensweise ermöglicht es KI-Systemen, eigenständig innerhalb eines Geräts oder einer Softwareanwendung zu operieren. Der entscheidende Vorteil dieser Technologie liegt in ihrer Fähigkeit, Aufgaben autonom und lokal auszuführen. Dies bedeutet, dass die KI unmittelbar auf interne Daten zugreifen und schnell Entscheidungen treffen kann, ohne eine Verbindung zu externen Servern oder Cloud-basierten Diensten herstellen zu müssen.

Durch die Nutzung von „Embedded KI“ können Geräte und Anwendungen schneller reagieren und agieren dabei datenschutzfreundlich, da die Daten das Gerät nicht verlassen müssen. Dies ist nicht nur für die Effizienzsteigerung entscheidend, sondern auch für die Implementierung von KI in sicherheitskritischen Umgebungen, wo Schnelligkeit und Datenschutz oberste Priorität haben.

Auch Quantencomputer, Sustainable KI oder das Prinzip des Transfer Learnings stehen bei den Entwicklungspotenzialen der KI weit oben.

Das unterscheidet Top-Performer von anderen Unternehmen

Top-Performer heben sich von anderen Unternehmen vor allem durch ihre Fähigkeit ab, eigene KI-Tools zu entwickeln. Dabei achten alle befragten Unternehmen darauf, die Tools auch für Laien und Nicht-Experten zugänglich zu gestalten, sodass auch diese sie effektiv nutzen können. Darüber hinaus generieren die führenden Unternehmen ihre Trainingsdaten für KI-Modelle selbst und sind somit nicht auf externe Datenquellen angewiesen. Dies ermöglicht eine größere Kontrolle über die Qualität, Relevanz und Transparenz der Daten, die für das Training der Algorithmen verwendet werden.

Ein weiterer entscheidender Faktor, der Top-Performer von anderen Unternehmen unterscheidet, ist beispielsweise ihre Fähigkeit, die Organisationsstruktur anzupassen. Diese Anpassung ermöglicht eine bessere Integration von KI-Technologien in den betrieblichen Alltag, fördert die Zusammenarbeit zwischen verschiedenen Abteilungen und erleichtert die schnelle Umsetzung von innovativen KI-gestützten Lösungen. Durch diese strategischen Maßnahmen können Top-Performer ihre Effizienz steigern und einen signifikanten Wettbewerbsvorteil erlangen.

Praxisbeispiel im Detail: Forenanalyse

In der Automobilindustrie wandelt sich das traditionelle Kundenbild. Neue Antriebstechnologien schaffen neue Rahmenbedingungen für den Kunden.

Trotzdem erfolgt der Reality Check für viele Produzenten erst beim Verkauf – also lange nach der Produktentwicklung. Die großen Fragen bleiben bis dahin:

• Welche Features beeinflussen die Verkaufsentscheidungen?
• Welche Features nimmt meine Zielgruppe gar nicht wahr?
• Unterscheiden sich die Präferenzen bei den unterschiedlichen Zielgruppen?
• Welche Wünsche haben meine Zielgruppen?

Um herauszufinden, was Kunden wollen, muss man ihnen zuhören. In Zeiten von Künstlicher Intelligenz muss man dafür keine Interviews mehr führen, sondern kann Meinungen analysieren, die schon ohne unsere aktiven, ggf. beeinflussenden Fragen mit der Welt geteilt wurden.

Elektromobilität-Interessierte äußern sich in einer Vielzahl von Beiträgen in sozialen Netzwerken im Internet. Um Kundenwünsche aus der Masse der Informationen besser zu verstehen, wurden die Informationen mit Hilfe von künstlicher Intelligenz aufgearbeitet und strukturiert.

Insbesondere Unternehmen im B2B Business ist oft gar nicht klar, wie rege online über ihre Produkte und Markttrends, die ihre Branche maßgeblich beeinflussen, diskutiert wird. Damit verpassen Unternehmen die Chance, für sie relevante Themen, Trends und deren Verbindungen untereinander zu nutzen.

KI zusammen mit neuartigen Analysen und Visualisierungen, die Kundenbedürfnisse, Trends und Themen in großen Textmengen greifbar machen, bringt Struktur in das Text-Durcheinander: Beispielsweise durch die automatisierte Ermittlung von Stereotypen (sog. data-driven Personas) aus einer Menge an Online-Kommentaren und die interaktive Exploration von semantischen Themen-Zusammenhängen.

Technologisch kam das Projekt die automatisierte Textanalysepipeline NIZE von datanizing zum Einsatz, u.a. mit Verfahren aus dem Bereich des überwachten Lernens (Klassifikation) und des unüberwachten Lernens (Clustering und Dimensionsreduktion) sowie semantische Verfahren.

Herausforderungen

Das Internet bietet mit nutzergenerierten Inhalten, das heißt Konversationen in Foren, Blogs und Social Media, einen zu großen Teilen ungehobenen wertvollen Datenschatz. Die erste Herausforderung bestand darin, relevante Online Diskussionen rund um das Thema E-Mobility zu identifizieren. Im zweiten Schritt sollte die automatisierte Analyse und Aufbereitung der Texte in einem Dashboard erfolgen, um die interaktive Exploration der Texte und schlussendlich die einfache Ableitung von Insights zu ermöglichen.

Ziel

Ziel des Pilotprojektes war eine automatisierte Herausarbeitung und Analyse von Kundenanforderung in Bezug auf Elektromobilität mit Hilfe von Machine Learning. Die gewonnen Informationen sollen dabei helfen Kundengruppen, ihre Anforderungen und Hauptinteressen besser zu verstehen. Zusätzlich wird ein Monitoring und die kontinuierliche Beobachtung von Kundengruppen und ihren Wünschen ermöglicht.

Im zweiten Schritt sollen die gewonnenen Erkenntnisse bei der kundenzentrierten Produktentwicklung durch die Ideation neuer relevanter Produkte, der Priorisierung von Anforderungen sowie dem Abgleich der bereits dokumentierten Anforderungen mit den Kundenwünschen eingesetzt werden.

Vorgehen

Innerhalb des Projektes wurden automatisiert Datenquellen wie Online Blogs und User Generated Content in Foren und Netzwerken auf Relevanz analysiert. Die datanizing Algorithmen sammelten automatisiert relevante Inhalte zum Thema Elektro-Mobilität und rankten diese nach Relevanz. Mit diesem Verfahren wurden mehr als 1 Mio. deutschsprachiger Beiträge zum Thema Elektromobilität von ca. 12.000 Personen identifiziert. Diese Konversationen enthielten Anforderungen, Problemstellungen und Wünsche der Zielgruppe.

Millionen Posts von Elektromobilitätsbegeisterten nach versteckter Struktur und Trends zu analysieren – das geht nicht ohne fortgeschrittene Technik. Deswegen erfolgte anschließend die Veredelung der Daten mit Machine Learning. Hierzu wurden mit einem Set von Machine Learning Methoden die vorhandenen Datenmengen analysiert und verarbeitet. Dabei wurden unter anderem die KI Methodik des Topic Modelings eingesetzt. Hier werden Topics erstellt, welche die Anhäufung von Wörtern zu einem Thema darstellen. Auch semantische Analysen wurden angewendet.

Die Ergebnisse wurden intuitiv in Dashboards angezeigt. So wurde die Insight Ableitung aus einer Million deutschsprachiger Beiträge Elektromobilitätsbegeisterter für die Fachexperten der 3DSE einfach möglich.

Abbildung 5: Texte automatisch mit KI analysieren.

Ergebnisse

Durch den Einsatz der KI konnten zwei Hauptergebnisse erarbeitet werden: Die Analyse der Onlinebeiträge ergaben einerseits Daten-getriebene Personas sowie Semantische Karten zu den wichtigen Themen der Kunden.

Insbesondere wenn man ganz neue Produkte/Services für Elektromobil-Fans entwickeln möchte, sollte man zunächst wissen, in welche Stereotypen sie zerfallen. Wir müssen verstehen, welche Themen die Menschen bewegen, um die richtigen Produkte für sie zu entwickeln. Dabei können data-driven Personas helfen. Persona Modelle stellen Stereotypen dar. In diesem Fall also, welche Stereotypen sich hinter den Diskussionsteilnehmern aus den einschlägigen Foren verbergen.

Um datengetriebene Personas zu ermitteln, aggregiert ein Verfahren aus unüberwachten Machine Learning Algorithmen eine Millionen Meinungen elektromobil-interessierter Deutscher zu sechs data-driven Personas.

Die folgende Grafik gibt eine Übersicht der ermittelten Personas. Mit Hilfe von Wortwolken werden die Themenschwerpunkte innerhalb der Personas dargestellt. Zusätzlich stellt das Pie-Chart die Häufigkeit und den Anteil der Themen an der gesamten Online-Diskussion dar. So wird die Segmentation der Zielgruppe möglich. Den größten Anteil an der Diskussion hat die Persona 1, die Themen rund um das Finden und Benutzen von Ladesäulen bewegt.

Abbildung 6: Data-driven E-Mobility Personas.

Um herauszufinden, über was diese Personen im Kontext Ladesäulen sprechen, benötigen wir andere Verfahren der Künstlichen Intelligenz und andere Arten der Visualisierung.

Mit Hilfe des durch datanizing entwickelten Verfahrens, das u.a. auf semantischen Embeddings beruht, wurden semantische Karten generiert. Diese Karten stellen einen zentralen Begriff seinen Kontextinformationen in Form einer Mindmap gegenüber. Entlang der Äste wird auf einer metrischen Skala der Zusammenhang zweier Begriffe dargestellt.

Die Darstellung der semantischen Karte zum Thema „Säule“ zeigt einen Überblick, welche Informationen den Menschen in diesem Kontext wichtig sind. Die semantische Karte liefert uns erste Erkenntnisse über Situationen, in der Personen eine Ladesäule benötigen – sie wollen Restaurants besuchen, Einkaufsbummel oder Wanderungen machen und auch bei der Arbeit einen Stellplatz für ihr Elektrofahrzeug vorfinden.

Die nachfolgende Grafik zeigt einen Ausschnitt der semantischen Karte zum Thema Ladesäule.

Abbildung 7: Semantische Karte zum Thema „Ladesäule“.

Online-Quellen bieten eine sehr gute Datengrundlage, um potenzielle Zielgruppen mit deren Erwartungen und Pain Points besser zu verstehen – und die eigenen Produkte darauf auszurichten.

Ehemals nur statische und nur einmal (oder gar nicht) durchgeführte Analysen großer Textmengen können heute dank KI automatisch, regelmäßig und auf Basis noch größerer Datenmengen durchgeführt werden.

Diskussionsthemen und Bedürfnisse ändern sich im Laufe der Zeit. Durch kontinuierliche Beobachtung von Kundengruppen und Hauptinteressen in Online-Quellen wird es möglich frühzeitig zu erkennen, wann welche Themen relevant werden.

Fazit zu KI in der Produktentwicklung

Künstliche Intelligenz wird seinen Stellenwert als Technologie in Zukunft weiter ausbauen. Dient sie heute als Assistenzfunktion, wird sie in Zukunft als autonomer Entscheider eingesetzt werden können. Zum heutigen Zeitpunkt spricht man von Assisted Intelligence, der Bereitstellung von unterstützender Intelligenz und Automatisierung von sich wiederholenden oder zeitaufwändigen Prozessen. Hierbei kann speziell die Analyse großer Textmengen oder Simulationsprogramme angeführt werden.

Mittelfristig wird die Augmented Intelligence auf uns zukommen. Hier werden Mensch und Maschine noch enger zusammenarbeiten und Entscheidungen treffen. Beispielsweise durch digitale Engineering Assistenten mit generativem Design oder die automatisierte Auswertung von Live Daten und dem Ableiten von Maßnahmen für die Produktentwicklung.

Langfristig gehen Experten davon aus, dass adaptive, kontinuierliche, intelligente Systeme die Entscheidungsfindung übernehmen. Hierbei können als Beispiele autonome Finanz- und Handelsassistenten oder selbstfahrende Systeme angeführt werden.

Unsere Studie zur KI in der Produktentwicklung, verdeutlicht den weitreichenden Einfluss von KI auf die Produktentwicklung und zeigt auf, welche Voraussetzungen erfüllt sein müssen, um sich als Top Performer auf dem Markt zu positionieren. Herausforderungen wie der Mangel an qualifizierten KI-Software-Ingenieuren und die Notwendigkeit eines angepassten Mindsets gilt als eine der Hürden, die es für Unternehmen zu überwinden gilt. Top-Performer setzen sich durch die Entwicklung eigener, auch für Nicht-Experten nutzbarer KI-Tools und die Eigenproduktion von Trainingsdaten ab. Diese Erkenntnisse bieten wertvolle Ansätze, um KI effektiv in der Produktentwicklung zu nutzen und somit Wettbewerbsvorteile zu erzielen.