Eine neue Rezeptur kann viele Versuche kosten, bevor sie die
gewünschten Eigenschaften erreicht. Thomas Keller von Riegg &
Partner intercorp spricht mit Norman Müller darüber, wie
Unternehmen frühere Entwicklungsdaten für die Auswahl des
nächsten Versuchs nutzen können. An Beispielen aus der
Lebensmittel- und Kunststoffindustrie geht es um
Vorhersagemodelle, die Bewertung von Ergebnissen und die
Zusammenarbeit zwischen Entwicklern und KI. Wir unterscheiden
technische Herstellbarkeit vom späteren Markterfolg und fragen,
woran ein Unternehmen den Nutzen eines ersten Projekts erkennen
kann.
Kapitel
* 00:00 Einstieg: KI für konkrete Produktentscheidungen
* 01:39 Warum Thomas den Hebel in Forschung und Entwicklung sieht
* 04:42 Rezepturen, Einflussgrößen und lernende Vorhersagemodelle
* 08:01 Ein Kuchenbeispiel und zwei verschiedene Arten von Erfolg
* 10:22 Zutaten verändern, Eigenschaften erhalten
* 12:44 Entwicklungsgeschwindigkeit und wirtschaftlicher Nutzen
* 15:10 Mit einem begrenzten Proof of Concept anfangen
* 16:31 Verbesserungen am bisherigen Prozess messen
* 18:02 Mensch, Maschine und die Idee einer neuen Schokolade
* 20:24 Erfahrungswissen in Entwicklungsdaten nutzbar machen
* 23:05 Geschmack, Messwerte und vergleichbare Bewertungen
* 24:59 Vom Laborfeedback zur Wiederbestellung
* 27:24 Vorhersagen in die bestehende Laborsoftware einbinden
* 29:47 Realistische Ziele und bessere Datenerfassung
* 32:19 Erwartungen an KI-Projekte und die Arbeit mit alten Daten
* 34:18 Neue Kundenwünsche und die Grenzen vergangener
Erfahrungen
* 36:23 Was Unternehmen aus einem ersten Projekt lernen können
* 39:29 Entscheidungen und Zusammenarbeit im Projektteam
* 41:05 Modellverständnis, Partnerschaft und neue
Vergütungsansätze
* 44:36 Gemeinsame Teams und langfristige Zusammenarbeit
* 46:14 Wenn erfahrene Entwickler das Unternehmen verlassen
* 48:49 Rückblick, offene Fragen und Ausblick
Liest du hier regelmäßig mit? Dann unterstütze unsere
Arbeit mit einem bezahlten Abo.
Wir haben die Paywalls abgeschafft. Jede Woche veröffentlichen
wir neue Essays und Podcast-Folgen, auf die du kostenlos
zugreifen kannst.
Wenn du unsere Arbeit unterstützen möchtest, freuen wir uns über
ein bezahltes Abo. Damit kannst du auch an unseren Podcast
Live-Talks teilnehmen, im Live-Chat mitdiskutieren und dich im
Substack Community Chat austauschen. Zugleich hilfst du uns,
weitere Essays zu schreiben und spannende Podcast-Gäste
einzuladen.
Shownotes
* Thomas Keller auf LinkedIn:
https://www.linkedin.com/in/thomas-keller-intercorp-ki-software-entwicklung-beratung/
* Riegg & Partner intercorp. GmbH: https://www.intercorp.de/
* KI in der Produktentwicklung: Ansatz und Leistungen von
intercorp:
https://www.intercorp.de/programmierung/ki-beratung-und-implementierung-aus-oberfranken/unsere-ki-leistungen-beratung-schulung-implementierung/implementierung/deep-learning
* intercorp auf LinkedIn:
https://de.linkedin.com/company/riegg-partner-intercorp/
Was frühere Versuche über die nächste Rezeptur verraten
können
Ein Entwickler soll Zucker in einer Rezeptur ersetzen. Der Kuchen
soll weiterhin schmecken, seine Konsistenz behalten und sich auf
den vorhandenen Anlagen herstellen lassen. Mit einer anderen
Zutat verändern sich möglicherweise mehrere Eigenschaften
zugleich. Das Team muss ausprobieren, messen und nacharbeiten.
Thomas Keller nutzt dieses Beispiel in unserem Gespräch, um die
Aufgabe hinter einem Vorhersagemodell zu erklären. Er arbeitet
bei Riegg & Partner intercorp an Projekten, die Daten aus
früheren Entwicklungsversuchen für neue Entscheidungen nutzbar
machen sollen. Im Podcast berichtet er von einem Lebensmittel-
und einem Kunststoffhersteller. Die Kunden bleiben anonym.
Mich interessiert daran die Entscheidung vor dem nächsten
Versuch: Welche Variante sollte ein Team zuerst erproben? Kann es
aus früheren Ergebnissen eine bessere Reihenfolge ableiten? Und
was muss es weiterhin selbst überprüfen?
Erst klären, welchen Erfolg das Modell einschätzen soll
Ich übertrage den Ansatz zunächst auf die Frage, ob ein neuer
Kuchen am Markt erfolgreich sein wird. Thomas grenzt die Aufgabe
ein. Seine Projekte beginnen bei technischen Kriterien. Lässt
sich eine Rezeptur herstellen? Erreicht sie die gewünschte
Qualität? Bleibt sie unter den vorgesehenen Bedingungen
verwendbar?
Die spätere Nachfrage ist eine weitere Frage. Zwischen einem
Versuch im Labor und einem Produkt, das Kunden wieder bestellen,
liegen zusätzliche Schritte. Thomas beschreibt Rückmeldungen von
Testern und Kunden. Erst später können Bestell- und
Vertriebsdaten weitere Hinweise liefern. Dafür müssten die
beteiligten Systeme und ihre Informationen zusammenpassen.
Diese Trennung ist für mich der Ausgangspunkt einer vernünftigen
Beauftragung. Wenn ein Unternehmen weniger Laborversuche braucht,
ist das ein möglicher Nutzen. Ob das Produkt anschließend Käufer
findet, muss es gesondert untersuchen. Für ein erstes Projekt
lässt sich deshalb eine begrenzte technische Frage wählen, deren
Ergebnis die Entwickler beurteilen können.
Thomas beschreibt zwei Einsatzmöglichkeiten: Ein Modell kann
Vorschläge für eine Rezeptur unterstützen oder vorhandene Ideen
bewerten. In beiden Fällen soll es frühere Versuche als
zusätzliche Orientierung nutzen. Der nächste praktische Test
bleibt erforderlich.
Auch ein misslungener Versuch muss verständlich dokumentiert sein
In den Entwicklungsdaten findet Thomas eine Spur menschlicher
Erfahrung. Welche Zutat hat ein Mitarbeiter verändert? Welchen
Prozesswert hat er gewählt? Wie hat das Team das Ergebnis
bewertet? Wer über Jahre Produkte entwickelt, hinterlässt in
diesen Entscheidungen Informationen, die auch Kollegen helfen
könnten.
Damit ein Modell diese Daten nutzen kann, müssen Anforderung,
Zusammensetzung und Ergebnis zusammengehören. Eine Bemerkung wie
„zu weich“ lässt viele Fragen offen. Im Gespräch beschreibt
Thomas Bewertungsskalen, mit denen Entwickler genauer festhalten,
wie stark ein Ergebnis vom Ziel abweicht.
Bei Lebensmitteln spielt außerdem die sensorische Beurteilung
eine Rolle. Thomas erzählt von Teams, die sich auf eine
gemeinsame Bewertung verständigen. Das beschreibt die Praxis
dieser Fälle. Es ersetzt keine allgemeine Prüfung, wie
verlässlich unterschiedliche Personen denselben Versuch
beurteilen.
Für das nächste Projekt würde ich mir deshalb einige vorhandene
Versuchseinträge zeigen lassen. Kann jemand daraus
nachvollziehen, was das Team erreichen wollte, was es tatsächlich
ausprobiert hat und woran der Versuch scheiterte? Wenn diese
Verbindung fehlt, beginnt die Arbeit bei der Erfassung. Thomas
berichtet, dass solche Verbesserungen bereits während der ersten
Workshops entstehen können.
Der Vergleich mit dem bisherigen Prozess entscheidet über den
Nutzen
Thomas argumentiert, dass schon wenige vermiedene Versuche
wirtschaftlich relevant sein können. Wie viel das ausmacht, hängt
von Material, Personal, Anlagenbelegung und der Zahl der
Entwicklungen ab. Seine Zahlen im Gespräch illustrieren diesen
Gedanken. Wir legen damit keine überprüfte Erfolgsrechnung der
beiden Kundenprojekte vor.
Ein Unternehmen sollte vor einem Test festhalten, wie es die
entsprechende Aufgabe bisher löst. Wie viele Versuche benötigt
es? Welche Qualität muss es erreichen? Welche Kosten entstehen
dafür? Anschließend lässt sich prüfen, ob die Unterstützung durch
ein Modell den Ablauf verbessert.
Zur Rechnung gehören auch Datenaufbereitung, Integration und
laufende Betreuung. Ein schneller Vorschlag allein genügt als
Maßstab nicht. Die Entwickler müssen damit arbeiten können und
das Ergebnis anschließend praktisch überprüfen.
Thomas legt deshalb Wert auf die Einbindung in die vorhandene
Laborsoftware. Die Mitarbeiter sollen Vorhersagen dort erhalten,
wo sie bereits arbeiten. Wenn eine zusätzliche Anwendung viele
Umwege verlangt, kann sie im Alltag ungenutzt bleiben. Der Zugang
zum Modell ist damit selbst ein Teil des Projekts.
Offen bleiben im Gespräch konkrete Angaben zur Prognosegüte der
beiden Vorhaben: Welche neuen Fälle wurden geprüft? Wie häufig
lag das Modell falsch? Wie viel Aufwand fiel insgesamt an? Für
eine Inv…
Get full access to VENTURE AI STACK at
www.ventureaistack.com/subscribe
Kommentare (0)
Melde dich an, um einen Kommentar zu schreiben.