
Siemens: AI Demand Prediction Plattform für die industrielle Produktionsplanung
Projektdauer: seit Februar 2022
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.
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.
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.
Effizienzsteigerung durch AutoML: Automatisiertes Finden passender ML-Modelle für verschiedene Datensätze
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.
Effiziente Zeitreihenanalyse mit AutoML und individueller Algorithmus-Entwicklung in der Siemens IT-Landschaft
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.

Das wichtigste Erfolgskriterium dieses Machine-Learning-Projekts ist eine einheitliche und skalierbare Lösung, die sowohl die Vielfalt unserer Produkte als auch manuell geplante Werke effektiv einbindet. Diese Synergie, maßgeschneidert durch MaibornWolff, zeigt den wahren Wert des Projekts.
Unsere Referenzen & Projekte
Eine Referenz sagt mehr als 1.000 Worte. Zum Glück haben wir davon Dutzende. Klicken Sie sich durch eine Auswahl unserer spannendsten Projekte und überzeugen Sie sich selbst!
-
MAN: Effiziente Bedrohungsanalyse für SteuergeräteMehr erfahren
Mit der Digitalisierung steigen die Cyberrisiken – besonders für MANs neues Steuergerät CM4. Unsere Expert:innen nutzen die 4×6 Methodik und ThreatSea, um Bedrohungen frühzeitig zu erkennen und gezielte Schutzmaßnahmen zu entwickeln. Erfahren Sie, wie MAN mit intelligenter Risikoanalyse die Sicherheit seiner Fahrzeuge stärkt.
Mehr erfahren7 MonateProjektdauer
Über 20 WorkshopsBedrohungsanalysen
Über 500potenzielle Risiken evaluiert
-
Siemens: AI Demand Prediction Plattform für die industrielle ProduktionsplanungMehr erfahren
Mit der AI Demand Prediction Plattform schaut Siemens in die Zukunft. Dank Machine Learning und AutoML lassen sich für über 100 Produkte präzise Nachfragevorhersagen erstellen und die Produktion besser planen. Als Proof of Concept gestartet, entwickelte sich die Plattform schnell zu einem produktiv nutzbaren System. Die Self-Service-Web-Applikation wird bald in weiteren Werken eingesetzt.
Mehr erfahrenProjektdauerSeit Februar 2022
Proof of Conceptin wenigen Wochen
Zeitserien-Vorhersagefür 100 verschiedene Produkte
-
TÜV NORD GPT: Entwicklung der KI-AssistenzMehr erfahren
Schneller relevante Informationen finden, indem Sie mit Dokumenten chatten? Das geht! Die TÜV NORD GROUP setzt GPT-Technologie in der sicheren Microsoft Azure Cloud ein. Mit dem Ziel, das Wissens-Management und die Effizienz zu optimieren. Das System ermöglicht neue Nutzungsmöglichkeiten im Prüfkonzern und wird sicher betrieben. Erfahren Sie jetzt mehr über das innovative KI-Assistenzsystem.
Mehr erfahrenProjektdauerseit September 2023
33.000GPT-Anfrangen im ersten Monat
ChatGPT Modell 4in der europäischen Microsoft Azure Cloud
-
Schöck Bauteile: Verbesserung des AnforderungsprozessesMehr erfahren
Gemeinsam mit MaibornWolff optimierte der Spezialist aus der Bauwirtschaft das Anforderungsmanagement seiner Bemessungssoftware Scalix. Dank des Digital Design Ansatzes wurden die fachlichen Anforderungen neu spezifiziert und die Software nutzerzentriert weiterentwickelt. Ziel ist es, die Zufriedenheit der User kontinuierlich zu steigern und interne sowie externe Interessen zu integrieren. Lesen Sie jetzt mehr über die Methodik und Ergebnisse!
Mehr erfahrenProjektdauerseit 2022
Teamgröße2-3 Digital Designer:innen
In 2024Scalix ersetzt alte Software -
VW: Digitalisierung von Produktionskennzahlen mit der App iProcessMehr erfahren
Weniger Papier, mehr Effizienz: Volkswagen ersetzt analoge Prozesse durch die iProcess-App. Cloud-native Technologien und Digital Design ermöglichen eine intuitive Erfassung und Analyse von Produktionskennzahlen. Das steigert Transparenz, Overall Equipment Effectiveness und ebnet dem Automobilkonzern den Weg für Predictive Maintenance.
Mehr erfahrenProjektdauerSeit Januar 2021
Teamgröße5 bis 10 Personen
Schnelle App-Entwicklungdank Digital Design
-
DER Touristik: In 7 Monaten zum digitalen ReisebegleiterMehr erfahren
Reiseinfos, Buchungen, Support – alles in einer App. MaibornWolff entwickelte mit Flutter eine plattformübergreifende Lösung für DER Touristik. In nur sieben Monaten entstand eine stabile App für iOS und Android, die mehrere Marken, Sprachen und Länder unterstützt. So geht Kundennähe auf Reisen.
Mehr erfahren7 Monatevom Kickoff zum Go Live
iOS und Androiddigitale Reisebegleitung
Whitelabelling-LösungUnkomplizierte Einbindung weiterer Marken, Sprachen und Länder
-
Mixed Reality: Mit einem realen Auto in virtueller Welt fahrenMehr erfahren
Virtuelles Racing im echten Auto? MaibornWolff machte es für den BMW M möglich. Innerhalb von drei Monaten entwickelten wir mit Unreal Engine 4 einen Prototyp, der Fahrzeugsignale hochperformant verarbeitet und ein immersives Fahrerlebnis ohne Motion Sickness schafft. Das Cockpit bleibt real, die Umgebung wird zur Rennstrecke.
Mehr erfahren<3 Monatevon der Vision zum Prototyp
3D-Anwendungenin Echtzeit
TeamUnreal-Entwicklung, XR Technologie, Game Design, Smart Devices, 3D-Content
-
KUKA: Weboberfläche für ein neues Human Machine InterfaceMehr erfahren
Robotik neu gedacht: KUKA entwickelt mit uns iiQKA.OS – ein Betriebssystem mit intuitivem Web-HMI. Durch Webtechnologien und Scrum-Methoden ermöglichen wir flexible Anpassungen und eine einfache Steuerung. Offene Zusammenarbeit macht die Robotik zugänglicher als je zuvor.
Mehr erfahrenZielAblösen der aktuellen Steuerungssoftware
iiQKA.OSSchnelle und intuitive Entwicklung
> 11.000 StundenProjektarbeit
-
STIHL: Mähroboter iMOW per App steuernMehr erfahren
Mähroboter neu definiert: Der iMOW von STIHL macht Rasenpflege smarter. Unsere Software-Expertise kombiniert mit STIHLs Hardware-Know-how sorgt für eine intuitive App-Steuerung. Das Ergebnis? Ein vernetztes Gerät, das die Gartenarbeit erleichtert – einfach, effizient, innovativ.
Mehr erfahrenProjektdauerseit August 2020
Mährobotervia App steuern
Prozessoptimierungbeim Kunden
-
DEKRA: Dank Co-Creation zur modernen Enterprise ArchitectureMehr erfahren
Neue IT für eine nachhaltige Zukunft: der globale Prüfkonzern musste seine IT-Landschaft modernisieren. Mit Co-Creation entstand eine harmonisierte Architektur und die EA Community fördert den länderübergreifenden Austausch, für eine starke IT bis 2025 – und darüber hinaus.
Mehr erfahrenWichtigste Methode:Aufbau einer EA-Community
Erstelltes KonzeptEnterprise Architecture
Zusammenarbeitauf Augenhöhe
-
digikoo GmbH: Apple Vision Pro für StadtplanerMehr erfahren
Städte smarter planen: Gemeinsam mit der TUM entwickelten wir das 3Digipad für Apple Vision Pro. Es visualisiert komplexe Energiedaten in 3D und macht Szenarien intuitiv greifbar. Dynamische Gebäudedaten und KPIs unterstützen Stadtplaner bei nachhaltigen Entscheidungen.
Mehr erfahren4 MonateProjektdauer
3D-Karte mit KPIsGebäudedaten dynamisch darstellenEnergiedatenImmersive Visualisierung -
digikoo: Eine Datenplattform für die Azure CloudMehr erfahren
Strukturierte Geo-Daten, automatisierte Qualitätssicherung, nahtlose Bereitstellung – für Digikoo entwickelten wir eine leistungsstarke Snowflake-Datenplattform auf Azure. Sie erleichtert Data Scientists die Analyse und legt die Basis für präzise Prognosen und neue Use Cases.
Mehr erfahren5 MonateProjektdauer
Klimawendedigital planen und effizient umsetzen
Foundation DatenplattformMicrosoft Azure Cloud
Warum MaibornWolff
Wir bilden Prozesse und Geschäftsmodelle digital ab – End-to-End. Unsere Experten sind spezialisiert in den Bereichen Data Engineering, Data Analytics, Data Science und Data Strategy Consulting. Bei Schnittmengen zwischen den Bereichen Data Analytics und IT Modernization oder Mobile Engineering und Software Testing greifen wir auf unser Team von über 900 IT-Profis zurück, um Ihr Projekt reibungslos zu verwirklichen.