Dennis Stapp
Smart Products
Integrieren Unternehmen Künstliche Intelligenz (KI) in ihre Produkte, können sie den Alltag ihrer Kunden nicht nur leichter und komfortabler machen. Sie stärken darüber hinaus die Markenbindung und eröffnen sich Chancen für ihr Produktportfolio. ITK Engineering hat einen Hersteller von Hausgeräten darin unterstützt, seine Einbaubacköfen mithilfe künstlicher Intelligenz zu optimieren. Das Ergebnis: Eine leistungsstarke KI, die das bestehende Produkt erweitert und leicht anpassbar ist für neue Ofentypen oder Kategorien.
Wer kennt es nicht: Ob ständiges Nachschauen oder Holzstäbchen-Test – die richtige Garzeit beim Backen zu erwischen, ist gar nicht so einfach und hält oftmals von anderen Aufgaben ab. KI und intelligente Sensoren können hier Abhilfe schaffen und den Alltag enorm erleichtern.
Unser Kunde, Hersteller von Hausgeräten, hat dies erkannt und einen intelligenten Backofen entwickelt: Der neue, mit einer künstlichen Intelligenz (KI) und intelligenter Sensorik ausgestattete, Backofen beschert ein völlig neues Küchenerlebnis. Je nach Gericht messen und beobachten die Sensoren unterschiedliche Werte – wie Temperatur und Luftfeuchtigkeit – und errechnen mit KI die verbleibende Garzeit. Eine deutliche Stressreduzierung für Kunden und eine Möglichkeit, sich vom Wettbewerb zu differenzieren.
Die Herausforderung bei der Entwicklung datengetriebener Produkte besteht darin, gewonnene Daten nutzbar zu machen. Indem Sensoren zahlreiche Daten generieren, entsteht nicht automatisch ein Mehrwert. Vielmehr müssen diese Daten sinnvoll verknüpft und interpretiert werden.
Die vorhandene Lösung erfasste bereits zahlreiche Daten: Indem der Ofen kontinuierlich den Sauerstoffgehalt misst, kann er auf den Backfortschritt schließen. Denn: Alle Gerichte geben während des Backens Feuchtigkeit ab. Diese verdrängt den Sauerstoff, sodass der Sauerstoffgehalt sinkt. Doch die gewonnen Daten wurden noch nicht vollumfänglich genutzt. Die Vorhersagen waren noch nicht so akkurat wie gewünscht und für einige Kategorien an Gerichten gab es auch nur eine begrenzte Anzahl an Datenproben.
Zentrales Ziel war es daher, die Leistung des Algorithmus zu verbessern, um die Vorhersagevarianz zu verringern und bereits nach wenigen Minuten auf den Punkt vorherzusagen, wann ein Gericht fertig sein wird.
Um die vorhandene Lösung zu optimieren, implementierten wir state-of-the-art Machine Learning Modellarchitekturen und entwickelten ein Framework für teilautomatisiertes Training und Optimierung künstlicher Intelligenz. Unsicherheitsmodellierung ermöglicht eine bessere Prognosebewertung.
Das Ergebnis: Je nach Gericht messen die Sensoren unterschiedliche Werte – etwa Temperatur, Luftfeuchtigkeit und Einstellwert. Aus diesen Messewerten errechnet das KI-Modell die verbleibende Backdauer. Via Internet kann das Smart Device Gerichte als Update beziehen und durch anonymisierten Austausch der Sensordaten der eigenen Backvorgänge sowie der der anderen Nutzenden die KI kontinuierlich verbessern.
Die aktuelle Lösung zeichnet sich durch eine verbesserte Performance der Vorhersage aus, ist robuster gegen Varianz in einzelnen Kategorien und bietet Modelle für Mehrklassen-Kategorien. Training und Optimierung erfolgen mittels KI. Die Entwicklung ist leicht anpassbar für neue Ofentypen oder Gerichtskategorien.
