Im Rahmen eines von der Logistik-Initiative Hamburg organisierten Workshops mit Ingenics Consulting präsentierte pacemaker.ai, ein als Corporate Venture von thyssenkrupp gegründeter Softwareanbieter, seine KI-gestützten Supply-Chain-Lösungen. Das System nutzt Mustererkennung in großen Datenmengen und analysiert Verkaufszahlen, saisonale Schwankungen und Wetterdaten, um Nachfrageprognosen zu erstellen und Lieferketten unter anderem im Hinblick auf CO2-Emissionen zu optimieren.
KI-gestützte Nachfrageprognose optimiert Produktionsplanung in der Fleischverarbeitung
Ergänzend wurde ein digitales Assistenzsystem mit Spracherfassung skizziert, das ERP-Daten direkt per Sprache erfassen und so manuelle Eingabefehler reduzieren soll. Voraussetzung für die Umsetzung war die Bereitstellung und Aufbereitung historischer Absatz- und Beschaffungsdaten sowie ganztägige Mitwirkung von Betriebsleitung und IT-/Planungspersonal. Als nächster Schritt wurde die Entwicklung eines KI-Prototyps mit strukturierter Dokumentation des vorhandenen Erfahrungswissens angestoßen. Der Fall zeigt exemplarisch, wie mittelständische Lebensmittelproduzenten mit begrenzten Digitalisierungsressourcen datenbasierte Prognosen in bestehende Planungsprozesse integrieren können.
KI-Baukalkulations-Assistent für schnellere Angebotserstellung
Grundlage ist eine Vektordatenbank, in die vergangene Angebotskalkulationen per Sprachmodell eingebettet werden, sodass der Suchalgorithmus semantisch statt nach exakten Wortübereinstimmungen sucht. Kalkulatorinnen und Kalkulatoren behalten dabei die volle Kontrolle: Sie bestimmen, welche früheren Projekte einbezogen werden und wie stark automatisiert einzelne Positionen des Leistungsverzeichnisses berechnet werden, von einzelnen Vorschlägen bis zur weitgehend automatischen Kalkulation ganzer Leistungsverzeichnisse. Entwickelt wurde die Lösung nutzerzentriert mit eigenen Personas, User-Journey-Analysen und Klick-Dummy-Tests. Für den Kalkulationsalltag bedeutet das mehr Zeit für komplexe, hochpreisige Positionen, während Routinepositionen von der KI vorbereitet werden, was angesichts des Fachkräftemangels in der Baubranche unmittelbar übertragbar auf andere Bauunternehmen mit vergleichbaren Ausschreibungsprozessen ist.
KI-Nachfrageprognose mit Google Cloud TiDE beim Versandhändler OTTO
Ausgangslage war die Herausforderung klassischer Prognosemodelle, sowohl kurzfristige Nachfrageschwankungen als auch langfristige saisonale Muster über ein extrem heterogenes Sortiment hinweg abzubilden, inklusive Preis- und externer Einflussfaktoren. OTTO nutzt dafür das von Google Research entwickelte Time-series-Dense-Encoder-Modell (TiDE), trainiert auf Vertex AI mit historischen Verkaufsdaten aus BigQuery und produktiv betrieben auf Google Kubernetes Engine. Voraussetzung war eine bestehende Cloud-Dateninfrastruktur sowie die Zusammenarbeit mit Google Research zur Modellentwicklung. Die Prognosen nutzen Demand-Analysten bei OTTO zur Steuerung von Lagerbeständen und dynamischer Preisgestaltung. Laut OTTO verbesserte sich die Prognosegenauigkeit um bis zu 30 Prozent, wodurch Lagerkosten gesenkt, Umsatz durch bessere Verfügbarkeit gesteigert und Verschwendung reduziert werden konnte. Der Ansatz ist auf andere Handelsunternehmen mit breitem, volatilem Sortiment übertragbar.