Neue Rezepturen, Materialien oder Produktvarianten kosten Zeit und Geld. Besonders teuer wird es, wenn sich erst nach mehreren Versuchsreihen zeigt, dass eine Idee die gewünschten Eigenschaften nicht erreichen kann.

Mit Deep Learning und anderen Verfahren des maschinellen Lernens machen wir Daten aus früheren Produktentwicklungen für neue Entscheidungen nutzbar.

Das Ziel: früher erkennen, welche Entwicklungsansätze erfolgversprechend sind und wo ein hohes Risiko für Fehlversuche besteht.

Ihre bisherigen Entwicklungsdaten können mehr, als nur dokumentieren

Über Jahre entstehen in Entwicklung, Labor und Produktion wertvolle Daten:

• Welche Materialien wurden eingesetzt?
• Welche Rezepturen wurden getestet?
• Welche Prozessparameter wurden verwendet?
• Welche technischen Eigenschaften wurden erreicht?
• Wo entstanden Fehler oder Ausschuss?
• Welche Varianten bestanden die Prüfungen?
• Welche Kundenanforderungen konnten erfüllt werden?
• Welche Entwicklung wurde abgebrochen und warum?

Häufig werden diese Informationen nur rückblickend genutzt.

Wir entwickeln Systeme, die daraus Prognosen für neue Produktideen ableiten.

Damit wird aus vergangener Erfahrung eine zusätzliche Entscheidungshilfe für die nächste Entwicklung.

Welche Fragen kann ein KI-Modell beantworten?

Eine sinnvolle Lösung beginnt nicht mit künstlicher Intelligenz. Sie beginnt mit einer konkreten Frage aus Ihrer Produktentwicklung.

Zum Beispiel:

Wird diese Rezeptur voraussichtlich funktionieren?

→ Das Modell bewertet die geplanten Inhaltsstoffe, Mengen, Prozesswerte und Zielgrößen anhand vergleichbarer Entwicklungen aus der Vergangenheit.

Erreichen wir die gewünschte Produkteigenschaft?

→ Je nach Anwendungsfall können beispielsweise Härte, Festigkeit, Elastizität, Haltbarkeit, Farbe, Gewicht, Oberflächenqualität oder Verarbeitbarkeit prognostiziert werden.

Ist diese Kombination ungewöhnlich?

→ Mit Anomalieerkennung lassen sich Material-, Rezeptur- oder Prozesskombinationen erkennen, die deutlich von erfolgreichen Entwicklungen abweichen.

Welche Varianten sollten wir zuerst testen?

→ Statt jede denkbare Kombination praktisch zu erproben, können erfolgversprechende Kandidaten priorisiert werden.

Das Entwicklungsteam testet gezielter und investiert weniger Zeit in Varianten mit geringer Erfolgsaussicht.

Wo entsteht der wirtschaftliche Nutzen?

Ein Prognosemodell ist kein Selbstzweck.

Interessant wird es, wenn sich damit konkrete Kosten in der Entwicklung vermeiden lassen.

Zum Beispiel durch:

• weniger Labor- und Produktionsversuche
• geringeren Materialverbrauch
• weniger Ausschuss
• weniger Maschinenbelegung für wenig aussichtsreiche Varianten
• schnellere Entscheidungen über Fortführung oder Abbruch
• kürzere Entwicklungszeiten
• gezielteren Einsatz knapper Entwicklungsressourcen
• schnellere Markteinführung neuer Produkte

Gerade bei Produkten mit vielen möglichen Material-, Rezeptur- oder Prozesskombinationen kann der Unterschied erheblich sein.

Von historischen Daten zur Vorhersage

Technisch kann eine solche Lösung beispielsweise mit tabellarischen Entwicklungsdaten arbeiten.

Dazu gehören Zahlenwerte wie Temperatur oder Materialanteil ebenso wie Kategorien, Produktgruppen, Rezepturvarianten und Bewertungen.

Wir setzen dafür unter anderem auf das quelloffene Framework fast.ai. 

Für die Produktentwicklung wird dasselbe Grundprinzip auf eine wirtschaftlich deutlich interessantere Fragestellung übertragen:

Aus bekannten Kombinationen und deren Ergebnissen lernen, um neue Kombinationen besser einschätzen zu können.

Welches Verfahren am Ende verwendet wird, entscheiden wir anhand der Daten.

Deep Learning ist dabei eine Möglichkeit. Je nach Datenmenge und Fragestellung können andere Verfahren bessere Ergebnisse liefern.

Wir wählen nicht die technisch spektakulärste Lösung.

Wir wählen die, die für den konkreten Anwendungsfall zuverlässig funktioniert.

Ein Beispiel aus der Praxis: PPG entwickelt Lacke mit KI

Dass solche Verfahren bereits industriell eingesetzt werden, zeigt der internationale Lackhersteller PPG.

PPG nutzt künstliche Intelligenz und maschinelles Lernen im Entwicklungsprozess, um vielversprechende chemische Zusammensetzungen früh einzugrenzen. 2025 brachte das Unternehmen nach eigenen Angaben erstmals ein Produkt auf den Markt, das mit Unterstützung von KI und maschinellem Lernen bis zu den vollständigen kommerziellen Anforderungen entwickelt wurde.

Der daraus entstandene Autoklarlack härtet laut PPG in etwa fünf Minuten aus. Gegenüber herkömmlichen Klarlacken kann der Energiebedarf bei der Verarbeitung um mehr als 60 Prozent sinken.

Das Beispiel zeigt gut, worum es geht:

Nicht mehr Varianten ausprobieren, sondern vorhandenes Wissen nutzen, um die richtigen Varianten schneller zu finden.

Die wichtigste Voraussetzung: verwertbare Entwicklungsdaten

Für eine gute Prognose braucht es nicht zwingend eine perfekte Datenlandschaft.

Es muss jedoch nachvollziehbar sein, was bei einer Entwicklung eingesetzt wurde und welches Ergebnis daraus entstanden ist.

Eine Aussage wie:

„Material war zu weich“

enthält bereits Wissen.

Für ein lernendes Modell wird sie wertvoller, wenn zusätzlich festgehalten wird:

• welcher Zielwert erwartet wurde
• welcher Wert tatsächlich erreicht wurde
• welches Prüfverfahren verwendet wurde
• wie das Ergebnis bewertet wurde
• ob die Variante freigegeben, geändert oder verworfen wurde

Wir unterstützen deshalb nicht erst beim Modell.

Wir beginnen bei der Datenbasis.

So gehen wir gemeinsam vor

1. Wirtschaftlich sinnvollen Anwendungsfall auswählen

Wir betrachten gemeinsam Ihre Produktentwicklung und suchen nach Bereichen, in denen viele Varianten, hohe Versuchskosten oder lange Entwicklungszeiten auftreten.

2. Vorhandene Daten bewerten

Wir prüfen, welche historischen Produkt-, Material-, Rezeptur-, Prüf- und Prozessdaten vorhanden sind und welche davon für Prognosen geeignet sind.

3. Ziel der Vorhersage festlegen

Was soll das System konkret einschätzen? Zum Beispiel Herstellbarkeit, Produkteigenschaften, Fehlerwahrscheinlichkeit oder Erfolgsaussicht einer Variante.

4. Modell entwickeln und an bekannten Fällen überprüfen

Wir trainieren geeignete Modelle mit einem Teil der vorhandenen Daten und prüfen anschließend mit bisher nicht verwendeten Fällen, wie zuverlässig die Prognosen sind. So lässt sich früh erkennen, ob ein wirtschaftlich sinnvoller Einsatz möglich ist.

5. Anwendung in den Entwicklungsprozess integrieren

Eine gute Vorhersage hilft nur, wenn sie einfach verfügbar ist. Deshalb entwickeln wir bei Bedarf auch die Anwendung, Benutzeroberfläche und Schnittstellen zu Ihren bestehenden Systemen.

Keine isolierte KI-Lösung

Hier liegt ein wichtiger Unterschied zwischen einem Versuch und einer dauerhaft nutzbaren Lösung.

Ein Modell allein reicht im Unternehmensalltag selten aus.

Es braucht unter anderem:

• Datenanbindung
• Benutzer- und Rechteverwaltung
• nachvollziehbare Ergebnisse
• Schnittstellen
• sichere Speicherung
• Aktualisierung des Modells
• Einbindung neuer Entwicklungsergebnisse
• Überwachung des laufenden Betriebs

Genau dabei kommt unsere langjährige Erfahrung in der individuellen Softwareentwicklung zum Tragen.

Warum intercorp?

intercorp entwickelt seit mehr als 26 Jahren individuelle Softwarelösungen auf Basis von Open Source.

Bei KI-Projekten verbinden wir deshalb zwei Bereiche, die in der Praxis zusammengehören:

Daten und lernende Modelle auf der einen Seite. Stabile, sichere und nutzbare Unternehmenssoftware auf der anderen Seite.

Wir beraten nicht nur zur Methode.

Wir können die komplette Lösung umsetzen.

Von der Analyse vorhandener Daten über den ersten Prototyp bis zur Integration in Ihre bestehende IT.

Unsere Leistungen rund um KI in der Produktentwicklung

• Analyse geeigneter Anwendungsfälle
• Bewertung vorhandener Entwicklungsdaten
• Datenaufbereitung
• Prognosemodelle
• Deep Learning
• maschinelles Lernen
• Anomalieerkennung
• Bewertung von Produktideen und Varianten
• individuelle Benutzeroberflächen
• Schnittstellen zu bestehenden Anwendungen
• Open-Source-basierte Lösungen

• Betrieb und Weiterentwicklung

   

Für welche Unternehmen ist der Ansatz interessant?

Besonders interessant ist er für Unternehmen, die regelmäßig neue Varianten entwickeln und dabei viele Einflussgrößen berücksichtigen müssen.

Zum Beispiel in Bereichen wie:

• Kunststoffe
• Beschichtungen und Lacke
• Chemie
• Lebensmittel
• Werkstoffe
• Maschinenbau
• technische Komponenten
• Verpackungen
• kundenspezifische Industrieprodukte

Entscheidend ist nicht die Branche.

Entscheidend ist, ob aus vergangenen Entwicklungen genügend Erfahrungen vorliegen, aus denen sich für neue Entwicklungen lernen lässt.

Ist Ihre Datenbasis dafür geeignet?

Das lässt sich oft schneller feststellen, als man denkt.

Für einen ersten Check benötigen wir keine vollständige Digitalisierung Ihrer Produktentwicklung.

Wir können mit einem abgegrenzten Produktbereich und vorhandenen Daten beginnen und gemeinsam prüfen:

Welche Vorhersage wäre für Sie wirtschaftlich wertvoll und reichen Ihre bestehenden Daten dafür aus?

Lassen Sie uns Ihren Anwendungsfall ansehen

Sie entwickeln regelmäßig neue Produkte, Rezepturen oder Varianten und möchten Entwicklungsversuche, Ausschuss oder Entwicklungszeit reduzieren?

Dann sprechen Sie mit uns über einen konkreten Anwendungsfall.

Wir prüfen gemeinsam, welche Daten bereits vorhanden sind und ob sich daraus eine belastbare KI-gestützte Vorhersage entwickeln lässt.

FAQ: Deep Learning und KI in der Produktentwicklung

Was kann künstliche Intelligenz in der Produktentwicklung vorhersagen?

Abhängig von den vorhandenen Daten lassen sich beispielsweise Produkteigenschaften, Herstellbarkeit, Qualitätswerte, Fehlerwahrscheinlichkeiten oder Erfolgsaussichten neuer Varianten prognostizieren.

Welche Daten werden benötigt?

Geeignet sind unter anderem Daten zu Materialien, Rezepturen, Komponenten, Prozessparametern, Prüfungen, Qualitätswerten und den Ergebnissen früherer Entwicklungen.

Brauchen wir sehr große Datenmengen?

Nicht zwangsläufig. Die notwendige Datenmenge hängt stark von der Fragestellung, Anzahl der Einflussgrößen und Qualität der vorhandenen Daten ab. Deshalb prüfen wir die Daten vor Beginn der eigentlichen Modellentwicklung.

Ist Deep Learning immer das beste Verfahren?

Nein. Bei manchen Aufgaben liefern einfachere Verfahren bessere und leichter nachvollziehbare Ergebnisse. Wir vergleichen geeignete Ansätze und entscheiden anhand der tatsächlichen Prognosequalität.

Kann eine solche Lösung in unsere vorhandene Software integriert werden?

Ja. Vorhersagen können über Schnittstellen in bestehende Entwicklungs-, Produktions- oder Unternehmensanwendungen eingebunden werden.

Muss unsere Entwicklungsdatenbank dafür in eine öffentliche Cloud?

Nein. Je nach Sicherheitsanforderungen kann eine Lösung auch in kontrollierten eigenen Infrastrukturen betrieben werden.