Autor: Sebastian Kreuter

Der Engineer-to-Order (ETO)-Produktionsansatz gewinnt durch die steigende Nachfrage nach individualisierten Produkten und kleinen Losgrößen zunehmend an Bedeutung. ETO verringert jedoch die Skaleneffekte der Serienfertigung, da jeder Auftrag maßgeschneiderte Engineering- und Produktionsschritte erfordert. Dieser Effizienzverlust kann durch eine bedarfsgesteuerte und kontextbezogene Informationsbereitstellung während des Produktentwicklungsprozesses reduziert werden. Ein auf semantischer Künstlicher Intelligenz (KI) und Machine Learning basierendes Empfehlungssystem kann dies unterstützen, indem es i) historische Daten und Vorwissen, z. B. Zeichnungen oder Stücklisten aus früheren Projekten, analysiert und ii) Vorschläge zur Wiederverwendung von Designs oder für Designalternativen macht, und so die genannten Effekte kompensieren.