Digitalisierung im technischen Service Auf dem Sprung: USU entwickelt einen 'Service-Meister' für den Mittelstand

Anbieter zum Thema

Schneider Electric GmbH

AixpertSoft GmbH

Fujitsu Technology Solutions GmbH

USU Software AG

Katana USU

Aktuellen Studien zufolge planen 70 Prozent der Unternehmen innerhalb der nächsten fünf Jahre den Einsatz von Künstlicher Intelligenz (KI) in ausgesuchten Servicesegmenten. Das entspricht mehr als einer Verdopplung des aktuellen Anteils. Wie der Einsatz in der Praxis gelingen kann, zeigt der folgende Beitrag aus dem Hause USU am Beispiel des Forschungsprojektes „Service-Meister“.

In einem schwieriger werdenden, kompetitiven Marktumfeld, in der der Deutsche Mittelstand sich mit Herausforderungen wie Fachkräftemangel, zunehmender internationaler Konkurrenz, besonders im Bereich der digitalen Dienstleistungen, konfrontiert sieht, kann der Einsatz von KI potentiell Lösungsansätze bereitstellen, um aktuelle Standortvorteile abzusichern oder auch zu erweitern. Diesem Ziel hat sich das Forschungsprojekt Service-Meister verschrieben, das seit Anfang 2020 für drei Jahre daran arbeitet, KI-basierte digitale Lösungsmodule zu entwickeln, diese zu so genannten Templates zu generalisieren und so ein digitales Service-Ökosystem für den Deutschen Mittelstand aufzubauen.

Das Gesamt-Projekt Service-Meister wird vom Eco Verband der Internet-Wirtschaft zur Förderung eben dieser geleitet und vom Bundesministerium für Wirtschaft und Energie (BMWi) im Rahmen des Innovationswettbewerbs „Künstliche Intelligenz als Treiber für volkswirtschaftlich relevante Ökosysteme“ gefördert. Einige grundlegende Ideen wie die Vorstellung eines generalisierten digitalen Service-Life-Cycle sind im Projekt Service-Meister und in Vorläufer-Projekten mitentwickelt worden.

Um erfolgreich zu sein, sind von Seiten der Unternehmen einige grundsätzliche Vorüberlegungen notwendig, damit die zentralen Fragen der Digitalisierung umgesetzt werden können:

• Wie sieht konkret technischer Service im Zeitalter von Industrie 4.0 aus?

• Welche Prozessschritte können durch Digitalisierung verbessert werden?

• Welche technischen und organisatorischen Schwierigkeiten müssen für eine erfolgreiche Umsetzung gegeben sein?

Die hierbei relevanten, ebenenübergreifenden Unternehmensaspekte lassen sich in einer „Pyramide der Digitalen Transformation“ darstellen (siehe: Abbildung 1). Auf der untersten Ebene 1, der Maschinen- und IT-Ebene, fallen Daten an und werden kompiliert.

Die zweite Ebene, die IoT-Ebene, ist von der „Konnektivität“ dominiert. Hier werden funktionale und idealer Weise einheitliche Datenverbindungen zwischen Maschinen oder mit Daten-Hubs benötigt. Protokolle wie Open Platform Communications Unified Architecture (OPC UA) und Constrained Application Protocol (CO AP) sind hierfür relevant.

Auf der dritten Ebene werden die Daten selektiert und neu zusammengestellt („Extract, Transform, Load“), sie werden mittels Data Science exploriert, und KI-Algorithmen werden entwickelt.

Wenn die unteren Ebenen erfolgreich abgearbeitet worden sind, können auf der obersten Ebene 4 erfolgreiche Geschäftsmodelle entstehen. Damit dies aber bei einem Unternehmen erfolgreich realisiert werden kann, müssen alle Ebenen der Digitalisierungspyramide durchlaufen werden und kooperativ zusammenwirken.

Sukzessive Hierarchisierung von KI-Komponenten

Das ist nicht notwendigerweise ein selbstverständlicher Vorgang; denn es besteht ein erheblicher Integrationsaufwand, da ja auf jeder Ebene allen Beteiligten klar sein muss, wo man gerade steht, wozu dies dient und was die nächsten Schritte sind. Sicherlich ist dies auch einer der Gründe dafür, dass viele Unternehmen mit dem Beginn der Digitalisierung zuständige Querschnittsabteilungen wie so genannte Stabsabteilungen „Digitalisierung“ an ihre Aufbauorganisation „anflanschen“, um hier eventuellen Reibungsverlusten effektiv vorzubeugen.

Die zentrale Bedeutung von KI für nahezu alle Wirtschaftszweige folgt dabei einem aufeinander aufbauenden Prozess von KI-Reifegraden, wie er in Abbildung 2 dargestellt ist. Hierbei nehmen die agierenden und interagierenden KI-Module an Komplexität und Autonomie zu: Neben einfacher kontextbasierter, maschineller Unterstützung von Arbeitsabläufen wie links im Bild, können sich diese Vorgänge in einem weiteren Entwicklungsschritt selbsttätig wiederholen, um dann zukünftig zielorientiert vollständig autonom einsetzbar zu sein.

Digitalisierung von Service 4.0

Dem Anpassungsdruck, adäquat auf die globale Digitalisierung und den Fachkräftemangel zu reagieren und in diesem Spannungsfeld für die Kunden moderne, KI-gestützte Service-Tools mit hoher Flexibilität auf der Basis eines 24/7-Serviceportfolios entwickeln zu können, kann nur dann begegnet werden, wenn eine konkrete Vorstellung von den zu digitalisierenden Service-Komponenten besteht. Hierzu muss zwingend klar sein, ob und wie sich der gesamte Bereich des technischen Service digitalisieren lässt. Und wenn dies der Fall ist, in welche reproduzierbaren Segmente sich dies sinnvoll anordnen lässt.

Wenn man dabei bedenkt, dass sich vom Eingang der Servicebedarfsmeldung über die Servicedurchführung, die Routenplanung, das Schreiben von Serviceberichten, die Analyse und das Quality Management derselben mehr als hundert Einzelvorgänge ergeben können, ist das keine einfache Aufgabe. Dazu kommt eine sehr große Bandbreite der jeweiligen Service-Angebote.

Beispielsweise gibt es Unternehmen, die lediglich bestimmte Anteile von Service-Elementen anbieten und gegebenenfalls weitere, notwendige Serviceteile outsourcen, aber auch solche, welche die gesamte Palette an Servicemodulen unter Umständen über Jahrzehnte hinweg durch eigenentwickelte Service-Tools mit großen QM-Abteilungen selbst hosten. Die gesamte Bandbreite des technischen Service lässt sich im Detail nicht sinnvoll darstellen, sondern ist nur auf einer höheren Ebene nachvollziehbar.

Der digitale Service-Lifecycle, wie in Abbildung 3 dargestellt, bildet dabei die einzelnen Stufen des gesamten Servicevorgangs generalisierend ab. Dieser Ansatz ist im Forschungsprojekt Service-Meister zentral entwickelt worden und bildet die Grundlage für die weiteren Ansätze zur Abbildung der Service-KI-Tools für die jeweiligen Segmente des Servicezyklus.

Ausgangssituation ist der Eintritt eines möglichen Servicbedarfsfalls. Der Servicezyklus wird für eine Lösung im Uhrzeigersinn durchschritten.

Im ersten Schritt wird mit Hilfe des KI-Moduls Predictive Analytics entschieden, ob ein Service-Bedarfsfall vorliegt. In diesem Modul sind zahlreiche Machine-Learning-Algorithmen konzentriert, die über die Verfahren des Supervised Learning, Unsupervised Learning und des Reinforcement Learning Vorschläge dazu machen, ob ein Servicebedarfsfall besteht. Wenn dies der Fall ist, wird ein Service-Ticket angelegt. Im nächsten KI-Modul erfolgt ein Dispatching des Tickets zur richtigen Problemkategorie beziehungsweise Weiterleitung an die zuständige „Löserkategorie“, wenn diese bereits vorhanden ist.

Im nächsten Schritt erfolgt eine KI-basierte Wissens- und Informationsanreicherung mit den bekannten beziehungsweise relevanten Fakten und Hilfsdokumenten, damit der Servicefall durch einen Techniker bearbeitet werden kann. Da hierfür auch Informationen aus Lösungshistorien, lokal und standortsübergreifend, zusammengestellt werden können, spricht man auch von einem 360-Grad-Blick auf den Service.
Zu diesem Schritt gehören auch die Zusammenstellung des Service-Teams anhand der relevanten Service-Skills sowie der weitere Tourenplan. Hieran schließt sich dann das Durchführen des Servicefalls vor Ort beim Kunden an.
Bestenfalls führt dies bereits beim ersten Besuch zum Lösen des Service-Bedarfsfalls. Dies kann über die so genannte First-Time-Fix-Rate, also den Anteil der neu eingetretenen Servicebedarfsfälle, die sich durch den ersten TechnikerInnen-Besuch erfolgreich lösen lassen, als Key Performance Indicator (KPI) mit entsprechender Vergleichbarkeit abgebildet werden.

Damit die Techniker vor Ort Hilfe erhalten, wenn nötig, zum Beispiel die Hände für Reparaturtätigkeiten frei haben kann, kommen gegebenenfalls KI-basierte Service-Bots zur Arbeitserleichterung zum Einsatz. Dies könnte beispielsweise ein Chat-Bot sein, der über Mobilfunkanbindung die relevanten Schrittfolgen aus dem Servicehandbuch vorliest. Oder es könnte eine Augmented-Reality-Anwendung sein, die den Blick auf die Maschine entsprechend erweitert und damit die nächsten Service-Schritte indiziert.

Noch zwei Schritte

In dieser Phase des Service-Lifecycle schließen sich zwei weitere Schritte an, bevor der Zyklus komplett ist: Unmittelbar erfolgt die KI-basierte, automatisierte Dokumentation der durchgeführten Arbeitsschritte über Service-Berichte und Activity-Logs des aktuellen Servicebesuchs. Diese stellen auch die Grundlage für die weitere Fakturierung für den Kunden auf der Basis des jeweiligen Service Level Agreements dar.

Im abschließenden Schritt werden dann die durchgeführten Serviceschritte evaluiert, indem ein KI-basierter Report-Analyzer die Activity-Logs, die Serviceberichte oder -dokumentationen auf ihre Qualität beziehungsweise die Lessons-learned analysiert. Damit ist der digitale Service-Lifecycle komplett.

In der Mitte von Abbildung 3 findet sich noch eine zentrale Instanz, AI-Enabled Field Service Platform genannt. Damit ist eine noch zu entwickelnde Integrationsschicht gemeint, die für die verschiedenen KI-basierten Servicemodule einen ähnlichen Protokollstandard für den Datenaustausch darstellt, wie er etwa heute im Bereich der Maschinendaten vorliegt - genannt sei OPC UA und CO AP.

Die hier aufgezeigte Digitalisierung des technischen Service und dessen vollständige Abdeckung über die verschiedenen, automatisiert ausführbaren KI-Tools sind Grundlage der Arbeiten im Forschungsprojekt Service-Meister. Die Charakteristiken, die sich aus der Arbeit der Unternehmen über die jeweiligen Use-Cases zu den KI-Tools ergeben, werden dann ab 2021 zu allgemeineren Vorlagen generalisiert, um dann ab 2022 ihre bis dahin entwickelten Funktionalitäten in einem Service-Ökosystem abbilden zu können.

Kontrolle des KI-Event-Handlings und die nächsten Schritte

Die Entwicklung des technischen Service schreitet schnell voran. Während in vielen Bereichen noch die unterstützende beziehungsweise die automatisierte KI wesentlich ist, sind durchaus Anwendungsbereiche vorhanden oder in Zukunft sinnvoll abbildbar, in denen autonome KI-Module Arbeiten aus dem technischen Service komplett eigenständig durchführen werden. In all diesen Fällen ist es zwingend, eine genaue Vorstellung über die konkreten Abläufe beim Event-Handling der einzelnen KI-Tools zu haben.

Wenn es möglich ist, dass einzelne KI-Module Service-Events analysieren und priorisierende Rückmeldungen geben, die für weitere Bearbeitungen nötig sind, können sich hieraus heterogene und sehr komplexe Event-Strukturen ergeben, für die noch sinnvoll handhabbare User-Interfaces zu entwickeln sind, damit die gewünschte Interaktion durch den/die TechnikerIn überhaupt möglich ist. Abbildung 4 stellt die Abfolge in einer Service-Event-Queue dar.

Ausgangspunkt ist hier ebenfalls eine mögliche Service-Bedarfsmeldung, die in das System hineingegeben wird. Der schwarze vertikale Pfeil auf der linken Seite stellt dabei den gesamten Zeitverlauf für den Service-Event dar, der sich durch die verschiedenen Deltas in der Bearbeitungszeit der jeweilig aufgerufenen KI-Module und die sich hierdurch ergebenden Implikationen ergibt.

Die Interaktion am Beispiel von drei Modulen

In diesem Fall wird aus Gründen der Einfachheit lediglich die Interaktion von drei KI-Modulen dargestellt, nämlich Predictive Analytics, entscheidet über den vorliegenden Servicebedarfsfall und seine Feinheiten, 360-Grad-View, stellt die notwendigen Hilfs- und Historiendokumente für den Fall zusammen, und Service-Bots, stellt Service-Bots und KI-Anwendungen für Servicetechniker bereit.

Als ersten Schritt im Ablauf erhält das KI-Modul Predictive Analytics Informationen und Daten über den aktuellen Service-Bedarfsfall und benutzt diese zur Einschätzung darüber, um welche Art von technischem Service es sich handelt. Hieraus ergeben sich dann Priorisierungen, die das Modul in die Event-Queue weiterreicht. Dies hat zur Folge, dass für die folgenden beiden Module Schwerpunkte gesetzt werden:

Dabei wird für das Modul 360-Grad-View eine historische Zeitreihe eines bestimmten Fehlers aus einem bestimmten Werk mitgeliefert, die zuvor aus dem zuständigen Data-Mart geholt werden muss. Für das Modul Service-Bots wird ein Sprach-Bot voreingestellt, der auch ein fakultatives Sprachmodul für Italienisch enthält, da der mögliche Service-Einsatz sich im italienisch-sprachigen Teil der Schweizer Niederlassung des Unternehmens befindet.

Beliebig kompliziert

Bereits aus diesem relativ einfachen Setting wird deutlich, dass für den zukünftig eintretenden Fall von autonom tätigen und miteinander interagierenden KI-Modulen im technischen Service die gleichzeitige Entwicklung einer effektiven Kontrollstruktur für das Event-Handling zwingend notwendig ist, damit die sich hieraus ergebenden Implikationen in der Praxis durch die jeweiligen Servicetechniker sinnvoll bewertet werden können.

Damit sich die hier bereits vorliegenden Erkenntnisse, zum Beispiel zur kompletten Digitalisierung des Service-Life-Cycles mittels KI-Modulen, zu einem Service-Ökosystem aufbauen lassen, sind auch technische Kontrollansätze wichtig - von Datenschutz, Compliance-Richtlinien und weiteren rechtlichen Vorgaben abgesehen. Mindestens genauso wichtig ist es jedoch, dass mittelständische Unternehmen dabei helfen, das vorhandene, teilweise analoge Servicewissen als Expertise zur Verfügung zu stellen.

Leider treten zu oft Hemmnisse auf, die etwa mit IP- und Datenschutz begründet werden. Diese Barrieren erschweren letztlich die wirklich notwendigen digitalen Innovationen am Standort Deutschland.

Das Forschungsprojekt Service-Meister versucht mit Offenheit und Transparenz, hier gegenzusteuern, damit in Zukunft eine unternehmensübergreifende Skalierbarkeit von Smart Services beziehungsweise datengetriebenen Services möglich wird. Der Erfolg solcher Initiativen stärkt langfristig die Wettbewerbsfähigkeit und bietet auch Lösungen für den Fachkräftemangel im deutschen Mittelstand.

* PD Dr. Fred Jopp ist Head of Industrial Project Management und der Projektleiter für Service-Meister der USU Software AG. Der Autor arbeitet bereits seit der Vorphase des Projekts mit und gestaltet heute als Projektleiter für die USU Software AG in vier von insgesamt sechs industriellen Anwendungsfällen die Forschungsarbeit und die Umsetzung von KI mit den beteiligten Industriepartnern.

(ID:47030847)