Zusammenfassung
Der Demonstrator „Bauteil-Finder“ des Mittelstand-Digital Zentrums Magdeburg ist ein Mockup. Er zeigt, wie KI-gestützte Suchverfahren Unternehmen in der Metallverarbeitung bei der Angebotskalkulation und Produktionsplanung unterstützen können. Ziel ist es, ähnliche bereits gefertigte Bauteile schneller zu finden und so fundierte Rückschlüsse auf Fertigungsaufwand und Kosten zu ermöglichen.
Herausforderung: Technische Zeichnungen sind schwer nutzbar
Viele mittelständische Unternehmen verfügen über große Archive technischer Zeichnungen. Diese enthalten wertvolle Informationen für Angebot und Planung. Die Suche nach ähnlichen Bauteilen erfolgt jedoch meist manuell. Das ist zeitaufwändig, fehleranfällig und bindet Fachpersonal. Zusätzlich liegen Zeichnungen häufig in Formaten wie PDF vor, die nur eingeschränkt maschinell verarbeitet werden können. Dadurch leidet die Angebotsqualität und die Planung wird unsicherer.
Lösungsansatz: KI-gestützte Suche ohne manuelle Verschlagwortung
Der Bauteil-Finder beschreibt einen Ansatz, bei dem eine transformerbasierte KI visuelle und textuelle Informationen automatisch aus technischen Zeichnungen extrahiert (vgl. [1], [2]). Diese Informationen werden in strukturierte Daten überführt. Anschließend kommt eine sogenannte Query-by-Example-Suche zum Einsatz: Eine neue technische Zeichnung dient als Suchanfrage. Das System vergleicht sie automatisch mit vorhandenen Zeichnungen. Durch Rückmeldungen von Expertinnen und Experten lernt das System schrittweise, welche Merkmale für die Ähnlichkeit besonders wichtig sind, zum Beispiel, dass das Bauteilvolumen relevanter sein kann als die Anzahl der Bohrungen. Die Suche funktioniert vollständig automatisch und ohne manuelle Schlagwörter.
Der Demonstrator in der Praxis
Der Demonstrator zeigt beispielhaft, wie eine neue technische Zeichnung verarbeitet und mit bestehenden Zeichnungen verglichen wird. Nutzerinnen und Nutzer können die Suchergebnisse bewerten. Dieses Feedback hilft dem System, das individuelle Verständnis von Bauteilähnlichkeit zu erlernen. Zusätzlich können wichtige Merkmale in natürlicher Sprache hervorgehoben werden, um die Suche direkt zu beeinflussen.
[1] Egiazarian et al. (2020): Deep Vectorization of Technical Drawings (ECCV)
[2] Daele et al. (2019): An Automated Engineering Assistant: Learning Parsers for Technical Drawings (AAAI)