8 Möglichkeiten, wie KI die Entwicklung von Produktlinien verändern wird
Der Umgang mit Produktlinien ist ein Aspekt des Systems Engineering, der von der rasanten Entwicklung von KI-Techniken profitieren könnte. Diese Frage untersuche ich in diesem Beitrag zusammen mit Dr. Yang Li, Field Application Engineer und Berater bei pure-systems. Zusammen haben wir 8 mögliche Wege identifiziert, wie uns KI diesem Ziel näher bringen könnte.
Motivation
Die Kunden von heute verlangen Produkte, die perfekt auf ihre Bedürfnisse zugeschnitten sind. Gleichzeitig nimmt die Produktkomplexität zu. Beide Trends führen dazu, dass die Anzahl der Produktvarianten zunimmt. Die systematische Mitentwicklung mehrerer Produkte in einer Produktlinie ist der Schwerpunkt des Product Line Engineering (PLE). Viele Produktunternehmen haben jedoch ohne PLE mit ihren Entwicklungen begonnen. Sie stellen aber bald fest, dass sie es früher oder später brauchen, um die steigende Variantenvielfalt zu beherrschen. Andere Unternehmen betreiben bereits erfolgreich Produktlinien und möchten deren kontinuierliche Weiterentwicklung optimieren. Sie alle können von KI profitieren.
Im Folgenden stellen wir 8 Möglichkeiten vor, wie KI Unternehmen helfen kann, diese Herausforderungen zu meistern. Diese haben wir nach dem Zeitpunkt im Lebenszyklus der Produktlinie gruppiert, an dem sie anwendbar sind.
Der Einstieg in PLE mit KI
Der Aufbau einer Produktlinie mit dem merkmalsbasierten PLE erfordert Vorabinvestitionen, z. B. die Definition des Umfangs der Produktlinie, die Erstellung erster Merkmalsmodelle mit Variabilitätsinformationen, die Definition von Varianten, usw. Im Folgenden beschreiben wir einige potenzielle KI-gestützte Anwendungsfälle, die den Aufwand und die Kosten beim PLE verringern könnten.
In diesem Artikel sprechen wir über die möglichen Anwendungen von KI-Techniken im Kontext der feature-basierten PLE. Wenn Sie mehr über die feature-basierten PLE erfahren möchten, ist die ISO/IEC 26580:2021 Pflichtlektüre.
Seien wir ehrlich: Wie viele Projekte beginnen mit dem Gedanken an Variantenmanagement? Sehr wenige. Daher verfügen viele Unternehmen bereits über einen Stapel von Dokumentationen für bestehende Produkte. Diese stellen einen wertvollen Input für den Start einer Produktlinie in der Domäne ihrer bestehenden Produkte dar. Diese Altlasten sind jedoch oft unstrukturiert und lassen sich nur schwer wiederverwenden.
Wenige Projekte beziehen PLE von Anfang an mit ein.
Es gibt viele Möglichkeiten, Natural Language Processing (NLP) einzusetzen, um vorhandenen Artefakte zu verarbeiten. Bspw. können wir Anforderungsspezifikationen und Produktbeschreibungen automatisch analysieren und Merkmale zu extrahieren. Die Extraktion von Schlüsselwörtern/Phrasen aus den Anforderungsspezifikationen könnte der erste Schritt sein, um die Liste der in Frage kommenden Merkmale zu finden. Verschiedene Technologien ermöglichen die automatische Extraktion von Schlüsselwörtern/Phrasen, darunter:
- TF-IDF (frequenzbasierte Methode), TextRank (graphenbasierte Methode)
- Neuronale Worteinbettung (z.B. BERT)
- Semantische Rollenbeschriftung oder Named Entity Recognition.
Die Schlüsselwörter/Sätze mit hoher Bedeutung, die mit den oben genannten Techniken (oder einer Kombination dieser Techniken) identifiziert werden, können bestimmte Funktionalitäten darstellen, die als Merkmale ausgedrückt werden können. Mit der Entwicklung von neuronalen Netzen und Deep Learning haben einige der oben genannten Techniken eine höhere Genauigkeit in den allgemeinen NLP-Datensätzen erreicht. Das begünstigt ihre Anwendung im Bereich der PLE. Weitere Analysen sind jedoch unerlässlich, um die Merkmalsliste zu verfeinern und die zuverlässige Rückverfolgbarkeit zwischen den extrahierten Merkmalen und den vorhandenen Artefakten zu ermitteln. Die Nachverfolgbarkeit reichert das Domänenwissen der Merkmale mit zusätzlichen Dokumenten an und nicht mit Schlüsselwörtern/Phrasen mit begrenzten Informationen, was sowohl für die manuelle als auch für die automatische Analyse sehr hilfreich ist.
Es ist eine Sache, ein Merkmal zu haben, eine andere, die Beschreibung zu haben. Sobald ein Merkmal identifiziert wurde, kann KI helfen, es zu beschreiben. Zu diesem Zweck könnte sie ähnliche Merkmalsbeschreibungen in verschiedenen Dokumenten vergleichen und dabei helfen, sie zu einer einheitlichen Beschreibung zusammenzufassen. Oder es könnten automatische Techniken zur Textzusammenfassung eingesetzt werden, um die Verwaltung aller Inhalte zu verbessern.
Variabilitätsinformationen sind für PLE unerlässlich. Gleichzeitig ist es schwierig, solche Informationen zu identifizieren, wenn sich Produktvarianten über Jahre hinweg ohne systematisches Variantenmanagement entwickelt haben. KI kann den Schmerz eines solchen Reverse Engineering mindern. Es kann helfen, die genauen/potentiellen Variabilitätsinformationen zu identifizieren, z.B. ob ein Merkmal optional oder obligatorisch ist, ob ein Merkmal in Kombination mit anderen Merkmalen funktioniert oder mit anderen Merkmalen kollidiert, etc. KI kann auch die Strukturierung solcher Informationen in einer leicht verständlichen Weise für die Benutzer unterstützen.
Um die Beziehungen zwischen den Merkmalen zu extrahieren, müssen die mit einigen Merkmalen verbundenen Altlasten weiter analysiert werden. KI kann dabei helfen, verwandte Funktionen anhand der Funktionalität, der semantischen Informationen oder potenzieller Assoziationen zu gruppieren, die aus den entsprechenden alten Artefakten gewonnen wurden.
Sinnvolle Techniken für die Extraktion von Variabilitätsinformationen sind bspw. Sprachmodellierung, Ähnlichkeitsberechnung, Clustering oder Assoziationsregel-Mining.
Das Erreichen einer guten Struktur der Merkmale (d. h. des Merkmalsmodells) ist ein echter Meilenstein in der Phase der Merkmalsmodellierung, die davon abhängt, wie ähnlich die Merkmale aus den verschiedenen Perspektiven sind, wie stark die Beziehungen sind und welche Ziele mit dem Merkmalsmodell erreicht werden sollen.
Feature-Konfigurationen für Produktvarianten sind unverzichtbar. Die Extraktion von Feature-Konfigurationen aus Legacy-Artefakten kann die Kosten und den Aufwand für die Migration zur Produktlinie erheblich reduzieren. Die Legacy-Artefakte ähnlicher Produkte können ebenfalls als variantenspezifische Assets betrachtet werden, aber diese Legacy-Artefakte wurden nicht mit einer auf Feature-Modellen basierenden Methode entwickelt. KI kann dabei helfen, die fehlenden Verknüpfungen zwischen Artefakten und Merkmalen wiederherzustellen, was wiederum zur Formulierung von Merkmalkonfigurationen für Produktvarianten führen kann.
Bereits existierende Feature-Modelle sind Voraussetzung für den Erfolg, denn wenn man keine Informationen über seine Features im Voraus kennt, ist es unmöglich, die Feature-Konfigurationen aus den Legacy-Artefakten herauszufinden. Feature-Modelle halten die Variabilitätsinformationen einer Produktfamilie auf strukturierte Weise fest. Um die Extraktion von Konfigurationen zu automatisieren, müssen Sie der KI zunächst helfen, die Bedeutung der vorhandenen Merkmale zu verstehen. Das heißt, man muss das Domänenwissen in einer Form digitalisieren, mit dem wir das Wissen leicht verarbeiten, analysieren und verstehen können. Um dieses Ziel zu erreichen, könnten wir das Merkmalsmodell mit Wissensgraphen/semantischen Netzen, die das Domänenwissen enthalten, kombinieren. Darüber hinaus können die ursprünglich extrahierten Merkmalskonfigurationen mit Hilfe von Ähnlichkeitsberechnungs- und Clustering-Algorithmen analysiert werden, um die Anzahl der Varianten und die entsprechenden Merkmalskonfigurationen zu optimieren.
KI liest die Gedanken Ihrer Kunden und Stakeholder
Für jedes Unternehmen ist es von entscheidender Bedeutung, dass seine Produkte einen Mehrwert für seine Kunden bieten. In der heutigen schnelllebigen Zeit ist es jedoch schwieriger denn je, dies richtig zu machen. Der Erfolg eines Produkts ist keine Garantie dafür, dass das Nachfolgeprodukt ebenfalls erfolgreich sein wird.
KI kann dabei helfen, den Input der Kunden so früh wie möglich aufzunehmen und ihn mit der Gesamtstrategie der Produktlinie abzustimmen.
Vor allem im B2B-Umfeld kann es vorkommen, dass Unternehmen für jeden Kunden ein eigenes Produkt entwickeln, das auf dessen Anforderungen basiert. Wenn Sie die PLE-Best Practices befolgen, haben Sie bereits ein solides Funktionsmodell für Ihre Produktlinie. Neue Funktionen werden im Kontext der bestehenden Produktlinienarchitektur implementiert. Künstliche Intelligenz kann Ihnen dabei helfen, die Benutzeranforderungen auf Ihr Funktionsmodell abzubilden, um es optimal anzupassen. Dies kann den Aufwand für die Konfiguration von Varianten verringern.
PLE-Best Practices sind die Grundlage für die schnelle Umsetzung neuer Funktionen. In der Praxis erfordert dies jedoch eine Menge Erfahrung.
Denken Sie zum Beispiel an eine Abfüllstation, bei der jeder Kunde unterschiedlich geformte Behälter, Anforderungen an die Handhabung des Inhalts (Flüssigkeit? Pellets?) und so weiter hat. Die Entwicklung eines solchen Systems umfasst in der Regel verschiedene technische Disziplinen, und viele Beteiligte sind an der Entwicklung der übergeordneten technischen Anlagen für die Produktlinien beteiligt. Zu diesen Assets gehören Superset-Anforderungen, Superset-Testfälle, Superset-Quellcode, Superset-Architektur usw.
Die Möglichkeit, KI zu nutzen, um die vorhandenen Funktionen automatisch oder interaktiv auf die entsprechenden vorhandenen Engineering Assets in mehreren Disziplinen abzubilden, kann daher die erheblichen Kosten und den Aufwand für die Entwicklung eines maßgeschneiderten Produkts reduzieren.
Die hier besprochenen Techniken ähneln denen, die in den Punkten 1-3 aufgeführt wurden. Diese ähnlichen Techniken können jedoch auch für einen anderen Anwendungsfall verwendet werden, nämlich für die Analyse der Relevanz oder Ähnlichkeit zwischen Benutzerbedürfnissen/Assets und vorhandenen Merkmalen.
Aber woher kommen diese Nutzerbedürfnisse? KI wird bereits bei der Verarbeitung von Kundeneingaben für Anwendungsfälle eingesetzt, die nichts mit PLE zu tun haben. Dazu gehören die Analyse von Support-Tickets oder Kundengesprächen, das Durchforsten von Benutzerforen nach Informationen, die Verarbeitung von Telemetriedaten des Produkts oder die Beobachtung des Verkaufsverhaltens.
Heutzutage extrahieren fertige KI-Systeme wertvolle Informationen aus diesen Datenquellen, um beispielsweise herauszufinden, welche Funktionen mehr positives Kundenfeedback erhalten und welche Funktionen mehr Kundenbeschwerden hervorrufen, die durch eine automatische Stimmungsanalyse oder eine Analyse der Gesichtsemotionen unterstützt werden. Mit Blick auf den Datenschutz müssen wir sensible Daten wie Videos oder Bilder, die persönliche Daten der Kunden enthalten, sorgfältig behandeln. Die Nutzung dieser Informationen zur Verbesserung Ihrer Produktlinien ist nur ein kleiner Schritt.
Eine interessante Variante des obigen Beispiels ist die Identifizierung gewünschter, aber nicht vorhandener Funktionen. Manchmal artikulieren Kunden dies selbst, zum Beispiel in Form von Funktionsvorschlägen. Auch der Vertrieb kann durch die Analyse verlorener Verkäufe Erkenntnisse gewinnen. KI-gestützte Datenanalyse kann Ihnen dabei helfen, Ihre Daten automatisch zu bereinigen, interessante Informationen zu extrahieren und Vorhersagen mit vorab trainierten Modellen zu treffen. Auf diese Weise können die fehlenden Merkmale mit einer datengesteuerten Methodik gewonnen werden, beispielsweise durch Clustering ähnlicher Ideen mithilfe von Themenmodellierungstechniken. Mithilfe der oben erwähnten Ansätze überträgt die KI diese neuen Merkmale auf das vorhandene Merkmalsmodell.
Verstehen und Optimieren der PLE-Wertschöpfungskette
Die Entwicklung der Produktlinien ist ein weiterer Punkt, den wir in Betracht ziehen müssen. Mit dem Wachstum der Produktlinien und der Zunahme der Anzahl von Produktvarianten hängt es von der Optimierung der Produktlinienstruktur, der Variabilitätsinformationen und der Varianten ab, ob sich die Produktlinien vernünftig, kontrollierbar und vorhersehbar entwickeln können.
KI kann bei der Entwicklung von Produktlinien eine Rolle spielen, um produktlinienbezogenes Wissen im Prozess der PLE zu erlernen und dabei zu helfen, rationale Entscheidungen zu treffen.
Bei der Weiterentwicklung von Produktlinien sammeln sich im Laufe der Zeit viele Daten an, z. B. Varianten, Konfigurationen, Merkmale und Anlagen. KI-Techniken können bei der Analyse der großen Datenmengen im Zusammenhang mit den Produktlinien hilfreich sein und den Entscheidungsträgern verschiedene Perspektiven bieten.
Es wäre ideal, wenn es keine Produktvariabilität für jeden Kunden gäbe, aber das ist in der Realität selten der Fall
Um den Bedürfnissen der verschiedenen Interessengruppen gerecht zu werden, kann die Variabilität zunehmen, was zu einem exponentiellen Anstieg der Anzahl der möglichen Varianten führt. Die explosionsartige Zunahme der Variabilität führt zu einer steigenden Arbeitsbelastung in großem Umfang für verschiedene PLE-Aktivitäten. Aber vielleicht ist nicht die gesamte Variabilität für die Produktlinien notwendig, und wir können sie optimieren. Die Big Data, über die Sie verfügen, können zur Analyse Ihrer Produktlinien mit Hilfe von KI verwendet werden.
Das strukturierte Domänenwissen in digitaler Form (z. B. Wissensgraphen), das aus den Big Data extrahiert und formuliert wurde, kann beispielsweise als zentrale Wissensbasis betrachtet werden, die bei der Automatisierung des Analyseprozesses hilfreich ist. Darüber hinaus können wir die durch maschinelles Lernen und Deep-Learning-Techniken unterstützte prädiktive Analytik verwenden. Dazu gehören Ansätze wie z. B. Entscheidungsbaum, lineare/logistische Regression und neuronale Netze. Damit können wir Vorhersagemodelle erstellen, die wir mit den historischen Daten und bekannten Ergebnissen trainieren. Anschließend sind die Vorhersagemodelle in der Lage, die Ergebnisse mit den neuen Daten vorherzusagen, was die Analyse und Optimierung der Produktvarianten auf effiziente und zuverlässige Weise beschleunigt.
Insbesondere die Kombination von Feldeinsatzdaten mit Variabilitätsinformationen wie Merkmalsmodellen und Konfigurationen kann uns mit Hilfe von ML neue Erkenntnisse liefern. Beispielsweise können wir Muster zwischen Merkmalseinsatz und bestimmten Problemen der Produkten im Produktiveinsatz erkennen. Diese Zusammenhänge sind in der riesigen Menge an Informationen, die mit traditionellen Data-Science-Techniken erzeugt werden, nicht leicht zu erkennen.
Wie bereits erwähnt, kann KI Ihnen dabei helfen, Variabilität beim Reverse Engineering beim Beginn einer Produktlinie zu finden. Es besteht auch die Möglichkeit, KI für die Analyse von Big Data im Zusammenhang mit den Produktlinien zu nutzen, die den Produktportfoliomanagern oder anderen Stakeholdern Feedback zur weiteren Verbesserung der Produktlinien geben kann. Bei verschiedenen PLE-Aktivitäten können mehrere getrennte KI-Systeme für unterschiedliche Aktivitäten eingesetzt werden – was auch in Ordnung ist. Es wäre jedoch besser, wenn Ihre KI diese Aktivitäten übergreifend durchführen würde, um die Wechselwirkungen zu lernen.
Ein übergreifender (End-to-End) Einsatz von KI für PLE-Themen ist ideal
Warum ist End-to-End PLE Intelligence so wichtig? Weil, obwohl jede Aktivität eine unabhängige Aufgabe sein kann, die Qualität des Ergebnisses einer Aktivität die nächsten Aktivitäten beeinflusst, was wiederum Auswirkungen auf das gesamte PLE hat. Die generischen vortrainierten Modelle reichen möglicherweise nicht aus, um die End-to-End PLE Intelligence zu formulieren, da die Echtzeit-Intelligenz für die End-to-End PLE Intelligence entscheidend ist. So sollten beispielsweise die Echtzeitänderungen der PLE-Aktivitäten und ihre Auswirkungen erlernt werden, um die Entwicklung der End-to-End PLE Intelligence zu ermöglichen. Daher ist der Entwurf und die Implementierung von End-to-End PLE Intelligence eine sehr komplexe Aufgabe, die eine Kombination aus Big Data, komplexen Deep-Learning-Algorithmen und guter Softwareentwicklung erfordert.
Was kommt als Nächstes?
Stellen Sie sich eine Welt vor, in der Sie Ihr System mit unstrukturierten Daten füttern können und ein optimiertes Feature-Modell mit Beschreibungen, Parametrisierung und allem anderen erhalten. Das wäre der „Heilige Gral“ der KI in der Produktlinienentwicklung.
Auch wenn all dies im Moment nicht revolutionär erscheinen mag, birgt der Einsatz dieser Technologien langfristig ein enormes Potenzial. Es kann den Unterschied ausmachen, ob ein Unternehmen skaliert und seine Kunden begeistert – oder Insolvenz anmelden muss.
Über Dr. Yang Li
Dr. Yang Li ist Field Application Engineer und ebenfalls Berater bei pure-systems. Er gibt sein Wissen über Product Line Engineering und pure::variants in Tutorials, Trainings und Workshops weiter, um Kunden auf ihrem Weg zu einem systematischen Variantenmanagement zu unterstützen.
Yang hat an der Universität Magdeburg in Informatik promoviert. Er hat sich auf die Erforschung der Anwendung von Techniken der künstlichen Intelligenz zur Verbesserung der Arbeitseffizienz im Bereich der Produktlinienentwicklung konzentriert.
Bild: Pixabay
