Entwicklung eines intelligenten Kalkulationsassistenten zur Qualitätsüberwachung des Kalkulationsprozesses und empirische Evaluation der Ergebnisse

Ausgangssituation

Der Wandel der traditionellen zu einer von digitalen Komponenten geprägten Wertschöpfung setzt die Automobilindustrie zunehmend unter Druck. Die Digitalisierung beeinflusst traditionelle Aufgaben auch bei BMW immer stärker. Zum einen treibt man technische Innovationen weiter voran, zum anderen stehen mit neuen Methoden der Datenanalyse wirksame Instrumente zur Verfügung, Lösungen und Prozesse u. a. im Cost Engineering „intelligenter“ zu machen.

Die Art und Weise der Kalkulation von klassischen Bauteilen und Baugruppen ist von einem hohen Individualisierungsgrad geprägt. So kommt es häufig vor, dass die Qualität der Kalkulation stark von Person zu Person variiert, was zu einer heterogenen Erfahrungsdatenbasis führt und die Kostenanalyse wie -prognose erschwert. In dieser Arbeit soll ein Modellversuch durchgeführt werden, der auf der Grundlage von historischen Kalkulationsdaten einen intelligenten Assistenten für den Kalkulator bereitstellt, der die Kalkulationsweise des Individuums erlernt hat und kontinuierlich weiter lernt, um die Qualität der Kostenkalkulation zu überwachen und zu verbessern.

Aufgabenstellungen:

  • Überblick über Ablagestrukturen und Kalkulationsmethoden von ausgewählten Bauteil- und Baugruppen
  • Extraktion und Aufbereitung von historischen Daten aus verschiedenen Datenbanken
  • Simulation von Kalkulationsprozessen und Aufstellung einer Datenbasis für Machine Learning Modelle (z. B. mittels SimulationX)
  • Training von Machine Learning Modellen, die basierend auf den historischen Kalkulationsdaten die Art und Weise der manuellen Kalkulation erlernen und Qualitätsmuster in der Kalkulation erkennen (Nichtbefüllung, falsche Befüllung, unterschiedliche Kalkulationsweise, fehlende Nebenrechnungen in der Kalkulation, fehlende Attribute, etc.)
  • Konzeption eines ML-basierten intelligenten Kalkulationsassistenten, der den Kalkulationsprozess überwacht und den Kalkulator bei seiner Arbeit in Form von Warnhinweisen begleitet (z. B. Ampelsystem Q-Check, ähnlich Condition-Monitoring)
  • Implementierung des Kalkulationsassistenten und Überführung der Ergebnisse in das Cost Engineering Framework sowie empirische Evaluation (User Experience)

Vorkenntnisse:

  • Vorkenntnisse im Themenfeld Machine Learning wünschenswert
  • Programmieraffinität (Python)

Kontakt: