Zusammenfassung
Die Erkennung von Lack- und Oberflächenfehlern erfolgte bislang manuell durch erfahrene Fachkräfte. Dieser traditionelle Ansatz war zeitaufwendig, ressourcenintensiv und fehleranfällig, was häufig zu Verzögerungen im Kundenservice führte. Um diese Herausforderungen zu adressieren, wollte Asian Paints den Prozess optimieren und Durchlaufzeiten verkürzen. NTT DATA entwickelte dafür eine No-Code-KI-Lösung auf der Google Cloud Platform (GCP), die interne und externe Fehler anhand von Parametern wie Position, Farbe und Textur zuverlässig erkennt. Die Lösung deckt eine Vielzahl von Fehlerarten ab, darunter Algenbildung, Blasenbildung und Abblättern, und sorgt für effizientere Abläufe sowie schnellere Reaktionszeiten.
Herausforderung
Kosten senken und Effizienz mit KI steigern
Für die Implementierung der KI-Lösung standen drei zentrale Herausforderungen im Fokus:
Kosteneffiziente Automatisierung
Eine skalierbare Lösung zur präzisen Erkennung von mehr als 15 Fehlertypen sollte ohne übermäßige Kosten realisiert werden.
Optimierte Ressourcennutzung
Die Nutzung von Cloud-Ressourcen sollte minimiert werden, indem nicht alle Fehlertypen gleichzeitig geprüft werden.
Bedarfsgesteuerte Modellaktivierung
Das Modell sollte nur in definierten Zeitfenstern aktiv sein und gezielt über API-Aufrufe gestartet werden.
Wir freuen uns, den Go-live der automatisierten Fehlererkennung bekannt zu geben. Vielen Dank an das gesamte Team für die engagierte Unterstützung und den großen Einsatz. Wir planen, die Funktionalität künftig auf weitere Fehlertypen auszuweiten, und freuen uns auf die weitere Zusammenarbeit.“
Lösung
Automatisierte und präzise Fehlererkennung mit KI und Cloud
NTT DATA entwickelte eine KI-gestützte Lösung mit Computer-Vision- und Machine-Learning-Funktionen auf Basis der Google Cloud Platform, um interne und externe Fehler visuell präzise zu identifizieren. Die No-Code-Plattform reduzierte den Bedarf an spezialisiertem Fachwissen und bot gleichzeitig die notwendige Flexibilität und Genauigkeit für die Erkennung von Oberflächenfehlern.
Das Modell erkannte mehr als 150 lackbezogene Mängel anhand definierter Kriterien wie der Position oberhalb, unterhalb oder auf der Oberfläche sowie Eigenschaften wie Farbe und Textur. Es deckte verschiedene Fehlertypen ab, darunter Algenbildung, Blasen, Sandpartikel, Abblättern, ungleichmäßige Beschichtung und Farbverblassung, und stellte so eine umfassende Fehlererkennung über alle Kategorien hinweg sicher.
Zur Umsetzung wurde ein Low-Code-Multilabel-Klassifikationsmodell mit GCP AutoML entwickelt. Dieser Ansatz vereinfachte die Modellierung erheblich, da ein einzelnes Modell mehrere Fehlertypen gleichzeitig erkennen kann. Die Genauigkeit wurde dabei durch die gezielte Steuerung von Konfidenzschwellen sichergestellt. AutoML wurde gewählt, weil es eine effiziente Entwicklung und Skalierung von Modellen ermöglicht, ohne tiefgehende Machine-Learning-Expertise vorauszusetzen.
Die vom Kunden bereitgestellten Bilder wurden nach Fehlertypen kategorisiert und in Google Cloud Storage für das Training abgelegt. Vertex AI kam für Training und Annotation zum Einsatz und stellte die Nachverfolgbarkeit von Datensätzen, Modellen und Deployments sicher. Anschließend wurde das Modell über Cloud Run als API bereitgestellt, sodass eine nahtlose Integration in bestehende Prozesse möglich war.
Die Lösung automatisierte die Fehlererkennung vollständig und schuf eine skalierbare sowie kosteneffiziente Grundlage zur Optimierung der Inspektionsprozesse.
Ergebnis
Hohe Präzision, schnellere Inspektionen und effizienter Ressourceneinsatz
NTT DATA brachte umfassende Expertise in den Bereichen KI und Cloud-Technologien ein und kombinierte diese mit einem tiefen Verständnis der spezifischen Anforderungen von Asian Paints. Ein interdisziplinäres Team aus Data Scientists, Engineers und Projektverantwortlichen arbeitete eng mit dem Kunden zusammen, um die Lösung entlang der Geschäftsziele auszurichten und eine ausgewogene Balance aus Skalierbarkeit, Effizienz und Flexibilität zu gewährleisten.
Durch die Erfahrung in der Umsetzung komplexer Lösungen konnte NTT DATA die spezifischen Herausforderungen der Lackfehlererkennung gezielt adressieren und gleichzeitig langfristige Ziele berücksichtigen. Die termingerechte Umsetzung sowie die kontinuierliche Unterstützung stellten sicher, dass die Lösung erfolgreich in die bestehenden Abläufe integriert wurde. Mit einer End-to-End-Perspektive – von der Konzeption bis zur Implementierung – entstand eine leistungsfähige Lösung, die die Effizienz steigert und den Mehrwert datengetriebener Prozesse im operativen Alltag sichtbar macht.
Highlights:
93 Prozent Modellgenauigkeit
Hohe Präzision bei der automatisierten Fehlererkennung
Identifikation von über 150 lackbezogenen Fehlern
Breite Abdeckung unterschiedlicher Lack- und Oberflächenfehler
Höhere Effizienz
Automatisierte Inspektionen reduzieren Zeitaufwand und optimieren Ressourceneinsatz
Schnellere Problemlösung
Frühe Fehlererkennung verkürzt Reaktionszeiten und senkt Kosten