Seit 2021 haben wir über 40 KI-Projekte abgeschlossen. Hier berichten einige unserer Kunden, was sich konkret verändert hat.
Wir haben unsere Kunden gebeten, ihre Erfahrungen in eigenen Worten zu beschreiben.
Wir hatten 14 Jahre lang Nachfrageprognosen in Excel gemacht. Das Modell von Insight Centric AI hat unseren Forecast-Fehler innerhalb von drei Monaten um 31 % gesenkt. Besonders hilfreich war, dass das Team die Ergebnisse direkt in unser SAP-System integriert hat, sodass unsere Disponenten nichts an ihrem Arbeitsablauf ändern mussten.
Unser Kundenservice erhält pro Tag rund 800 E-Mails. Vor dem Projekt hat ein Team von sechs Personen jede einzelne gelesen und manuell zugeordnet. Das NLP-System klassifiziert jetzt 92 % der Mails automatisch in die richtige Kategorie. Zwei Mitarbeitende konnten wir in die Produktberatung versetzen, wo sie mehr Wert schaffen.
Die Qualitätskontrolle in unserer Giesserei lief lange über Stichproben. Jetzt prüft eine Kamera jedes einzelne Gussteil in Echtzeit. Die Ausschussrate ist von 4,2 % auf 1,1 % gesunken. Das Projekt hat sich nach acht Monaten amortisiert. Einen Stern Abzug gibt es, weil die Dokumentation am Anfang etwas knapp war, aber das hat sich im Lauf des Projekts deutlich verbessert.
Ich war skeptisch, ob KI für eine Bäckereikette mit neun Filialen überhaupt Sinn ergibt. Das Prognosemodell sagt uns jetzt pro Filiale und Produkt, wie viel wir am nächsten Tag backen sollten. Seit der Einführung werfen wir 22 % weniger Ware weg. Das spart uns rund CHF 4'500 pro Monat.
Zwei Projekte im Detail, damit Sie sehen, wie wir arbeiten und was dabei herauskommt.
Ein Grosshändler für Medikamente in der Nordwestschweiz betreibt ein Lager mit 12'000 Artikeln. Die Reihenfolge, in der Aufträge kommissioniert wurden, hing vom Eingang der Bestellung ab. Unser Optimierungsmodell gruppiert Aufträge nach Lagerzone und berechnet die kürzeste Route durch das Lager.
Ergebnis nach zwölf Wochen Projektlaufzeit: die durchschnittliche Kommissionierzeit pro Auftrag sank von 8,4 auf 6,9 Minuten. Die Fehlerquote bei der Zusammenstellung ging um 40 % zurück, weil das System doppelte Picks automatisch erkennt.
Technisch läuft das Modell als Microservice auf einem Kubernetes-Cluster im Rechenzentrum Zürich. Es erhält Auftragsdaten via API vom Warehouse-Management-System und gibt die optimierte Pickliste innerhalb von 200 Millisekunden zurück.
Die Zürcher Metallguss AG produziert Aluminium-Druckgussteile für die Automobilindustrie. Bisher prüften zwei Mitarbeitende pro Schicht Stichproben von Hand. Fehlerhafte Teile fielen oft erst beim Kunden auf.
Wir haben vier Hochgeschwindigkeitskameras über dem Förderband installiert und ein Convolutional Neural Network trainiert, das Lunker, Risse und Oberflächenfehler erkennt. Das Modell wurde auf 8'400 annotierten Bildern trainiert, die wir gemeinsam mit dem Qualitätsteam in drei Wochen erstellt haben.
Seit dem Go-live im März 2024 prüft das System jedes einzelne Teil. Die Ausschussrate beim Endkunden sank von 4,2 % auf 1,1 %. Die Investition hat sich nach acht Monaten amortisiert, vor allem durch den Wegfall von Reklamationskosten und Sonderlieferungen.
Erzählen Sie uns, welches Problem Sie lösen möchten. Die Erstanalyse ist kostenlos.
Kontakt aufnehmen