Optimierung der Lieferkette in der Luft- und Raumfahrt mit KI und Big Data

Ein einzelnes Flugzeug kann Hunderttausende oder sogar Millionen von Teilen enthalten. Die Anzahl der Teile, die eine Fluggesellschaft, ein OEM oder eine MRO-Werkstatt für eine gesamte Flotte unterschiedlicher Plattformen verfolgen muss, steigt exponentiell. Ein einzelnes Verkehrsflugzeug kann bis zu 3 Millionen Teile haben, was die Komplexität des Bestandsmanagements unterstreicht. Mit mehreren globalen Lieferanten und Teilehändlern, die Teile herstellen oder verkaufen, wird die Beschaffung zu einem komplizierten, datenintensiven Prozess, bei dem Millionen dynamischer Datenpunkte analysiert werden müssen.

Aktuelle Teile-Websites oder digitale Marktplätze sind nicht ausgefeilt genug, um relevante Informationen aus umfangreichen und dynamischen Datensätzen zu parsen oder zu extrahieren. Ein erheblicher manueller Aufwand ist erforderlich, um zu überprüfen, ob die Teile den Anforderungen entsprechen, zu einem fairen Marktwert bepreist sind und verfügbar sind – was den Beschaffungsprozess mühsam macht.

Solch lange Entscheidungszyklen können die betriebliche und finanzielle Leistung von OEMs, Fluggesellschaften, MRO-Werkstätten und Teilehändlern beeinflussen. Boeing schätzt, dass Aircraft on Ground (AOG) eine Fluggesellschaft 10.000 bis 20.000 Dollar pro Stunde kostet, oder sogar bis zu 100.000 Dollar an entgangenen Einnahmen und zusätzlichen Ausgaben, je nach der vorliegenden Situation. Im Jahr 2018 fand Airline Economics heraus, dass AOG-Ereignisse die weltweite Flugindustrie jährlich geschätzte 50 Milliarden US-Dollar kosten.

Die Fähigkeit, große Mengen – wie Millionen von Teilen und deren zugehörige Daten – an Informationen zu sichten und zu analysieren und schnell eine Empfehlung zu erstellen, ist eine Hauptanwendung für Automatisierungstechnologie, wie Künstliche Intelligenz (KI), in der Luft- und Raumfahrtindustrie. KI kann das komplexe Netz von Lieferketten-Transaktionen in einen gestrafften, effizienten und kostensparenden Betrieb verwandeln – und ermöglicht es Ihnen, nicht nur die gesamte Lieferkette zu verwalten, sondern auch in Echtzeit zu optimieren.

KI-Modelle wie Recurrent Neural Networks (RNNs) und Transformers analysieren sequenzielle Datentrends, was eine zeitnahe Entscheidungsfindung in der Beschaffung ermöglicht.

Mit mehr Daten, Zeit und Training werden diese spezifischen KI-Modelle für die Luftfahrt genauer und effizienter. Basierend auf Luftfahrtdaten der letzten Jahre erreichen diese Modelle hohe Genauigkeitsmetriken, einschließlich R², was die Präzision der Vorhersagen anzeigt. KI-Systeme sind darauf ausgelegt, selbstlernend und selbstoptimierend zu sein, und verbessern kontinuierlich ihre Leistung basierend auf neuen Dateneingaben.

In diesem Whitepaper erfahren Sie, wie KI-Technologie den Beschaffungsprozess in der Luft- und Raumfahrtindustrie optimieren kann, was zu einer gesteigerten betrieblichen und finanziellen Leistung führt.

DIE NUTZUNG DER KRAFT VON BIG DATA MIT BLOCKCHAIN- UND KI-TECHNOLOGIE

Die Luft- und Raumfahrt mangelt es nicht an Daten; sie könnten sogar als gemeinsamer Nenner über die Industriezweige hinweg kategorisiert werden. Daten sind jedoch nur so wertvoll wie die Erkenntnisse, die sie liefern können, und die Aktionen, zu denen sie eine Organisation inspirieren.

Das Sammeln und Analysieren großer Datenmengen und das Erstellen von Empfehlungen ist der ideale Anwendungsfall für eine Lösung, die KI unterstützt durch Blockchain-Technologie integriert. Fortschrittliche Modelle, wie Graph Neural Networks (GNNs), erleichtern das Verständnis von Beziehungen zwischen Lieferanten und Teilen und verbessern die Entscheidungsfindung in Blockchain-fähigen Systemen.

Die dezentrale Beschaffenheit eines Blockchain-Systems ermöglicht Echtzeitsuchen in der gesamten Branche unter Verwendung öffentlicher, externer und interner Daten innerhalb von Sekunden. Filtern Sie diese Ergebnisse in ein KI-Modell, wird sofort eine genaue Lösung entwickelt — dies schafft Effizienz in einer Organisation, indem es einen sehr manuellen Prozess strafft und automatisiert.

ePlaneAI hat diesen Anwendungsfall erkannt und eine Software-as-a-Service-Plattform entwickelt, die konversationelle und generative KI zusammen mit Big Data nutzt, um die Luftfahrtteileindustrie und den Beschaffungsprozess vollständig zu automatisieren.

Jeder Teiledatensatz innerhalb der Blockchain enthält eine unveränderliche Historie von Attributen – wie Zustand, Standort und Konformität – und bietet damit einen sicheren, fälschungssicheren digitalen Nachweis, der das Risiko von Fälschungen verringert, die Transparenz erhöht und die Einhaltung von Branchenvorschriften wie EASA und FAA stärkt.

Wenn die Ergebnisse einer Teilesuche zusammengetragen werden, durchlaufen sie anschließend das generative KI-Modell, welches eine maßgeschneiderte Empfehlung erstellt, die automatisiert ist und sich basierend auf Echtzeit-Marktdaten aus der Luft- und Raumfahrt selbst anpasst. Jegliche Änderungen in Kosten, Standort oder Verfügbarkeit eines Teils werden in die empfohlene Lösung einbezogen. Wenn Sie also am Montagmorgen nach Teil A suchen, es aber erst am Dienstag kaufen, könnte es nicht mehr verfügbar sein, oder der angezeigte Preis hat sich möglicherweise geändert – ähnlich wie bei einer verzögerten Kaufentscheidung in Ihrem Amazon-Warenkorb.

Die inhärente Fähigkeit der KI, große Datensätze (und Typen) zu verarbeiten und sich an unterschiedliche Muster und Produktionskomplexitäten anzupassen, gewährleistet langfristige Nachhaltigkeit und Skalierbarkeit. Da der globale MRO-Markt bis 119 Milliarden Dollar im Jahr 2026 erreichen soll und Arbeitskosten für 60-70% der gesamten MRO-Ausgaben stehen, können effiziente KI-Lösungen erhebliche Kosteneinsparungen und betriebliche Effizienz vorantreiben.

Um den wachsenden Datenanforderungen der KI gerecht zu werden, sind ultraschnelle Datenbanken unerlässlich. Traditionelle Datenbanken fehlt es oft an Geschwindigkeit und Skalierbarkeit, die für die Echtzeit-Datenverarbeitung benötigt werden, was fortschrittliche Datenbanktechnologien für eine erfolgreiche KI-Implementierung kritisch macht. Die Kosten für Cloud-Computing können von 0,25 Dollar pro Stunde bis über 30 Dollar pro Stunde für High-End-Einzel-GPU-Systeme reichen. Diese Technologien sind jedoch skalierbar und für Unternehmen aller Größen zugänglich, einschließlich kleinerer Betriebe. Die Fähigkeiten der KI können an spezifische Bedürfnisse angepasst werden, damit alle sofortige Vorteile ernten können.

Größere Unternehmen können noch größere Effizienzsteigerungen und Kosteneinsparungen erwarten, wenn sie kontinuierliche, von KI getriebene Erkenntnisse über massive Datensätze nutzen. Moderne Datenbanken, die in der Lage sind, Abfrageantwortzeiten im Sub-Sekundenbereich zu liefern, ermöglichen KI-Lösungen, schneller und genauere Empfehlungen für das Bestandsmanagement bis hin zur Behebung von AOG-Situationen zu liefern.

Mit einer umfangreichen und konstanten Menge an Daten, die durch die Lösung von ePlaneAI gesammelt und verarbeitet werden, verbessert sich die KI-Technologie kontinuierlich mit der Zeit und dem Training. Je mehr Muster und Trends sie aufgrund der zunehmenden Datenmenge identifizieren kann, desto besser kann sie eine bevorzugte Lösung für den Benutzer generieren.

EINBLICKE JENSEITS MENSCHLICHER ANALYSE

Die Terabytes an Daten über Flugzeugteile, die konsumiert und verarbeitet werden können, würden Hunderte von Datenwissenschaftlern Monate kosten, um handlungsrelevante Ergebnisse zu produzieren. Ein wesentlicher Engpass bei KI-gesteuerten Entscheidungsprozessen ist jedoch die Datenbankinfrastruktur. Während einige Datenbanken Abfragen in <1 Sekunde verarbeiten können, benötigen andere möglicherweise bis zu 15 Minuten, um die gleichen Ergebnisse zu liefern. Diese Verzögerung kann die Echtzeit-Entscheidungsfindung in kritischen Beschaffungsszenarien erheblich beeinflussen, wo Geschwindigkeit wesentlich ist, um die betriebliche Effizienz aufrechtzuerhalten und finanzielle Auswirkungen zu minimieren. Zum Beispiel durchläuft jedes kommerzielle Flugzeug jährlich etwa 3-5 große Wartungsereignisse, wobei die durchschnittlichen Wartungskosten pro Flugzeug 3 Millionen Dollar erreichen.

Verzögerungen bei Ersatzteilen und ungeplante Wartungsarbeiten können zu erhöhten Kosten führen, Verlust von zukünftigen Ticketverkäufen aufgrund verlängerter Ausfallzeiten und verminderter Kundenloyalität aufgrund von vermehrten Verspätungen und Ausfällen.

Die Umleitung interner Ressourcen von täglichen Betriebsaufgaben zur Suche von Lagerbeständen oder zur Bestellung von Teilen und das schnelle Treffen kritischer Entscheidungen mit begrenzten Informationen verursacht weitere betriebliche Störungen.

Die ePlaneAI-Plattform verwendet Faltende Neuronale Netze (CNNs) zur Identifizierung von bildbasierten Teiledaten und Autoencoder zur Anomalieerkennung, um die Datenpräzision und Qualitätssicherung zu gewährleisten. Diese Modelle arbeiten autonom und passen sich an sich entwickelnde Datenmuster an, um über die Zeit hinweg eine hohe Genauigkeit und Leistung zu erhalten. Diese autonome Fähigkeit verringert menschliche Eingriffe und steigert die betriebliche Effizienz. Durch die Nutzung dieser Art von Lösung werden Organisationen ein besseres Verständnis für Lagerbestand und -nutzung haben, was eine genaue Vorhersage von kurz- und langfristigem Bedarf ermöglicht, um zukünftige Lagerprobleme zu mildern. Die Lösung kann automatisch Bestände zum besten verfügbaren Marktpreis einkaufen.

ANWENDUNGSFALL: Automatisierte Beschaffung und Bestandsoptimierung

Ein Unternehmen der Luftfahrtindustrie sah sich erheblichen Herausforderungen bei AOG-Bestellungen gegenüber, die 70% ihrer gesamten Teilebestellungen ausmachten. Diese umfassten über 500 Lieferanten und die Verwaltung von über 70.000 SKUs in fünf Lagern. Ihre Optimierung des Sicherheitsbestands erfolgte selten, nur einmal im Jahr, was zu Ineffizienzen und Druck auf die Mitarbeiter führte, kritische Entscheidungen zu treffen. Im Durchschnitt streben Fluggesellschaften eine Umschlagshäufigkeit des Inventars von 1,5 bis 2 Mal pro Jahr an, was bedeutet, dass der Teilebestand typischerweise alle 6-8 Monate ersetzt wird.

Dieses Unternehmen implementierte eine maßgeschneiderte Lösung von ePlaneAI, die XGBoost und Random Forests zur Optimierung der Beschaffungspläne und des Bestandsmanagements nutzte, um genaue Anpassungen des Par-Bestands und Prognosen der Nachfrage zu gewährleisten. Zu den spezifischen Ergebnissen gehörten:

Selbst wenn nur interne ERP-Daten genutzt werden, kann eine KI-Lösung aufgrund von Benutzerpräferenzen vorhersagekräftiger werden. Zum Beispiel ermöglicht die Nutzung historischer Einkaufsentscheidungen – Mengen, Lieferanten, Liefergeschwindigkeit – das KI-Modell nicht nur die beste Entscheidung zu treffen, sondern auch eine bevorzugte Lösung zu generieren.

ANWENDUNGSFALL: Langfristige Prognose und Produktionsplanung

Ein Hersteller von Luft- und Raumfahrtteilen sah sich erheblichen Herausforderungen gegenüber, da die langen Vorlaufzeiten von über acht Monaten und kurze Lieferfenster von 1 bis 10 Tagen eine robuste Lösung erforderten, um die Nachfrage genau vorherzusagen und die Produktion effektiv zu planen.

Sie implementierten eine maßgeschneiderte KI-Lösung von ePlaneAI, um präzise Prognosen zu erstellen und Muster sowie saisonale Trends zu erkennen und einen umfassenden jährlichen Produktionsplan einschließlich oberer, unterer und mittlerer Werte zu informieren.

Modelle wie Prophet und ARIMA ermöglichen eine genaue Nachfrageprognose, während Genetische Algorithmen die Produktionspläne basierend auf saisonalen Trends optimieren.

Spezifische Ergebnisse umfassten:

AUTOMATISIERTE PROZESSE VON DER ERKENNTNIS BIS ZUR TRANSAKTION

ePlaneAI leitet den Benutzer automatisch an, die Transaktion abzuschließen, sobald eine Empfehlung gegeben wird. Durch die Integration von Reinforcement Learning (RL) passt sich das System dynamischen Marktbedingungen an, was Echtzeit-Preisanpassungen für Beschaffungstransaktionen ermöglicht. Diese adaptiven Algorithmen arbeiten im autonomen Modus, der minimale manuelle Eingriffe erfordert, während Effizienz und Kosteneffektivität maximiert werden. Dies wird durch den autonomen Storefront erreicht, der automatisierte Preise bietet – angepasst an den aktuellen Marktpreis - und ein globales B2B-Checkout- & Zahlungssystem basierend auf Vertragsbedingungen.

Die Automatisierung dieses Prozesses ermöglicht eine Steigerung der betrieblichen Effizienz und Leistung und somit der Rentabilität durch:

Automatisierte Transaktionen erstellen auch digitale, detaillierte Protokolle, die die Nachverfolgbarkeit als verbesserte Compliance-Maßnahme erleichtern. Diese detaillierten Aufzeichnungen stellen auch sicher, dass die Transaktion alle notwendigen Richtlinien des Beschaffungsprozesses erfüllt.

Die Automatisierung des Transaktionsprozesses ist der letzte Schritt, um eine effizientere und wirksamere Beschaffungsstrategie zu ermöglichen.

SCHLUSSFOLGERUNG

Eine vereinfachte und effektivere Beschaffungsstrategie führt zu einer gesteigerten betrieblichen Effizienz und letztendlich zu einem profitableren Unternehmen.

Damit jeder Bereich der Luft- und Raumfahrtindustrie einen Wettbewerbsvorteil behalten und seine Rentabilität steigern kann, muss er Technologien übernehmen, die den komplexen, arbeits- und zeitintensiven Beschaffungsprozess optimieren. In Anbetracht dessen, dass die Lagerhaltungskosten in der Luftfahrtindustrie zwischen 15-25% des Wertes des Teils pro Jahr liegen, kann eine von KI getriebene Bestandsoptimierung erhebliche Einsparungen erbringen.