Category: PLM

Why AI engineering needs PLM

Künstliche Intelligenz (KI) ist im Engineering nicht mehr wegzudenken. Anwendungen wie ChatGPT oder GitHub Copilot erhöhen die Effizienz schon heute in vielen Bereichen der Produktentwicklung. Während Ihr Unternehmen diese Werkzeuge einfach und schnell einsetzen kann, ist die Implementierung industrieller AI-Lösungen aufgrund der spezifischen Fragen und komplexen Prozesse deutlich anspruchsvoller. Zumal es häufig an der benötigten Datenqualität, -menge und -infrastruktur mangelt. Hier kommen Systeme für Product Lifecycle Management (PLM) ins Spiel.

PLM-Lösungen bieten nicht nur eine Plattform zur Verwaltung von Produktdaten. Sie liefern auch eine wichtige Schnittstelle, mit der sich KI-gestützte Technologien in verschiedenen Phasen des Engineerings implementieren lassen.

Industrielle KI implementieren

Wenn Sie AI nutzbringend in industrielle Prozesse integrieren wollen, stehen Sie vor mehreren Herausforderungen. Eine der größten ist, geeignete KI-Modelle zu trainieren und Daten in ausreichender Qualität bereitzustellen.

Fertige Anwendungen wie ChatGPT oder Dall-E sind für generische Anwendungszwecke wie Textarbeit oder Bilderstellung sofort nutzbar. Solche Anwendungen und Modelle fehlen für komplexe industrielle Fragestellungen. Öffentlich zugängliche Datensätze sind selten auf industrielle Anforderungen zugeschnitten. Daher müssen Unternehmen KI-Modelle gezielt anpassen und firmenspezifische Datensätze und Modelle erstellen.

Darüber hinaus müssen Sie komplexe Anforderungen an das Deployment von KI-Modellen berücksichtigen. Dies betrifft insbesondere

  • die Integration in bestehende Systeme,
  • die Zugriffssicherheit und Autorisierung im Umgang mit den dahinterliegenden Daten und
  • die Sicherstellung von Zuverlässigkeit und Performance.

Wie hilft PLM-Software hier weiter?

PLM-Systeme bieten die nötige Infrastruktur, um Daten zu sammeln, zu strukturieren und aufzubereiten. Sie ermöglichen es, KI-Modelle in bestehende Prozesse zu integrieren, und bieten eine zentrale Plattform, um KI-Lösungen über den gesamten Produktlebenszyklus zu managen. Dies umfasst die Sicherstellung der Datenqualität, die Versionierung und die Verwaltung der generierten Ergebnisse.

Mit der Verbindung von KI-Tools und PLM-Systemen stellen Sie eine konsistent strukturierte Nutzung Ihrer Daten sicher. So entsteht die Grundlage für erfolgreiche KI-Anwendungen.

Eine zweite große Herausforderung ist die Komplexität der KI-Implementierung. Das reicht von der Auswahl geeigneter Modelle und Algorithmen bis hin zur Anpassung dieser Modelle an Ihre spezifischen Anforderungen.

Um AI erfolgreich zu integrieren, sind die Expertise der Ingenieur*innen und Datenwissenschaftler*innen sowie die Zusammenarbeit zwischen Abteilungen wie IT, Engineering und Datenwissenschaft entscheidend. PLM-Systeme unterstützen den Prozess als Plattform für nahtlose Zusammenarbeit und Kommunikation zwischen Ihren Teams.

PLM-Systeme als Wegbereiter für KI

PLM-Software mit tiefer Integrationsfähigkeit erzeugt die Voraussetzungen, um KI in bestehenden Engineering-Prozessen einzusetzen. Als zentrale Datendrehscheiben ermöglichen sie es, auf Daten aus verschiedenen Quellen im Produktlebenszyklus zuzugreifen.

Die konsolidierte Datenbasis des PLM-Systems ebnet den Weg für generative KI-Technologien (GenAI). Dabei handelt es sich um KI-Lösungen, die selbstständig neue, kreative Inhalte wie Texte oder Bilder erschaffen. Dadurch eröffnen sich Unternehmen völlig neue Möglichkeiten, zum Beispiel im Design und in der Produktentwicklung.

Indem PLM-Systeme die Integration von KI-gestützten Design-Tools erleichtern, sorgen sie für eine effiziente Verwaltung und Versionierung von KI-generierten Designs. Sie können beispielsweise Varianten von CAD-Modellen automatisiert erstellen. Bewährt haben sich auch Designoptimierungen, die auf Basis von Simulationsergebnissen generiert werden.

Wesentlich ist außerdem, KI-Lösungen mit bestehenden Datenstrukturen zu verknüpfen. Durch die Integration von KI in PLM-Systeme verbinden Sie KI-gesteuerte Designwerkzeuge direkt mit Ihren Produktdaten. Dies beschleunigt nicht nur den gesamten Entwicklungsprozess. Ihr Unternehmen gestaltet die Wiederverwendung von Komponenten effizienter, verbessert die Zusammenarbeit zwischen Teams und optimiert die Produktentwicklung kontinuierlich.

Ein weiterer Vorteil: PLM-Systeme speichern KI-generierte Erkenntnisse und Optimierungen zentral. Das macht sie für zukünftige Projekte nutzbar. Dadurch können Sie Ihre Innovationsfähigkeit erheblich steigern.

PLM-Systeme sind weit mehr als nur Datenverwaltungssysteme. Es sind zentrale Plattformen für den Einsatz KI-gestützter Assistenz-Systeme.

Solche Systeme helfen zum Beispiel bei Designentscheidungen. Sie analysieren Daten aus ähnlichen Projekten und liefern konkrete Verbesserungsvorschläge. Darüber hinaus führen sie Simulationen durch und stellen die Ergebnisse in einer Form dar, die für Ingenieur*innen verständlich ist. Das Ergebnis: bessere Entscheidungen, kürzere Entwicklungszeiten.

KI-Anwendungen im Engineering

Durch das Zusammenspiel von GenAI und PLM-System integrieren Sie KI-basierte Designprozesse nahtlos in bestehende Workflows. Daraus ergeben sich vielseitige Use Cases:

Automatisierte Designvarianten

Künstliche Intelligenz erstellt neue Designvarianten auf Basis bestehender CAD-Daten und optimiert diese automatisch auf Parameter wie Kosten, Materialeinsatz oder Produktionsmöglichkeiten. Ingenieur*innen gewinnen mehr Zeit für kreative Designaufgaben.

Simulationsgestützte Optimierungen

Mit Simulationstools, die GenAI-Algorithmen nutzen, verbessern Sie Designvorschläge kontinuierlich und passen sie auf Basis von Simulationsergebnissen iterativ an. So treffen Sie die besten Designentscheidungen auf Basis umfassender Datenanalysen. Dies reduziert die Anzahl physischer Prototypen und spart Zeit und Kosten.

Optimierung der Produktentwicklung

KI passt Designs dynamisch an neue Anforderungen an – während der laufenden Entwicklung. In Verbindung mit dem PLM-System können Sie schneller auf Änderungen reagieren und die Produktentwicklung ohne Verzögerungen anpassen. Dies bietet insbesondere dem Maschinen- und Anlagenbau große Vorteile.

Zeitreihenvorhersagen

GenAI analysiert Zeitreihendaten und sagt zukünftige Entwicklungen voraus. Auf Grundlage historischer Daten und anderer betrieblicher Informationen helfen PLM-Systeme in Kombination mit KI, Trends frühzeitig zu erkennen und fundierte Entscheidungen zu treffen.

KI-Anwendungen für Ingenieur*innen

Datenmanagement und Deployment

Die Integration von KI in die Produktentwicklung ist nicht nur technisch, sondern auch organisatorisch komplex. Damit KI seine Wirkung erzielt, braucht es ein geeignetes Datenmanagement. Auch hier sind PLM-Systeme eine große Hilfe.

Mit einer PLM-Lösung verwalten Sie Daten konsistent und strukturiert – von der Erfassung über die Speicherung bis zur Bereitstellung für KI-Modelle. Dabei müssen Unternehmen Datenschutz, -sicherheit und -verfügbarkeit gewährleisten.

Neben der Datenverarbeitung ist auch das Deployment – die Bereitstellung in der produktiven Umgebung – entscheidend. Um KI-Lösungen in bestehende IT-Infrastrukturen zu integrieren, müssen Ihre IT- und Engineering-Teams eng zusammenarbeiten. PLM-Systeme ermöglichen es, KI-Anwendungen sicher und leistungsstark zu integrieren und sie für die Anwender*innen im Tagesgeschäft einfach zugänglich zu machen.

Damit müssen PLM-Systeme sowohl die Entwicklung und Integration von KI-Modellen unterstützen als auch deren Betrieb und Wartung im laufenden Geschäft sicherstellen.

Ein weiterer wichtiger Aspekt ist die kontinuierliche Verbesserung von KI-Modellen. Hier unterstützen PLM-Systeme als Plattform für das Monitoring und die Aktualisierung. Auf Basis von gesammelten Betriebsdaten lassen sich KI-Modelle kontinuierlich verbessern und an Veränderungen anpassen. Dies stellt ihren Nutzen langfristig sicher.

Welche Trends zeichnen sich ab?

PLM-Systeme dienen künftig zunehmend als zentrale Plattformen für die Verwaltung und Integration von KI-Lösungen. Eine immer größere Bedeutung gewinnt die KI-gestützte Automatisierung, denn die Fähigkeiten, aus Daten zu lernen und komplexe Zusammenhänge zu erkennen, wird stetig verbessert.

Ein weiterer Trend ist die immer stärkere Integration von KI in die Zusammenarbeit zwischen Abteilungen und Unternehmen. PLM-Systeme entwickeln sich dabei zu Plattformen, die sowohl interne Prozesse unterstützen als auch eine vernetzte Zusammenarbeit über Unternehmensgrenzen hinweg ermöglichen. Das Ergebnis sind effizientere Lieferketten und beschleunigte Innovationen.

Auch erklärbare und transparente AI-Modelle gewinnen zunehmend an Bedeutung. Sie stärken das Vertrauen in KI-Lösungen und erhöhen deren Akzeptanz in sicherheitskritischen Bereichen des Engineerings.

In die PLM-Lösung CONTACT Elements integrierter KI-Assistent (Screenshot).

Erfolgsfaktoren für KI im Engineering

Datenverfügbarkeit und -qualität

Die Grundlage für den Erfolg von KI-Anwendungen bilden hochwertige Daten (und deren Verfügbarkeit). PLM-Systeme stellen durch eine konsistente Datenerfassung und -verwaltung sicher, dass die benötigten Daten in der erforderlichen Qualität zur Verfügung stehen. So können Modelle auf einer soliden Datenbasis trainieren und präzise, verlässliche Ergebnisse liefern.

Nahtlose Prozessintegration

Um den vollen Mehrwert von KI-Technologien auszuschöpfen, müssen Unternehmen diese in bestehende Workflows einbinden. PLM-Systeme integrieren KI-gestützte Anwendungen in bestehende Prozesse und vereinfachen deren Nutzung. Dadurch lassen sich KI-Lösungen ohne große Anpassungen in bestehende Systeme einführen und schneller in Betrieb nehmen.

Schulungen und Change Management

Unternehmen müssen ihre Mitarbeiter*innen gezielt auf die Nutzung von KI-Tools vorbereiten. Dafür sind technische Schulungen notwendig, in denen auch ein Verständnis für den Einsatz im jeweiligen Arbeitskontext vermittelt wird. Durchdachtes Change Management fördert die Akzeptanz und involviert alle Mitarbeiter*innen aktiv in den Veränderungsprozess.

Unterstützung durch das Management

Die erfolgreiche Einführung von KI im Engineering gelingt nur, wenn das Management entsprechende Initiativen unterstützt. Die Kommunikation klarer Ziele und Strategien für die Transformation ist ebenso wichtig wie die Bereitstellung nötiger Ressourcen. Zugleich muss das Management eine Kultur des Wandels fördern.

Zusammenfassung

Die Integration von KI revolutioniert das Engineering. PLM-Systeme nehmen dabei als zentraler Dreh- und Angelpunkt der Daten eine Schlüsselrolle ein. Sie schaffen die notwendige Infrastruktur, um KI-Anwendungen in bestehende Prozesse zu integrieren und effizient zu nutzen.

Kritische Erfolgsfaktoren sind die sinnvolle Nutzung von Daten, die Integration von KI-Modellen in die bestehende IT-Landschaft sowie die Einbindung der Mitarbeiter*innen. Nur wer diese Herausforderungen gezielt angeht, gestaltet die KI-Transformation im Engineering nachhaltig.

Ratsam ist ein strategisches Vorgehen. Ihr Unternehmen sollte Technologie und Menschen gleichermaßen in den Fokus rücken. So schöpfen Sie das volle Potenzial von KI im Engineering nachhaltig aus.

Cost comparison: Cloud PLM vs. On-Premises PLM

When deciding whether to upgrade your Product Lifecycle Management (PLM) system or implement one for the first time, the benefits are clear: more efficient processes, faster time-to-market, and improved collaboration. However, once you discuss features and use cases, another critical question arises: what does it actually cost, and which option is more cost-effective in the long run?

Choosing between Cloud PLM and traditional On-Premises PLM is often a balancing act between initial investment and ongoing operational costs. This article examines the costs of Cloud PLM vs. On-Premises PLM.

The traditional approach: On-Premises PLM

On-Premises PLM refers to purchasing and running the software on your own IT infrastructure. While it requires a high upfront investment, it gives you complete control over your system.

Upfront costs:

  1. Software licenses: Typically, the highest cost. You buy perpetual licenses granting unlimited use. Prices vary depending on vendor, functionality, and number of users.
  2. Hardware infrastructure: Powerful servers, storage, network components, and backup systems are necessary and must scale for future growth.
  3. Facility costs: Server rooms with proper cooling, power supply, and security systems are essential.
  4. Implementation and customization: Installation, configuration, data migration, and process customization often require external consultants and internal resources.
  5. Training: Comprehensive training for administrators and end-users is essential to maximize system efficiency.

Ongoing Costs:

  1. Maintenance and support contracts: Annual fees for updates, patches, and technical support typically amount to 15–25% of the original license cost.
  2. IT staff: Dedicated IT personnel are needed for maintenance, troubleshooting, security, backups, and performance optimization.
  3. Hardware maintenance and replacement: Servers and storage must be regularly maintained and replaced.
  4. Energy costs: Running servers and cooling systems generates ongoing electricity costs.
  5. Security measures: Antivirus, firewalls, and regular penetration testing are required for data protection.
  6. Upgrades: Major version upgrades can be as complex as re-implementation, often involving adjustments, intensive testing, and retraining.

The flexible option: Cloud PLM

Cloud PLM (often offered as Software-as-a-Service, SaaS) provides the software and infrastructure via a third-party provider, usually requiring lower upfront costs.

Upfront costs:

  1. Setup fees (optional): Some providers charge a one-time fee for account setup or initial configuration.
  2. Implementation and customization: Configuration, data migration, and process-specific adjustments are necessary but often less extensive than On-Premises due to prebuilt infrastructure and standardized workflows.
  3. Integrations: Connecting to existing On-Premises systems may require integration projects with associated costs.
  4. Training: Training is still needed, but intuitive interfaces and online resources can reduce effort.

Ongoing costs:

  1. Subscription fees: The primary cost. Monthly or yearly fees per user usually include software, infrastructure, updates, and basic support.
  2. Scalability: Adding or removing users or storage is flexible and reflected in subscription fees.
  3. Premium support/add-ons: Extra charges may apply for advanced support, additional features, or storage.
  4. Customizations/integrations: Ongoing adjustments or new integrations may incur service fees.
  5. Internet access: Reliable, high-speed internet is essential and should be factored in, even if already available.

Direct Cost Comparison

Evaluating total costs over 5–10 years is crucial for an informed decision.

Conclusion

The optimal solution depends on your company’s specific needs:

  • Small and medium-sized businesses (SMBs): Cloud PLM is often more cost-effective, offering low upfront costs, predictable monthly fees, and reduced IT workload. Tools like CONTACT Software’s Cloud PLM system provide scalable, flexible solutions and even free trials to experience cloud-based PLM firsthand.
  • Large enterprises or companies with complex requirements: On-Premises PLM may remain preferable, offering maximum control over data and systems if sufficient IT resources are available. High upfront costs can be justified over long-term usage.

Interested in PLM and cloud technologies? The “Engineering Compass” newsletter highlights the latest trends and provides valuable insights for companies looking to make their digital product development more efficient, innovative, and future-ready.

Speeding up Product Carbon Footprint calculation with data ecosystems

Companies face the challenge of designing sustainable products and processes and reducing emissions across their entire lifecycle. The Product Carbon Footprint (PCF) captures all greenhouse gas emissions generated throughout a product’s lifecycle. While internal emissions data is often available, companies need to track and consolidate data across a product’s entire supply chain to determine the PCF. Requesting and collecting this information individually from every single supplier is hardly feasible. This is where sovereign data ecosystems like Catena-X and Manufacturing-X come into play. They enable easier, more controlled data exchange across company boundaries.

External data in PCF calculation

Product Lifecycle Management (PLM) systems already manage much of the data needed to determine the PCF. They contain information on products, variants, and bills of materials. However, many emissions originate earlier in the upstream value chain, for instance, during raw material extraction or through production and transportation processes. Requesting and maintaining this data is complex and is currently done using document-based templates, Excel spreadsheets, or specialized web portals. Data is shared on demand.

For suppliers, the approach with customer-specific portals and templates simply doesn’t scale. Requested data fields lack standardization, while input data, formats, and calculation methods often don’t align. This creates immense overhead for everyone involved: data is manually compiled, entered, and verified, increasing the risk of transfer errors.

Data ecosystems as an alternative

Data ecosystems such as Gaia-X and Catena-X counteract these data silos and simplify sharing across the entire supply chain. Instead of individually requesting necessary data and uploading it to various platforms for each customer, companies provide it in standardized data formats. If a participant in the ecosystem needs this data, they simply access it through defined protocols. Control remains with the data provider. Each participant decides for themselves which data they make available, with whom they share it, and for what purposes it can be used.

The foundation is a connector based on Eclipse Dataspace Components (EDC). Each participant uses their EDC connector to manage the data and conditions under which they wish to participate in the ecosystem. The connector compiles these into a searchable catalog. If another company wants to access the data, the two EDCs automatically negotiate the terms and conditions governing the data exchange. Only with such a legally binding agreement does the other participant gain access to the data. This way, every participant retains full control over their data.

PCF calculation within data ecosystems

PLM systems are the ideal starting point for PCF calculations. Bills of materials and work plans form the basis for capturing internal emissions. Data ecosystems now enable companies to integrate data from external partners and suppliers into their calculation. For purchased parts, not only suppliers but also their digital identities are managed within the data space. This makes it possible to search for and import PCF values for external items directly from the supplier’s EDC.

Once a product’s PCF calculation is complete, the results can be made available within the data ecosystem for further use along the value chain. Each company thus individually determines with whom and under what conditions it shares the data. The relevant data set is then available in its own EDC catalog, without the need for Excel spreadsheets and web portals.

Why PLM systems are the natural integration point

This entire workflow must take place where product data is already managed: PLM systems manage bills of materials, supplier relationships, and engineering workflows. They are the single source of truth for product information throughout the lifecycle.

PLM systems like CIM Database PLM are the ideal starting point for PCF calculations, as this is where products, bills of materials, and materials are managed.
CIM Database PLM manages all relevant data needed to exchange meaningful PCF values, including calculation methods and data quality statements.
Existing data is easily made available within the data space. The provider individually controls who can access the data and for what purposes.

Fully exploiting the potential of data ecosystems requires PLM systems with open standard interfaces. Engineering workflows now also govern how internal and external PCF data is integrated. The supplier database now includes identities within the data space, and audit trails capture external data exchanges in addition to internal changes.

Today, value creation largely stems from the ability to quickly and reliably exchange product data across the supply chain. Only deep integration between internal PLM systems and external data ecosystems can generate the necessary efficiency and build trust, both internally and externally.