Success Story – CYNEFY
Prüfung von Produktkennzeichnungen für Automotive
Maschinelle Massenprüfung von Produktkennzeichnungen durch Anomalieerkennung auf Basis von Image Detection für einen Automotive Sector
Schlagwörter
Image & Anomaly Detection, Machine Learning, Supervised Learning, Product Compliance Management
Herausforderung
- Eine UKCA-Kennzeichnung ist in Anlehnung an die allseits bekannten CE-Kennzeichnung, zukünftig Pflicht für Produkte, die in den Markt UK verkauft werden. Mit Erfüllung dieser Produktzertifizierungen bestätigt der Hersteller und Inverkehrbringer, dass das Produkt die erforderlichen Gesundheits-, Sicherheits- und Umweltschutznormen erfüllt.
- In Abhängigkeit der Produktklasse muss die Kennzeichnung auf dem Produkt selbst oder auf seiner Verpackung angebracht werden.
- Eine manuelle Prüfung der Kennzeichnung auf Produkt und/oder Verpackung ist a) durch das Zusammensuchen der relevanten Produkt- und Zertifizierungsstammdaten zeitaufwändig und auf Grund der fehlenden Erfahrungen im Logistikumfeld zu Compliance Management oftmals fehleranfällig. Dies gilt insbesondere dann, wenn große Mengen an Bauteilen überprüft werden müssen.
- Die Nichteinhaltung gesetzlicher Vorschriften führt dazu, dass Produkte nicht verkauft und im Markt in Verkehr gebracht werden können.
Kompetenzen und Leistungen
- Business Process Management & Business Analytics
- Agiles Projektmanagement
- RegTech
- Product Compliance Management Services
- Data Science and Information Systems Engineering
Lösung
- Business Understanding: Prozessanalyse zum Verstehen der Prüflogik für Kennzeichnungspflichten für Produkte und Verpackungen bei der Anwendung von UKCA und CE.
- Data Understanding, Data Pipeline und Preparation: Sichtung der für den Use Case notwendigen Daten und der relevanten Quellen innerhalb und außerhalb der Kundenorganisation unter Einbindung von Business und IT Departments.
- Modelling eines webbasierten Image Detection Automaten, um die Bilder mit entsprechenden Tags, Kategorien und Metadaten zu versehen.
- Training des Models mit Grunddaten, Test und Re-training des PoC zur Bestimmung/Steigerung der Erkennungsgenauigkeit und -konsistenz.
- Deployment der Detection Lösung inkl. Frontend und Anbindung der Data Pipeline.
- Monitoring und Refinement: fortlaufendes Überwachen (Stichproben) sowie Korrigieren des Models.
