Digitalisierung : KI bei Covestro

„Mithilfe von Künstlicher Intelligenz können wir in Zukunft über Bereichsgrenzen hinweg digitale Lösungen finden, die es vorher so nicht hat geben können. Damit eröffnen wir völlig neue Möglichkeiten, um mit verbessertem Ressourceneinsatz mehr Nachhaltigkeit zu erzielen und so die Anforderungen unserer Kunden noch zielgenauer zu bedienen“, meint Sucheta Govil, Chief Commercial Officer von Covestro.

Am deutschen Produktionsstandort Dormagen testet das Unternehmen, wie der Herstellungsprozess von Polyestern optimiert werden kann. Polyester werden für die Herstellung von Polyurethanen, also speziellen Kunststoffen oder Kunstharzen, benötigt. Durch den Einsatz von KI bei der Verarbeitung umfassender Prozessdaten des Betriebs sollen freie Produktionskapazitäten geschaffen und der Energieaufwand minimiert werden. Ebenfalls in Dormagen sowie auch an den Standorten Leverkusen und Krefeld-Uerdingen kommen digitale Technologien zum Einsatz, um den Spitzendampfverbrauch von Produktionsanlagen vorherzusagen. So lassen sich Energieeinsatz und Kosten langfristig reduzieren.

Ein weiteres Projekt beschäftigt sich mit der digitalen Kundenerfahrung. Hier hilft Machine Learning dabei, Interessenten für Covestro an allen digitalen Berührungspunkten im Internet und den sozialen Medien zu identifizieren und als Kunden zu gewinnen. Auch im Einkauf von Covestro soll künftig KI zum Einsatz kommen. Fehlerhafte Rechnungen können dann mit weniger Aufwand identifiziert werden und so den Rechnungsanerkennungsprozess effizienter gestalten.

„Die laufenden Projekte zeigen, dass Daten und ihre richtige Nutzung die ganze Industrie nicht nur schlauer und schneller machen, sondern auch einen Beitrag zum Geschäftsergebnis leisten können“, sagt Nils Janus, Leiter Advanced Analytics bei Covestro. Um datenbasierte Erkenntnisse künftig optimal verwenden zu können, hat der Werkstoffhersteller beispielsweise mit der Covestro Analytics Platform (CAP) eine Plattform für Datenwissenschaftler entwickelt. Hier werden Rohdaten etwa aus Produktionsanlagen, Forschungsergebnissen und Geschäftsprozessen gesammelt und mit externen Datenbanken ergänzt, um Analysen durchzuführen und Machine Learning Modelle zu trainieren.