Masterarbeit · Bosch
Kann Machine Learning Vorgangsdauern schätzen?
Vier Prognosemodelle auf Basis realer Bosch-Terminpläne. Die zentrale Erkenntnis: Erst die Datenbasis, dann die KI.
Auf einen Blick
- Art
- Masterarbeit, M.Eng. Technisches Innovationsmanagement
- Zeitraum
- 10/2023 – 05/2024
- Daten
- 4.000+ Vorgänge aus zwei Bosch-Projekten
- Tools
- MS Project, Python (pandas, scikit-learn), MySQL, Signavio, Visio
Hintergrund
Entstanden im Project Management Office von Bosch Semiconductor Operations in Reutlingen als Masterarbeit an der Hochschule Harz.
Bosch Semiconductors, Reutlingen (englisch) ↗Hochschule Harz ↗
Ausgangslage
In Großprojekten wird die Dauer einzelner Vorgänge bis heute überwiegend durch Expertenschätzung bestimmt. Das PMO wollte wissen, ob künstliche Intelligenz die Planungsphase unterstützen kann und welche Verfahren dafür tatsächlich geeignet sind.
Umfeld
Die Arbeit entstand an der Waferfabrik von Bosch in Reutlingen, dem traditionsreichsten Halbleiterstandort des Unternehmens, an dem seit 1970 Chips gefertigt werden. Reutlingen produziert auf 200-mm-Wafern Automotive-ICs, MEMS-Sensoren (die winzigen Bewegungs- und Drucksensoren in Airbags, ESP und Smartphones) sowie Leistungshalbleiter, darunter Siliziumkarbid-MOSFETs. Es ist der einzige Bosch-Standort, der Frontend- und Backend-Fertigung mit einem eigenen Testzentrum verbindet.
Die Daten stammen aus zwei internationalen Großprojekten des PMO.
Mein Beitrag
- Forschungsstand ausgewertet: systematische Literaturrecherche mit 200+ Quellen, eingegrenzt auf 40+, zu KI im Termin-, Risiko- und Ressourcenmanagement.
- Ist-Analyse der Planungsprozesse: Experteninterviews, direkte Beobachtung sowie ein Abgleich von PMI-Standard, Bosch-Standard und einem laufenden Projekt.
- Datenpipeline aufgebaut: Terminpläne aus MS Project exportiert, bereinigt, kodiert und in eine MySQL-Datenbank überführt.
- Vier Modelle entwickelt und trainiert in Python: Random Forest, Gradient Boosting, ein neuronales Netz und Support Vector Regression.
Ergebnis
Die beiden Ensemble-Verfahren lagen klar vorn. Das beste Modell, ein Random Forest, erklärte über 85 % der Streuung der Vorgangsdauern. Neuronales Netz und Support Vector Regression blieben bei dieser Datenmenge deutlich zurück. Die Ergebnisse habe ich nach der Verteidigung dem Bosch-Management vorgestellt.
Erkenntnis
Die Fachliteratur empfiehlt meist neuronale Netze. Mit realen Unternehmensdaten zählen jedoch Qualität und Umfang der Daten mehr als der Algorithmus. Bevor man auf KI setzt, muss die Datenbasis stimmen. Als nächste Schritte habe ich vorgeschlagen: die Datenbasis verbessern, Ressourcen als Merkmal ergänzen, Daten zwischen den Planungsprozessen verknüpfen und Echtzeitfaktoren für robustere Terminpläne einbeziehen.