人工智能（AI）在汽车生产中呈上升趋势。自2018年以来，宝马集团一直在批量生产中使用各种AI应用。一个重点是自动图像识别：在这些过程中，人工智能在正在进行的生产中评估组件图像，并将它们以毫秒级与相同序列的数百个其他图像进行比较。这样，AI应用程序实时确定与标准的偏差，并检查是否已安装所有必需的部件以及它们是否安装在正确的位置。

在宝马集团，灵活，经济，基于AI的应用程序正在逐步取代永久安装的摄像头门户。实施相当简单。只需一台移动标准相机即可拍摄生产中的相关照片。AI解决方案也可以快速设置：员工从不同角度拍摄组件照片并标记图像上的潜在偏差。这样，他们创建了一个图像数据库，以便建立一个所谓的神经网络，以后可以在没有人为干预的情况下评估图像。员工不必编写代码; 算法几乎可以独立完成。在训练阶段，这可能意味着一夜之间，高性能服务器从大约100个图像计算神经网络，并且网络立即开始优化。在测试运行并可能进行一些调整之后，可靠性达到100％。学习过程完成，神经网络现在可以自行确定组件是否符合规范。

即使是移动物体也可以在很大程度上独立于生产区域的照明或精确的摄像机位置等因素进行识别。这为整个汽车工艺链开辟了广泛的潜在应用，包括物流。在许多情况下，AI技术可以减轻员工重复，单调的任务，例如检查警告三角形是否在行李箱中的正确位置，或者是否已经戴上挡风玻璃雨刷帽。

人工智能可以执行苛刻的检查任务

在宝马集团Dingolfing工厂的最终检测区域，AI应用程序将车辆订单数据与新生产的汽车的型号名称的实时图像进行比较。用于四轮驱动车辆的型号名称和其他识别牌（例如“xDrive ”）以及所有通常认可的组合存储在图像数据库中。如果实时图像和订单数据不对应，例如，如果缺少指定，则最终检查团队会收到通知。

AI人工智能消除了伪缺陷

在冲压车间，平板金属零件被转变为车身的高精度部件。形成后残留在部件上的灰尘颗粒或油残留物很容易与非常细小的裂缝相混淆，这种裂缝在该过程中很少发生。宝马集团位于德国Dingolfing的工厂以前基于相机的质量控制系统偶尔也会标记这些伪缺陷：即使没有实际故障，也会偏离目标。使用新的AI应用程序，这些伪缺陷不再发生，因为神经网络可以访问每个特征大约100个真实图像 - 即大约100个完美组件的图像，100个带有灰尘颗粒的图像，另外100个带有油滴的图像等
宝马集团的斯太尔工厂和宝马集团数据分析团队也成功地消除了伪缺陷。在发动机冷试验中假定的扭矩测量的不规则性经常变得无关紧要。然而，在引入AI解决方案之前，这样的结果导致复杂的手动检查和进一步的测试运行，包括燃料的热测试。基于许多记录的测试运行来训练分析软件，从而学习区分实际和假定的错误。

AI'In Control' - 将AI与设施和机器人控制系统集成

宝马集团首个智能AI控制应用程序在宝马集团斯太尔工厂首次亮相。该应用程序通过防止在传送带上不必要地移动空箱来加速物流过程。为此，容器通过相机站。使用由员工标记的存储图像数据，AI应用程序识别是否需要将容器捆绑到托盘上，或者是否 - 在大而稳定的盒子的情况下 - 不需要额外的固定。如果不需要绑扎，AI应用程序通过最短的路径将集装箱引导至叉车的拆卸站。另一方面，必须另外固定的容器通过绑扎系统直接引导到输送机部分，然后仅引导到位于后面的移除站。先前，所有集装箱都必须运到大型集装箱的搬运站。从那里，需要额外固定的集装箱必须转发 - 并且只能在绕道后到达绑扎设施并最终到达正确的拆除站。

除了在斯太尔的应用，人工智能还是宝马集团众多其他物流创新的幕后推手。它还支持虚拟布局规划，可以为建筑物和工厂创建高分辨率3D扫描。人工智能最终有助于识别3D扫描中的各个对象，例如容器，建筑结构或机器。这允许工程师从3D规划软件中的3D扫描中删除单个对象，并单独修改这些对象，这样可以更容易地模拟和理解车间的调整。

在宝马集团的工厂中使用AI应用已经有了明显的趋势。智能数据分析，最先进的测量技术和AI 的日益集成为  生产管理开辟了新的机遇。例如，在车身车间，最终检查的图像可能表明焊接金属在几个车身的同一焊接点喷出。使用AI，可以关闭控制回路，并且可以更快，更有效地调整系统控制或维护周期。在油漆车间，人工智能和分析应用程序提供了在错误很难发生的早期阶段检测错误来源的潜力。