In der Entwicklungsphase eines jeden neuen Fahrzeugprojekts wird der Materialmix festgelegt. Bei der Karosserie betrifft dies unterschiedliche Metallgüten, Blechdicken und Beschichtungen. Mit der stetig wachsenden Zahl neuer Metallgüten und zunehmend dünneren Blechdicken nehmen auch die Auswahlmöglichkeiten für Materialien und entsprechende Dicken von Mehrblechverbindungen zu. Die Aufgabe der Produktionsplanungsingenieure besteht darin, die Herstellbarkeit sicherzustellen. Eine beträchtliche Anzahl von Mehrblechverbindungen ist hinsichtlich ihrer Schweißbarkeit gut erforscht. Da jedoch regelmäßig neue Materialkombinationen in Bezug auf Legierungen, Dicken und Beschichtungsoptionen entstehen, müssen diese auf ihre Eignung für das Punktschweißen überprüft werden. Der experimentelle Aufwand hierfür ist erheblich und erfordert in der Regel die Beauftragung externer Prüflabore.

Basierend auf einem vorhandenen Datensatz, der Materialkombinationen, die physikochemischen und technischen Eigenschaften jedes Materials, die Dicke der einzelnen Materialien sowie weitere Informationen wie Beschichtungen oder deren Fehlen enthält, und unter Verknüpfung dieser Kombinationen mit der Schweißbarkeitsinformation (ja/nein) stand ein gelabelter Datensatz zur Verfügung. Der sogenannte Feature-Vektor umfasst 176 Parameter und enthält alle notwendigen Informationen, um ein Machine-Learning-Modell zu trainieren, das die Schweißbarkeit neuer Materialkombinationen mit einer Genauigkeit von 99,9 % vorhersagen kann.

Das Kernmodul (die KI- bzw. Machine-Learning-Komponente) ist Teil einer bestehenden Anwendung mit einem Web-Frontend. Über dieses können Nutzer eine Liste von zu analysierenden Schweißpunkten importieren. Die ursprüngliche Liste wird automatisch in eine Liste von Material-Dicken-Kombinationen umgewandelt, auf die das Machine-Learning-Modell angewendet wird. Das Ergebnis, also ob die Schweißpunkte schweißbar sind oder nicht, wird anschließend als Ausgabe zurückgegeben. Der gesamte Workflow, einschließlich der Datenumwandlung und der Ausführung des Machine-Learning-Modells, wird über das Web-Frontend gesteuert.