Im Rahmen der Zusammenarbeit analysieren die Ingenieure von Jungheinrich frühe Batterietestdaten und leiten daraus mithilfe der KI-gestützten Engineering-Tools von Monolith Vorhersagen für produktrelevante Performancekennwerte ab. Dazu werden Machine-Learning-Modelle mit realen Testdaten trainiert und validiert, um frühzeitig belastbare Erkenntnisse für schnellere, fundiertere technische Entscheidungen zu gewinnen und zugleich den Umfang physischer Testkampagnen zu reduzieren. 

Jungheinrich führt entwicklungsbegleitende Batterietests durch und generiert dabei erhebliche Mengen an technischen Mess- und Testdaten. Im Projekt werden diese Datensätze in die Engineering-Tools von Monolith überführt, um prädiktive KI-Modelle zu trainieren und zu validieren. 

Während Jungheinrich sein Elektro-Produktportfolio erweitert, zielt die Zusammenarbeit durch die Transformation von Testdaten in Vorhersagemodelle darauf ab, die Bewertung und Auswahl von Batterietechnologien zu optimieren. 

Monolith stellt dafür eine KI-gestützte Engineering-Software bereit, die den Bedarf an Prototypen und Testkampagnen reduzieren und so den Fokus der Engineering-Teams auf kritische Design- und Validierungsfragen unterstützen soll. Des Weiteren erhält Jungheinrich Zugang zu einer zentralen Engineering-Intelligence-Plattform, auf der Teams sicher auf Testdaten, Modellwissen sowie Empfehlungen für nächste Experimente aus unterschiedlichen Entwicklungsprogrammen zugreifen können. Die skalierbare Lösung soll dabei unterstützen, Entscheidungen früher im Entwicklungszyklus zu treffen und gleichzeitig Kosten sowie Testaufwand zu senken.