Die kontinuierliche Weiterentwicklung von Digital Engineering Werkzeugen hat den Produktentwicklungsprozess maßgeblich verändert. Dank steigender Rechenleistung lassen sich heute immer detailliertere digitale Modelle erstellen, die komplexe Produkteigenschaften und -verhalten präzise simulieren. Allerdings bleibt der untersuchte Lösungsraum oft begrenzt, da aufgrund der hohen Komplexität meist nur ausgewählte Parameter optimiert werden. Dieser Optimierungsprozess basiert in erster Linie auf menschlichem Fachwissen, das jedoch durch zeitliche, finanzielle und kognitive Einschränkungen sowie mögliche Verzerrungen nicht immer zur bestmöglichen Lösung führt.

In der aktuellen Forschung zur simulationsgetriebenen Produktentwicklung wurden Machine Learning Ersatzmodelle (MLS) eingeführt, um herkömmliche Simulationen für Produktanalyse und -validierung zu verbessern oder teilweise zu ersetzen. MLS-Techniken verringern den Rechenaufwand im Vergleich zu herkömmlichen Simulationen erheblich. So kann ein großer Lösungsraum mit geringem Aufwand untersucht werden.

Parallel dazu wächst der Bedarf an Automatisierung in der Produktherstellung, nicht zuletzt aufgrund des demografisch bedingten Fachkräftemangels. In diesem Kontext haben sich Methoden des Design for Automatic Assembly etabliert. 

Das Forschungsprojekt EasyMLS kombiniert die Nutzung von MLS und den Bedarf der hybriden Entscheidungsfindung. Die angestrebten Ergebnisse bilden die methodische Grundlage für die Implementierung entsprechender Assistenzfunktionen in CAD- und anderen digitalen Engineering-Tools zur Effizienzsteigerung in der Produktentstehung.