Maschinenausfälle minimieren, Rohstoffe einsparen durch geschickte Kombination von Werkstoffen, Lieferanten und Fabrikationsvorgängen oder Prozesse optimieren durch intelligente Sensorik.
Solche und weitere Optimierungsmöglichkeiten konnten wir mit Hilfe des Einsatzes von maschinellem Lernen für Unternehmen wie Rolf Benz oder die Sick AG aufzeigen.
Aus den Datensätzen werden Kennzahlen, sogenannte Features, so wie Zielgrössen extrahiert.
Die Features sind die wesentlichen Merkmale der Daten, sozusagen ihr Fingerabdruck. Die Zielgrössen sind für vergangene Datensätze bekannt und für zukünftigen Daten möchte man diese alleine anhand der Features voraussagen.
Mit den extrahierten Datenpunkten wird ein Modell trainiert. Im wesentlichen wird hierbei eine modellabhängige Funktion konstruiert, welche möglichst optimal durch die bereits bekannten Datenpunkte verläuft. Setzt man die Features neuer Daten in diese Funktion ein, so erhält man eine Approximation der für diese Daten unbekannten Zielgrösse.
Um die Qualität dieser Vorhersage zu messen, werden einige Datenpunkt beim Trainieren zurückgehalten. Auf diesen Test-Daten kann man die von dem Modell vorhergesagten Zielgrössen mit den tatsächlichen bisher bekannten Zielgrössen vergleichen.
Die Wahl der Modelle hängt stark von der Art und dem Umfang der Daten so wie den individuell ausgearbeiteten Fragestellungen ab.
Informieren Sie sich über die Optimierungsmöglichkeiten Ihres Unternehmens unter info@buerozwei.com oder besuchen Sie unsere Homepage unter www.buerozwei.com
