Machine Learning bezeichnet eine Klasse von KI-Methoden, die aus Daten Zusammenhänge ableiten können. Diese Zusammenhänge können als prädiktive Modelle oder auch als explizit verwertbares Wissen aus den Daten gewonnen werden.

Automatic Machine Learning (AutoML) ist eine Weiterentwicklung, bei der die Lernmethoden automatisch für die jeweiligen Datenmengen und Aufgabenstellungen ausgewählt, validiert und optimiert werden. Unsere ClearVu Analytics Produktfamilie stellt diese Funktionalitäten zur Verfügung.

Adaptive Lernmethoden ermöglichen es zudem, dass die so erstellten Modelle kontinuierlich überprüft und im Falle von notwendigen Anpassungen automatisch nachtrainiert werden. Machine Learning ist ein mächtiges Instrument zur automatischen Modellierung von Daten und ist in vielen Bereichen einsetzbar, von der Entwicklung bis hin zu Produktions- und Logistikprozessen.

Die Kombination von künstlicher Intelligenz und Optimierung eignet sich hervorragend, um Produktionsprozesse hinsichtlich Produktqualität, Prozessstabilität, Ressourcenverbrauch oder anderer Kriterien zu optimieren. Dazu werden Prozessdaten gemeinsam analysiert und mit Hilfe des maschinellen Lernens Vorhersagemodelle abgeleitet, die das Zielkriterium – beispielsweise Produktqualität – aus den Prozessdaten vorhersagen können.

In Kombination mit einem nichtlinearen Optimierverfahren können dann Prozessparameter abgeleitet werden, die eine weitere Verbesserung des Zielkriteriums ermögliche. Umgekehrt ist es auch möglich, eher nachteilige Parametereinstellungen zu identifizieren und diese dann zu vermeiden. Falls mehrere Zielkriterien gleichzeitig optimiert werden sollen, kann dies mit Methoden der sogenannten Mehrzieloptimierung umgesetzt werden. Die Kombination maschinellen Lernens mit der Optimierung ist der Schlüssel zur erfolgreichen Prozessoptimierung.

Maschinelles Lernen, KI und Optimierung basieren auf Daten, die aus unterschiedlichen Quellen kommen können und oftmals unvollständig oder unzureichend für die Analyse vorbereitet sind. Die automatisierte Vorverarbeitung dieser Daten, das sogenannte Preprocessing, kann ebenfalls mit maschinellen Lernverfahren unterstützt werden. Die Kombination und Integration von Daten aus verschiedenen Quellen ist eine weitere wichtige Voraussetzung für die Anwendung von Lern- und Optimierverfahren.

Für beides haben wir die passenden Werkzeuge, die wir an Ihre Anforderungen anpassen, so dass die Methoden der KI bestmöglich einsetzbar werden. Die Resultate des maschinellen Lernens stellen wir durch Schnittstellen in Ihrer IT-Umgebung zur Verfügung, so dass sie direkt im Prozess nutzbar werden.

Mit Hilfe der datengetriebenen Modellierung mit AutoML-Methoden können aus geeigneten Daten auch Prognosemodelle für prädiktive Wartungsmaßnahmen – predictive Maintenance – abgeleitet werden. Mittels derartiger Modelle ist es möglich, die verbleibende Restlaufzeit (oft Remaining Useful Life, RUL, genannt) von Anlagenkomponenten vorherzusagen.

Das ermöglicht eine deutliche verbesserte Planung und damit auch Optimierung von Wartungsintervallen und Wartungsmaßnahmen und die Vermeidung von ungeplanten Produktionsstillständen.

Die Qualität von produzierten Komponenten hängt häufig von einer Vielfalt von Parametern ab, die die Prozesseinstellungen, Materialeigenschaften und andere Einflussgrößen umfassen. Im Zuge der Digitalisierung sind diese Daten heute in zunehmender Weise verfügbar. Mittels der datengetriebenen Modellierung mit AutoML-Methoden können aus derartigen Daten Prognosemodelle für die Produktqualität in Abhängigkeit von diesen Einflussparametern gelernt werden. Daraus können wir wesentliche Einflussparameter für die Produktqualität ableiten und, in Kombination mit unseren Optimieralgorithmen, Empfehlungen für optimale Parametereinstellungen geben, die die Produktqualität, Ausschussrate oder Nacharbeitsaufwände weiter verbessern können.

Unsere Tools und Methoden helfen Ihnen bei der Qualitätssicherung. Dabei werden sowohl der Produktionsprozess als auch das Produkt selbst betrachtet. Zum einen können die wichtigsten Parameter bestimmt werden, die entscheidend für das Endergebnis sind, zum anderen werden Optimierungsvorschläge hinsichtlich Ihrer gewünschten Ergebnisse gemacht. So wissen Sie, was bei einer Umstrukturierung des Prozesses oder bei einer neuen Rezeptur zu beachten ist.