Damit Machine Learning-Projekte zum Erfolg werden, müssen einige Hürden überwunden werden. Sie können beispielsweise schon an der Datengrundlage scheitern. Damit dies nicht geschieht, hat Stanislav Appelganz von WaveAccess ein paar Tipps zusammengestellt.
Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning erkennen IT-Systeme Muster und Zusammenhänge aus Daten und lernen daraus. Klassische Anwendungsfälle sind etwa die Bearbeitung von Kundenanfragen oder die Erkennung von Störfällen. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu. Die Implementierung von Machine Learning bringt aber auch Herausforderungen mit sich – darunter fallen beispielsweise die Datenaufbereitung, die Bereitstellung des Konzepts oder die Schätzung des ROI. Für die Umsetzung werden daher interne und externe Experten und Partner, Projekterfahrung sowie eine realistische Zielsetzung benötigt. Auch externe Partner können helfen. Fertiger können von ML auch in den Bereichen Asset Management, Supply Chain Management sowie der Lagerhaltung profitieren. Im Fokus stehen etwa Bedarfsprognosen, die automatische Bestandskontrolle und die Optimierung der Beschaffungsverfahren.
ML-Projekte scheitern oftmals an der Qualität der vorhandenen Daten. Eine ideale Datenbasis ist groß – mit 10.000 bis 100.000 Fakten – korrekt, hinreichend umfassend und sachgerecht gekennzeichnet. Dieser Idealzustand ist in der Praxis nur selten vorhanden, es gibt jedoch Maßnahmen diesen zu erreichen.
Mit der Erstellung eines Pilotprojekts kann die Technologie getestet und somit das Potenzial für Anwendungen und Aufgaben besser verstanden werden. ML-Projekte sollten daher immer zunächst als Proof of Concept angegangen werden. Dabei geht es um Fragen wie: Welche Daten repräsentieren oder beeinträchtigen die Zusammenhänge am besten oder welche Trefferquote ist mit dem Modell erreichbar und wie kann sie verbessert werden? Zudem kommt ein Prototyp mit anonymisierten Datenquellen aus – sprich ohne die Weitergabe sensibler Daten an den Technologiepartner.
Werkzeugbahnen für Zerspanprozesse in CAM-Systemen zu planen erfordert Expertenwissen. Viele Parameter müssen bestimmt und geprüft werden, um die Bahnplanung Schritt für Schritt zu optimieren. Im Projekt CAMStylus arbeiten die Beteiligten daran, diese Aufgabe zu vereinfachen - per KI-gestützter Virtual-Reality-Umgebung.‣ weiterlesen
In einer Studie von Techconsult in Zusammenarbeit mit Grandcentrix wurden 200 Unternehmen ab 250 Beschäftigten aller Branchen zum Thema ESG in ihren Unternehmen befragt. Die Studie hebt die zentrale Rolle der jüngsten CSR-Direktive der EU bei der Förderung von Transparenz und Nachhaltigkeit in Unternehmen hervor. Dabei beleuchtet sie die Fortschritte und Herausforderungen bei der Umsetzung von Umwelt-, Sozial- und Unternehmensführungskriterien (ESG) im Zusammenhang mit der Nutzung von IoT-Technologien.‣ weiterlesen
AappliedAI hat vier KI Use Cases identifiziert, die es dem produzierenden Gewerbe ermöglichen, ihre Effizienz und Produktivität zu steigern. Mit der Anwendung bewährter Technologien können sich die Investitionen bereits nach einem Jahr amortisieren.‣ weiterlesen
Hinter jedem erfolgreichen Start-up steht eine gute Idee. Bei RockFarm sind es gleich mehrere: Das Berliner Unternehmen baut nachhaltige Natursteinmauern aus CO2 bindendem Lavagestein. Oder besser gesagt, es lässt sie bauen - von einem Yaskawa-Cobot HC10DTP.‣ weiterlesen
Mit über 2,2Mio.t verarbeitetem Schrott pro Jahr ist die Swiss Steel Group einer der größten Recyclingbetriebe Europas. Für seinen 'Green Steel', also Stahl aus recyceltem Material, arbeitet das Unternehmen an einem digitalen Zwilling des ankommenden Schrotts.‣ weiterlesen
Laut einer aktuellen Studie von Hitachi Vantara betrachten fast alle der dafür befragten Unternehmen GenAI als eine der Top-5-Prioritäten. Aber nur 44 Prozent haben umfassende Governance-Richtlinien eingeführt.‣ weiterlesen
61 Prozent der Unternehmen in Deutschland wollen laut einer Bitkom-Befragung per Cloud interne Prozesse digitalisieren, vor einem Jahr waren es nur 45 Prozent. Mittelfristig wollen die Unternehmen mehr als 50 Prozent ihrer Anwendungen in die Cloud verlagern.‣ weiterlesen
Mit generativer KI erlebt 'Right Brain AI', also eine KI, die kreative Fähigkeiten der rechten menschlichen Gehirnhälfte nachahmt, derzeit einen rasanten Aufstieg. Dieser öffnet aber auch die Tür für einen breiteren Einsatz von eher analytischer 'Left Brain AI'. Das zeigt eine aktuelle Studie von Pegasystems.‣ weiterlesen
Um klima- und ressourcengerechtes Bauen voranzubringen, arbeiten Forschende der Bergischen Universität Wuppertal in ihrem Projekt TimberConnect an der Optimierung von digitalen Prozessen entlang der Lieferkette von Holzbauteilen. Ihr Ziel ist unter anderem, digitale Produktpässe zu erzeugen.‣ weiterlesen
Rund zwei Drittel der Erwerbstätigen in Deutschland verwenden ChatGPT und Co. zumindest testweise, 37 Prozent arbeiten regelmäßig mit KI-Anwendungen. Doch auch Cyberkriminelle machen sich vermehrt die Stärken künstlicher Intelligenz zunutze - mit weitreichenden Folgen.‣ weiterlesen
Erstmals seit der Energiekrise verzeichnet der Energieeffizienz-Index der deutschen Industrie mit allen drei Teilindizes (die Bedeutung, Produktivität und Investitionen betreffend) einen leichten Rückgang. Mögliche Gründe erkennt EEP-Institutsleiter Professor Alexander Sauer in der Unsicherheit und der drohenden Rezession, der dadurch getriebenen Prioritätenverschiebung und der Reduktion von Produktionskapazität.‣ weiterlesen