Das war der 1. Tag der Predictive Analytics World for Industry 4.0

Dieser zweiteilige Beitrag berichtet von den Höhepunkten der Predictive Analytics World for Industry 4.0 im Mai 2019 in München.

Home / Aktuelles / Das war der 1. Tag der Predictive Analytics World for Industry 4.0

Und hier sind die Highlights des ersten Tages, welche Ihnen helfen sollen, von der Idee zur Anwendung von maschinellem Lernen (ML) bzw. Künstlicher Intelligenz (KI) in Ihrem Unternehmen zu kommen.

Halten Sie Ausschau nach den „Beschleunigern“.

„The biggest successes start with doing the same thing in a different way, e.g. by applying new technology to do something in a better way, and not by doing completely new things.” – Dr. Andreas Braun, Managing Director, Accenture Deutschland

Im Rahmen seiner wegweisenden Keynote „Data and AI – the „New Oil“ or Rather „Dangerous Asbestos“?“ machte Dr. Andreas Braun, Managing Director von Accenture, klar, dass es bei der kommerziellen Anwendung von prädiktiver Analyse bzw. Künstlicher Intelligenz in der Industrie nicht darum geht, nach den „moon shots“ zu suchen. Die von ihm als „Beschleuniger“ bezeichneten Innovationen (etwas mit neuer Technologie zu verbessern), seien den „Transformatoren“ (etwas komplett Neues zu tun) überlegen. Darüber hinaus sind sie wesentlich leichter zu finden.

Auch bei der Einschätzung der eigenen Möglichkeiten sei es wichtig in den Unternehmen Realismus einkehren zu lassen. Es geht nicht darum alles selbst zu tun, sondern mit den richtigen Partnern zusammenzuarbeiten. So müsse nicht laufend das Rad (beispielsweise der Aufbau einer Cloud-Plattform) neu erfunden werden. Hier gibt es in Deutschland mittlerweile zum Beispiel in der Automobilindustrie beim Thema autonomes Fahren langsam ein Umdenken.

In der Q&A verriet dann Dr. Andreas Braun auch, wo seiner Meinung nach die Data Scientists in einem Unternehmen angesiedelt sein sollen:

„Start with a central data science team to create a critical mass, respectively a community. Then move them more and more towards the business. It’s a moving target.” – Dr. Andreas Braun, Managing Director, Accenture Deutschland

Er selbst habe in vielen Unternehmen einen hybriden Ansatz gesehen. In diesem stellt ein zentrales Team vor allem die Technologie bereit. Zusätzlich sind kleinere Teams direkt im Fachbereich angesiedelt.

Finden Sie den Business Case.

„Success means getting from use case to business case.” – Dr. Bodo Hüsemann, Partner, Informationsfabrik GmbH

Dubravko Dolic (Continental Reifen Deutschland) und Dr. Bodo Hüsemann (Informationsfabrik GmbH) verdeutlichten in ihrem Vortrag “Beyond the Data Lab: Advanced Analytics at Continental Tire”, dass es nicht darum geht, bestimmte Technologien einzusetzen. Bevor der Fokus auf diese fällt, muss ein Anwendungsfall gefunden werden, der im weiteren Verlauf zu einem Business Case reifen sollte. Auf der Suche nach Anwendungsfällen ist es Ihrer Meinung nach sinnvoll, auch neuere Methoden wie beispielsweise Design Thinking in einem Unternehmen auszuprobieren.

Also wiederum ein Plädoyer dafür, dass die technischen Herausforderungen nicht die größten, vor allem aber nicht die ersten Hürden bei der Nutzung von prädikativen Analysemethoden sind. Es geht teilweise um ein radikales Umdenken, wie Projekte verlaufen sollen.

Programmdirektor Martin Szugat schlägt mit seiner Datenstrategie-Beratung Datentreiber ebenfalls in die gleiche Kerbe. Die Anwendung von Data Thinking beim Datenstragie-Design ist meist zentrales Element bei seinen Beratungsprojekten. Diese Methode kann auch im Rahmen der mehrstufigen Datengipfel-Seminare erlernt und dann im jeweiligen Unternehmen verankert werden, um das erwähnte Umdenken zu beschleunigen.

Auch Cedric Oette von Schaeffler (“A Self-learning AI for Tool Wear Detection at Schaeffler”) wies auf die Wichtigkeit eines Business Case hin. Im präsentierten Anwendungsfall zur Erkennung von Abnutzung bei Produktionsmaschinen hieß das konkret, dass teilweise auf zusätzliche Hardware (mehr Kameras) verzichtet werden musste. Dies wurde softwareseitig durch entsprechende analytische Methoden kompensiert. Schlussendlich entwickelte man ein modular aufgebautes Analysemodell, welches sich selbst an die unterschiedlichen Produktionsmaschinen anpasst, um den Verschleiß dieser zu erkennen.

Teilen Sie ein großes Problem in mehrere Teilprobleme.

„The key to success in Predictive Analytics or Artificial Intelligence projects is often to decompose one big problem in several (digestible) smaller problems.” – Ralf Klinkenberg, Co-Founder und General Manager, RapidMiner GmbH

Ralf Klinkenberg von RapidMiner (“Machine Learning Beyond Classification and Regression: Predicting Assembly Plans for New 3D Product Designs at Daimler Trucks”) zeigte in seinem Vortrag eindrucksvoll wie wichtig es sein kann ein großes Problem sukzessive in kleinere Teilprobleme zu sezieren. So kann es manchmal überhaupt erst möglich gemacht werden, einen Ansatzpunkt für eine Lösung zu finden.

Der Übergang vom Produktdesign eines LKW-Motors, welcher aus unzähligen Teilen besteht, in einen Produktionsplan ist ein hoch komplexer Prozess. Es entstehen dabei viele Schleifen zwischen Produktentwicklern und Produktionsplanern. Wie kann so ein Prozess von Methoden des maschinellen Lernens unterstützt werden? Nicht wie Ralf Klinkenberg in einem ersten Versuch dachte mit komplexen Graph-Modellen, sondern mit einer Kombination aus eher klassischen Methoden des maschinelles Lernens: Regression, Clustering und Klassifikation.

Denken Sie an die Anwender und beziehen Sie diese von Beginn an mit ein.

„Don’t only focus on the machine learning problems. Don’t forget the other problems in projects.” – Benedikt Buer, Leiter Softwareentwicklung, Homag Group

Auch der Nachmittag des ersten Tages brachte zahlreiche interessante Anwendungsfälle im Rahmen der Vorträge auf der Agenda. Ein großes Thema war die Anwendung von maschinellem Lernen zur visuellen Überprüfung (Alex Conway „Deep Learning for Computer Vision Inspections of Cars & Infrastructure“; Simon Stiebellehner „When Labelled Data is Scarce: Semi-Supervised Learning for Visual Inspection at Miba“) oder Prozessoptimierung (Benedikt Buer „Using Machine Learning to Build a Mechatronic Operator Assistance System at Homag“).

Sowohl beim erstgenannten Anwendungsfall, bei dem mittels einer Handy-App unterschiedliche Aufnahmen vom Mietfahrzeug oder der entsprechenden Infrastruktur (bspw. Sicherungskasten) gemacht werden müssen, um Schäden zu identifizieren, als auch bei der Überprüfung von Industrieprodukten (Miba), wurde von den Referenten darauf hingewiesen, wie wichtig die Einbindung der unterschiedlichen Anwendergruppen ist. Von Anfang an.

Einerseits um mit den Experten gemeinsam das Datenprodukt zu entwickeln, andererseits um das Vertrauen der Anwender zu gewinnen. Nicht nur dann, wenn es um hochspezialisiertes Expertenwissen geht, sondern auch wenn das Produkt ein Assistenzsystem ist, welches Arbeiter an Maschinen bei repetitiven Tätigkeiten unterstützt. Im Falle von Homag beim Zuschnitt von Holzplatten.

Verpassen Sie nicht die Highlights des 2. Tages.

Registrieren Sie sich für den Datentreiber-Newsletter und erhalten Sie monatlich die neuesten Beiträge und weitere Neuigkeiten. So verpassen Sie auch nicht die Zusammenfassung der Highlights des zweiten Tages der Predictive Analytics World for Industry 4.0 2019 in München.

Mit dem Klicken auf ‚Für den Newsletter anmelden’ stimmen Sie zu, dass wir Ihre Informationen im Rahmen unserer Datenschutzbestimmungen verarbeiten.

Anmerkung: Dieser Beitrag wurde von unserem Gastautor Martin Raffeiner, Geschäftsführer von datenbotschafter consulting, verfasst.

Abonnieren Sie unseren Newsletter:

Erhalten Sie alle relevanten Blogartikel, neue Seminartermine, spezielle Konferenzangebote und vieles mehr bequem per E-Mail.



Mit dem Klicken auf ‚Für den Newsletter anmelden’ stimmen Sie zu, dass wir Ihre Informationen im Rahmen unserer Datenschutzbestimmungen verarbeiten.

 

Wir treiben Ihr Unternehmen voran.