In diesem Artikel konzentrieren wir uns auf die Bereiche, in denen Analytik produktionsnah eingesetzt wird. Natürlich haben produzierende Unternehmen vielfältige weitere Bedürfnisse zum Erkenntnisgewinn aus Daten z.B. im Marketing, dem Kundenmanagement, etc.
Beispiele für die produktionsnahe Anwendung von Analytik sind:
- In Forschung und Entwicklung, um Experimente effizient zu gestalten und ihre Ergebnisse auszuwerten
- In der Überwachung der Produktion, um frühzeitig über Abweichungen vom stabilen Betrieb informiert zu werden
- Zur Qualitätssicherung, um möglichst präzise Schlüsse über die Produktgüte zu gewinnen
In all diesen Anwendungsfällen kommen „klassische“ Methoden der Statistik zum Einsatz. Diese sind seit vielen Jahrzehnten erprobt und in datengetriebenen Unternehmen unverzichtbar. Die klassischen Methoden sind exzellente Werkzeuge, aber limitiert bezüglich der Fähigkeit sehr komplexe Zusammenhänge zu erfassen.
Die Methoden des Machine Learning und der künstlichen Intelligenz erlauben das Spektrum der abgebildeten Zusammenhänge 1.) zu vertiefen und 2.) zu erweitern.
1. Vertiefen
Multidimensionale Zusammenhänge lassen sich auch bei komplexen nicht-linearen Strukturen abbilden.
Machine Learning und AI erlauben es Zusammenhänge zu erfassen und zu verarbeiten, deren Existenz bis dahin unbekannt war und deren Komplexität die „Auffassungsgabe“ klassischer Methodik übersteigt.
Zum Beispiel:
- Es existieren verschachtelte Zusammenhänge und Abhängigkeiten in den Daten, die sich durch ein einfaches Modell nicht automatisch erfassen lassen und deren manuelle Nachbildung zu aufwendig bzw. unmöglich wäre.
Es könnten Beispielsweise bestimme Maschinenparameter je Maschinenzustand unterschiedliche (mal positive, mal negative) Wirkung haben.
- Erst die Summe und das Zusammenspiel sehr vieler aber individuell-schwacher Signale haben eine Bedeutung.
Es könnten Beispielsweise die Aggregation der Temperaturen über viele Temperatursensoren relevanter sein, als die Signale einzelner Sensoren.
Dadurch wird es möglich, die Erkenntnisse aus den bestehenden Daten zu erweitern und es lassen sich die bestehenden analytischen Prozesse verbessern.
Dazu gibt es zwei Umsetzungsmöglichkeiten:
- Durch eine Erweiterung des Prozesses mit ML und AI Modellen also der Nutzung solcher Modelle im produktiven Betrieb oder durch
- Integration der gewonnen Erkenntnisse mit diesen Modellen und eine Implementierung mit dem bzw. in den bisherigen „klassischen“ analytischen Prozess (So könnte beispielsweise die Summer der Temperatursensoren per Feature Engineering ergänzt werden)
2. Erweitern
Herausforderungen lassen sich auf neuen Lösungswegen angehen z.B. per Bilderkennung, die bisher nicht umsetzbar waren.
Machine Learning und AI erlauben es bisher unerschlossene Datenquellen analytisch zu nutzen. So können Datenquellen, deren Güte bisher nicht zur Analyse geeignet war, durch die potenziell robusteren Verfahren des Machine Learning verarbeitbar gemacht und mit den bereits erschlossenen Datenquellen in Beziehung gesetzt werden. Wenn beispielsweise Maschinendaten oder „rohe“ Sensorinformationen zu den Daten, die im Labor der Qualitätssicherung erhoben wurden, in Beziehung gesetzt werden sollen, kann man beobachten, dass die Rohdaten meist nicht den strengen Voraussetzungen genügen um klassische statistische Verfahren anzuwenden. Hier können ML Verfahren ins Spiel kommen, die in der Regel weniger Voraussetzungen haben und robuster sind.
Des Weiteren lassen sich Informationsquellen anbinden, deren Inhalte bisher – analytisch gesehen – unzugänglich waren.
Zum Beispiel:
- Fehlerprotokolle (unter Umständen handgeschrieben) mittels OCR und Text Mining (NLP, LLMs etc.,) auswerten und zugreifbar machen
- Bilder von Industriekameras mittels Image Recognition (CNN, Deep Learning, etc.) auswerten
Gerade im Bereich Bilderkennung ergeben sich Potentiale zur Lösung von Problemen auf völlig neue Art und Weise, für die man früher eine Vielzahl klassischer Sensoren gebraucht hätte, oder die gar nicht zerstörungsfrei lösbar gewesen wären.
Wir bei StatSoft sind überzeugt, dass klassischen analytische Methoden weiterhin ihren Platz haben und mittelfristig nicht abgelöst werden. Aber eine Vertiefung oder Erweiterung mittels Machine Learning und AI kann für unsere Kunden ein großer nächster Schritt sein.
Haben wir ihr Interesse geweckt? Sprechen Sie uns gerne an!
