Künstliche Intelligenz - Erfolgreiche Anwendungsfälle für effizientere und nachhaltige Wertschöpfungsketten
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Künstliche Intelligenz Erfolgreiche Anwendungsfälle für effizientere und nachhaltige Wertschöpfungsketten Im Rahmen der „Kurz und Knackig“ Reihe am 03.06.2021 mit Jürgen Bruns (Consultant Data Science & AI)
Kurz vorweg noch einige Begrifflichkeiten
▪ Descriptive Analytics befasst sich mit der vergangenheitsbezogenen
und hauptsächlich eindimensionalen Auswertung von Daten mit
bspw. Summen, Mittelwerte, Mediane, Quantile etc.
▪ Diagnostic Analytics sucht nach (bivariaten/zweidimensionalen)
Zusammenhängen und Begründungen mit bspw. statistische Tests,
Korrelationsanalysen, Scatterplots etc.
▪ Predictive Analytics trifft auf Basis von angelernten Mustern
Prognosen für neue Fälle mit Verfahren der Künstlichen Intelligenz
bzw. des Machine Learning
▪ Prescriptive Analytics
Verwendet Optimierungsalgorithmen für bspw. optimale
Produktionsmengen, Simulationen in der Entwicklung etc. Einsatzpotenziale für Künstliche
Intelligenz bzw. Machine Learning
phwt
Künstliche Intelligenz – Erfolgreiche Anwendungsfälle für effizientere und nachhaltige Wertschöpfungsketten
„Kurz und Knackig“ am 03.06.2021 von Jürgen Bruns
Private Hochschule
für Wirtschaft und Technik
2
Bestellmengen- und Absatzprognosen für eine
ressourcensparende Produktionsplanung
Die Kunden Herausforderungen Lösung
▪ Produktionsplanung bei ▪ Konsumenten bestellen sehr ▪ Machine Learning Modelle, ob
Lebensmittelproduzenten von kurzfristig, sodass bereits vor der und wieviel von einem Artikel
schnell verderblichen Artikeln eigentlichen Bestellung und Abnahme bestellt wird
der Artikel vorproduziert wird
▪ Bspw. Backshops eines ▪ Neben unternehmensinternen
▪ Ziel ist die Optimierung der Daten werden auch externe
Discounters, Großbäckereien Vorproduktion durch Prognosen der
oder dem Handel vorgelagerte Einflussfaktoren hinzugezogen,
Abnahme je Artikel (bspw. für den die Experten der Fachbereiche
Lebensmittelhersteller Folgetag)
„im Bauch“ haben
Quelle: ORAYLIS GmbH
phwt
Künstliche Intelligenz – Erfolgreiche Anwendungsfälle für effizientere und nachhaltige Wertschöpfungsketten
„Kurz und Knackig“ am 03.06.2021 von Jürgen Bruns
Private Hochschule
für Wirtschaft und Technik
3
Welche Use Cases
Qualitätsprognosen vonhaben Potenzial erfolgreich
Fahrzeugkomponenten und Digitalzu werden?
Twins zur
Qualitätsverbesserung in der Produktion
Die Kunden Herausforderungen Lösung
▪ Forschung und Entwicklung ▪ Qualitätsprobleme bei Bauteilen ▪ Modell zur Analyse der
werden erst bei der Endkontrolle oder Einflussfaktoren in Hinsicht auf die
sowie Produktionsplanung sogar erst nach Inbetriebnahme Qualität (Gutteil vs. Schlechtteil)
eines PKW Herstellers erkannt ▪ Modell zur Reklamationsprognose
▪ Laserschweisslinie im Rahmen ▪ Auf welche Ursachen sind die basierenden auf den gefundenen
der Getriebefertigung
Qualitätsprobleme zurückzuführen? Einflussfaktoren
▪ Kann die „analoge“ Qualitätsmessung ▪ Modelle basieren auf Sensordaten
zusätzlich unterstützt werden? der gesamten Produktionslinie
Quelle: ORAYLIS GmbH
phwt
Künstliche Intelligenz – Erfolgreiche Anwendungsfälle für effizientere und nachhaltige Wertschöpfungsketten
„Kurz und Knackig“ am 03.06.2021 von Jürgen Bruns
Private Hochschule
für Wirtschaft und Technik
4
Welche Use Cases haben Potenzial erfolgreich zu werden?
Erfolgreich Weniger erfolgreich
Fokus Konkreter Use Case/konkrete Fragestellung Aufbau einer Data Science Plattform
Wer gestaltet? Kunden arbeiten von Anfang an mit „Wir wissen selbst am besten, was unsere Kunden
wollen“
Messbarkeit Nutzen lässt sich messen und bewerten Interne Arbeitserleichterung oder Fingerpointing
Wer treibt das Thema voran? Fachabteilung IT oder BI-Organisation
Datenlage ▪ Ausreichend viele Fälle vorhanden, aus ▪ Nur wenige Fälle vorhanden
denen Muster abgeleitet werden können ▪ Neue, bislang nicht genutzte Datenquellen, die
▪ Daten werden bereits für BI genutzt und noch nicht verstanden werden
werden gut verstanden ▪ Daten enthalten nicht die Antwort auf die
Fragestellung
Modell/Algorithmus Modell so einfach wie möglich halten Ausprobieren von Deep Learning, Reinforcement
Learning steht im Mittelpunkt (Technologiefokus)
Technische Umsetzung Klare Vorstellung, wie das Modell in die Neuland/Pionierarbeit beim Umsetzen in Produktion
Produktion gebracht werden kann
Quelle: ORAYLIS GmbH
phwt
Künstliche Intelligenz – Erfolgreiche Anwendungsfälle für effizientere und nachhaltige Wertschöpfungsketten
„Kurz und Knackig“ am 03.06.2021 von Jürgen Bruns
Private Hochschule
für Wirtschaft und Technik
5
Wie werden Künstliche Intelligenz Projekte erfolgreich durchgeführt?
Workshops zur Ideenfindung und
anschließender Machbarkeitsstudie, in
der ein erster Prototyp entwickelt wird
Optimierung und
Verbesserung des Prototypen
Aufbau eines automatisierten
Retrainings mitsamt Batch- oder
Liveabfrage
Deployment der Lösung in der Cloud
oder klassisch auf eigenem Server
Monitoring
phwt
Künstliche Intelligenz – Erfolgreiche Anwendungsfälle für effizientere und nachhaltige Wertschöpfungsketten
„Kurz und Knackig“ am 03.06.2021 von Jürgen Bruns
Private Hochschule
für Wirtschaft und Technik
6Kontakt
Jürgen Bruns (M.Sc.)
Consultant Data Science & AI
E-Mail: jubruns@uni-osnabrueck.de
Mobil: 0152 2269 5156Sie können auch lesen
