In einem Forschungsprojekt beschäftigte sich MES-Hersteller Industrie Informatik gemeinsam mit Kunden, Forschungs- und Bildungseinrichtungen intensiv mit dem Thema Predictive Analytics. Das Ergebnis ist eine Out-of-the-box-Lösung, die rasch und effizient den Blick in die Zukunft ermöglicht.

Foto: istock.com/nullplus Der Blick in die Glaskugel: Industrie Informatik präsentiert Predictive Analytics-Lösung Transparenz ist ein elementarer Bestandteil einer effizienten Fertigungsumgebung. Sie durchleuchtet vergangene und aktuelle Abläufe, zeigt Potenziale auf und hilft Industriebetrieben dadurch bei der Optimierung ihrer Wertschöpfung. Mit der zunehmenden Digitalisierung steigen allerdings auch die Anforderungen an eine effiziente Verarbeitung der Datenmengen – und das idealerweise in Echtzeit. Kombiniert mit neuen Erkenntnissen rund um Künstliche Intelligenz und Machine Learning, wird der viel zitierten Blick in die Glaskugel möglich.

Out-of-the-box-Lösung

Dass Predictive Analytics kein neues Thema ist, weiß Thomas Krainz, Industrie Informatik-Mitbegründer und Head of Strategic Product Management, natürlich. Für ihn ist die Herangehensweise entscheidend: „Unser Ziel war es, eine Out-of-the-box-Lösung zu entwickeln, mit der User schnell, einfach und leistbar zu Ergebnissen kommen. Vor allem mittelständischen Unternehmen soll so der Umgang mit großen Datenmengen und damit der Zugang zu umfassenden Digitalisierungsmaßnahmen ermöglicht werden. Das ist im Bereich der Predictive-Themen keine Selbstverständlichkeit.“

Foto: Industrie Informatik Thomas Krainz, Industrie Informatik: „Unser Ziel war es, eine Out-of-the-box-Lösung zu entwickeln, mit der User schnell, einfach und leistbar zu Ergebnissen kommen“ Mehrjähriges Forschungsprojekt

Der Weg zum markttauglichen Produkt führte über ein mehrjähriges Forschungsprojekt. Den theoretischen Zugang ermöglichte die Wirtschaftsuniversität Wien. Mit RISC Software konnte man zudem ein international anerkanntes Forschungsunternehmen gewinnen. Die gewonnenen Erkenntnisse wurden dann in Fallbeispielen von ausgewählten Kunden erarbeitet. Im Fokus stand die Erarbeitung möglicher Anwendungsfelder auf Basis vorhandener Daten, sowie die Ausarbeitung, Entwicklung, Erprobung und Bewertung von Algorithmen, Verfahren und Technologien zu Prognosezwecken.

Rasche Umsetzbarkeit

„Das Ergebnis aus dem Forschungsprojekt ist einerseits ein Out-of-the-Box-Technologie-Stack, der sowohl in der Cloud als auch on-premise einsetzbar ist. Weiters haben wir ein Data-Preprocessing-Modell entwickelt, das dem Anwender dabei hilft, Daten aus cronetwork MES im ersten Schritt zu bereinigen und aufzubereiten, bevor eine KI die laufende Bewertung und Interpretation der daraus gewonnenen Informationen vornimmt“, so Krainz. Dass all diese Vorgänge auf dem Standard-Datenmodell von cronetwork MES basieren, schafft für den User große Effizienzvorteile, die sich in der raschen Umsetzbarkeit der Predictive-Analytics-Methoden niederschlagen.

Effizienter Lern-Algorithmus

Hinzu kommt die Verwendung des Random Forest Modells als Lern-Algorithmus, welches schnelle Durchlaufzeiten und gute Interpretierbarkeit der Ergebnisse ermöglicht. Thomas Krainz weiter: „Erfolgsentscheidend ist am Ende die Anpassung all dieser Technologien und Funktionen an die jeweilige Datensituation und vor allem die Erwartungshaltung der Kunden. Künstliche Intelligenz und Predictive Analytics sind keine Wunderheiler. Sie sind weder besser noch intelligenter in ihren Aufgaben als ein Mensch. Ihr Vorteil liegt in der Nachbildung von menschlichem Know-how – und das bei hoher Geschwindigkeit und außerdem rund um die Uhr. Daraus leiten sich viele Möglichkeiten ab.“ Konkret gemeint sind damit Prognosen zu relativen Ausschüssen und Arbeitsplatzstörungen in Folgeschichten sowie zu Qualitätsstati nach Fertigungsschritten. „Alleine mit diesen Informationen kann man verborgene Einsparungspotenziale aufdecken und die Effizienz am Shopfloor massiv optimieren“, so Krainz abschließend.