Der Trend zum Einsatz von Machine Learning hält an, viele Unternehmen wollen große Datenmengen automatisch auswerten. Doch nicht jede Firma verfügt über die notwendigen Ressourcen. In diesem Webcast erfahren Sie, wie Sie mit geringem Aufwand und ohne eigene Spezialisten erste ML-Projekte erfolgreich umsetzen können.
Sprecher
Stephan Mohr
Sales Engineer, InterSystems GmbH
Christian Töpfer
Manager Solutions & Services, heise Business Services
Für ambitionierte Unternehmen führt heutzutage kein Weg an maschinellem Lernen (ML) vorbei. So sorgen die Algorithmen beispielsweise im Einzelhandel mit optimierten Produktplatzierungen für höhere Umsätze, in der Lieferkette prognostizieren sie Nachfragespitzen und in der Fertigungsbranche verbessern sie die Effizienz des Maschinenparks (Overall Equipment Efficiency – OEE).
In den meisten Unternehmen steht allerdings kein dediziertes Team ausgewiesener ML-Experten zur Umsetzung der Projekte zur Verfügung, das im Umgang mit den benötigten Werkzeugen geschult ist. Wie sich dennoch erste Machine-Learning-Projekte erfolgreich umsetzen lassen, legt Stephan Mohr von InterSystems in diesem Webcast dar.
Am Beispiel eines Projekts zur vorausschauenden Wartung von Fabrikationsanlagen zeigt er auf, wie einige wenige Schritte zum Erfolg führen:
- Der unabdingbare Treibstoff für jede ML-Anwendung sind Daten – je mehr, desto besser. Zunächst gilt es deshalb, Daten zusammenzuführen – aus unterschiedlichen Quellen und in verschiedenen Formaten.
- Ihr volles Potenzial können ML-Algorithmen nur dann entfalten, wenn sie mit hochwertigen, normalisierten Datenmengen gefüttert werden. Mittels einer pragmatischen Überprüfung der Datenqualität durch einfach zu nutzende BI-Werkzeuge können Daten-Anomalien schnell festgestellt und korrigiert werden, um „gute“ von „schlechten“ Daten zu trennen.
- Anschließend zeigt Stephan Mohr, wie sich ML-Modelle mittels geeigneter Werkzeuge auch von Nicht-Experten gestalten und auswerten lassen. Dazu nötig ist nur Grundwissen im Umgang mit Datenbankabfragen, um mithilfe einfacher, an die weit verbreitete Abfragesprache SQL angelehnter Befehle eigene ML-Modelle zu entwickeln.
- Im letzten Schritt werden die Modelle angewendet und deren Ergebnisse analysiert. In diesem beispielhaften Anwendungsfall können so drohende Maschinenausfälle durch rechtzeitige Wartung verhindert werden.
Moderiert wird der Webcast von Christian Töpfer von Heise Business Services.