Im Zuge eines Interviews bei Autlook diskutiert Fr. Ing DI Jutta Isopp über Machine Learning und was passieren muss damit es in der Praxis ankommt.
Seit wann ist Machine Learning für Sie ein Thema?
Seit mehr als 10 Jahren, automatisiertes Lernen gibt es doch schon einige Zeit. Komplexe Aufgaben werden mehr und mehr in die Automatisierung transferiert, Datenerfassung und -speicherung ist technisch bereits gut gelöst. Es geht jetzt darum, mit den Daten auch nutzbringend zu arbeiten.
Wo sind Einsatzmöglichkeit und nachfrage am größten?
Wir sind in der Instandhaltung tätig, da ist der Hype um Predictive Maintenance recht hoch. Ich sehe jedoch eine Diskrepanz zwischen dem, was versprochen wird, und dem, was tatsächlich umgesetzt werden kann. Dies liegt daran, dass mit den vorhandenen Daten noch zu selten aussagekräftige Ergebnisse zu erzielen sind.
Wie ist die Datenlage, die man in der Industrie vorfindet?
Hier sieht man derzeit die Kluft zwischen den Datenanalysten und dem, was in den Unternehmen tatsächlich an Daten vorliegt. Derzeit gibt es eine große Lücke bei der Umsetzung von Condition Monitoring. Für die Erfassung von instandhaltungsrelevanten Daten sind noch einige Hausaufgaben zu machen.
Welche Tools, Verfahren, Technologien sind für die am sinnvollsten?
Wir beginnen immer mit einem Datenreifecheck, erst daraus ergibt sich der mögliche Ansatz für Tools und Verfahren. So unterschiedlich die Kundenbedürfnisse sind, so vielfältig sind auch die angebotenen Lösungen. Die großen SPS-Hersteller haben bereits viel in Analytics und ML investiert, das bringt den Vorteil einer guten Integrationsmöglichkeit in bestehende Industrieumgebungen.
Wie erleben Sie Nachfrage und Akzeptanz von ML in den Unternehmen?
Zwischen der Welt der Data Scientists und der Maintenance gibt es noch große Verständnisschwierigkeiten, hier ist noch „Übersetzungsarbeit“ zu leisten. Oft bestimmen auch die Tools die Anwendung und nicht die Problemstellung das Tool, daher ist die Verunsicherung der Anwender recht groß.
Die Grenzen des Systems: Wofür eignet sich ML nicht?
Innerhalb überschaubarer Systemgrenzen und gut definierter Anforderungen lassen sich mit ML bereits gewaltige Verbesserungen erzielen, nicht aber in einem komplexen Industriesystem mit Einzelmaschinen und schlecht definierten Ereignissen. Derzeit ist der Aufwand zum Nutzen oft noch sehr hoch. Dies wird sich aber mit der Anzahl umgesetzten Projekten deutlich bessern.
This website uses cookies to improve your experience. We'll assume you're ok with this, but you can opt-out if you wish. Cookie settingsOK
Privacy & Cookies Policy
Privacy Overview
This website uses cookies to improve your experience while you navigate through the website. Out of these cookies, the cookies that are categorized as necessary are stored on your browser as they are essential for the working of basic functionalities of the website. We also use third-party cookies that help us analyze and understand how you use this website. These cookies will be stored in your browser only with your consent. You also have the option to opt-out of these cookies. But opting out of some of these cookies may have an effect on your browsing experience.
Necessary cookies are absolutely essential for the website to function properly. This category only includes cookies that ensures basic functionalities and security features of the website. These cookies do not store any personal information.
Any cookies that may not be particularly necessary for the website to function and is used specifically to collect user personal data via analytics, ads, other embedded contents are termed as non-necessary cookies. It is mandatory to procure user consent prior to running these cookies on your website.