Künstliche Intelligenz im Kontext von IoT –Predictive Maintenance oder Anomalieerkennung?
Durch die Verbreitung des Internet of Things haben wir die Möglichkeit, mehr von der Umwelt zu erfassen und über sie zu erfahren. Unser privates Umfeld wird durch Sensordaten immer persönlicher gestaltet. In der Industrie unterstützen sie die Automatisierung und Überwachung der Prozesse, die Steigerung der Effizienz und bewirken gar eine Transformation der Geschäftsmodelle.
Bei der Implementierung der IoT-Anwendungsfälle bedienen wir uns öfters der Methoden der Künstlichen Intelligenz, um eine bessere Verwertung der Daten zu erreichen. Vorausschauende Wartung (Predictive Maintenance) ist eine der prägnanten Anwendungen im IoT, bei der aus Prozess- und Maschinendaten Vorhersagen über mögliche Ausfälle gemacht werden können. Unabhängig vom Einsatzbereich der Predictive Maintenance stößt man bei der Implementierung auf eine Reihe von Herausforderungen. Wie gut eignen sich die Sensorendaten hinsichtlich deren Zuverlässigkeit, Vielfalt und Menge für die Analyse? Welche Modelle und Methoden der Künstlichen Intelligenz sind geeignet? Wie zuverlässig sind die Analyseergebnisse, und wie bindet man sie nachhaltig in einen Betriebskreislauf ein?
Unter bestimmten Umständen ist Implementierung der vorausschauenden Wartung nicht sinnvoll, sodass man für die gestellten Fragen Verfahren zur Anomalieerkennung verwendet. Anhang Erfahrungen aus existierenden Anwendungsfällen diskutieren wir gesammelte Erfahrungen zur Architektur und KI-Methoden im Umfeld der IoT.
Vorkenntnisse
Grundlegende Kenntnisse zum Maschinellen Lernen und Internet of Things (IoT) sind von Vorteil.
Lernziele
Die Teilnehmenden bekommen einen Überblick der Anwendungsfälle und gängige ML-Verfahren im Umfeld von IoT. Anhang eines Beispiels aus dem Verkehrswesen zeigt der Vortrag, wie man eine Anwendung mit Sensoren-Daten für die vorausschauende Wartung bauen könnte, und bespricht relevante Herausforderungen und Lösungsansätze.