Beispielanalyse Fehlererkennung_mit_AutoML
Beim Feature Engineering werden Variablen aus Rohdaten wie Preislisten, Produktbeschreibungen und Absatzmengen extrahiert und umgewandelt, damit Funktionen für das Training und die Vorhersage verwendet werden können. Die für die Entwicklung von Funktionen erforderlichen Schritte umfassen die Datenextraktion und -bereinigung sowie die Erstellung und Speicherung von Funktionen. Mit diesem Notebook zeigen wir, wie FE eingesetzt werden kann, um die Plates Fehlererkennungsrate zu verbessern.
Beispielanalyse Fehlererkennung mit Explainable AI
Erklärbare künstliche Intelligenz (Explainable Artificial Intelligence, XAI) ist die Fähigkeit von KI-Systemen, ihre Entscheidungen und Vorhersagen in einer für den Menschen verständlichen Weise zu erklären. Dies ist wichtig, weil es das Vertrauen in KI-Systeme erhöht und es den Nutzern ermöglicht, ihre Funktionsweise und die zugrunde liegenden Muster besser zu verstehen. Hier wenden wir die Interpretierbarkeit auf die bereits erwähnte Aufgabe der Erkennung von Gussfehlern an, um die Gründe für die Entscheidungen des Modells zu ermitteln.
Beispielanalyse Merkmalsauswahl für Halbleiter
Ein komplexer moderner Halbleiterfertigungsprozess wird normalerweise ständig Überwachung von Signalen/Variablen, die von Sensoren und/oder Prozessmesspunkten Prozessmesspunkten gesammelt werden. Allerdings sind nicht alle diese Signale gleich einem bestimmten Überwachungssystem. Die gemessenen Signale enthalten eine Kombination aus nützlichen Informationen, irrelevanten Informationen sowie Rauschen. In der Regel haben Ingenieure eine viel größere Anzahl von Signalen als tatsächlich benötigt werden. Wenn wir jeden Signaltyp als Merkmal betrachten, dann kann die sogennannte Merkmalsauswahlt angewandt werden, um die relevantesten Signale zu identifizieren. Die Prozessingenieure können diese Signale dann verwenden, um Schlüsselfaktoren zu bestimmen, die zur Höhe des Ertrags im weiteren Verlauf des Prozesses beitragen. Dies ermöglicht eine Steigerung des Prozessdurchsatzes, die Zeit bis zum Lernen verkürzt und die Produktionskosten pro Einheit gesenkt werden. Diese Signale können als Merkmale zur Vorhersage des Ertragstyps verwendet werden. Und durch Analyse und und das Ausprobieren verschiedener Kombinationen von Merkmalen können wesentliche Signale, die den Ausbeutetyp auswirken, identifiziert werden.
Beispielanalyse Nachfragevorhersage
Der Datensatz enthält die historische Produktnachfrage für ein weltweit tätiges Fertigungsunternehmen. Das Unternehmen bietet Tausende von Produkten in Dutzenden von Produktkategorien an. Es gibt vier Zentrallager für den Versand der Produkte innerhalb der Region, für die es zuständig ist. Da die Produkte an verschiedenen Standorten auf der ganzen Welt hergestellt werden, dauert es in der Regel mehr als einen Monat, um die Produkte über den Seeweg zu den verschiedenen Zentrallagern zu versenden. Wenn Prognosen für jedes Produkt in den verschiedenen Zentrallagern mit angemessener Genauigkeit für die monatliche Nachfrage im übernächsten Monat erstellt werden können, wäre dies für das Unternehmen in mehrfacher Hinsicht von Vorteil.
Beispielanalyse Vorrauschauende_Instandhaltung
Ich habe einen Freund, der in einem kleinen Team arbeitet, das sich um die Wasserpumpen in einem kleinen Gebiet weit weg von der Großstadt kümmert. Im letzten Jahr gab es 7 Systemausfälle. Diese Ausfälle stellen für viele Menschen ein großes Problem dar und führen bei einigen Familien zu ernsten Lebensproblemen. Das Team kann kein Muster in den Daten erkennen, wenn das System ausfällt, und ist sich daher nicht sicher, worauf es seine Aufmerksamkeit richten sollte.
Da ich an die Nutzung von Daten zur Problemlösung glaube, bitte ich ihn, die verfügbaren Sensordaten zur Verfügung zu stellen, und hoffe, dass jemand hier helfen kann.
Beispielanalyse Datenanalyse
Einführung in die Datenanalytik und ihre Anwendungsszenarien in verschiedenen Unternehmen und Organisationen.
Beispielanalyse Data-Mining für Anfänger
Absatzprognosen sind ein Datenanalyseprojekt, das viele Unternehmen durchführen. Genaue Absatzprognosen können Unternehmen dabei helfen, bessere Entscheidungen über Bestandsmanagement, Marketingstrategien und Finanzplanung zu treffen. Im Folgenden wird Schritt für Schritt erklärt, wie man eine Absatzprognose von Grund auf erstellt.
Beispielanalyse Fehlererkennung
Gießen ist ein Herstellungsverfahren, bei dem ein flüssiges Material in der Regel in eine Form gegossen wird, die einen Hohlraum in der gewünschten Form enthält, und dann erstarren gelassen wird. Der Grund für die Erhebung dieser Daten sind Gussfehler! Ein Gussfehler ist eine unerwünschte Unregelmäßigkeit in einem Metallgussverfahren. Es gibt viele Arten von Gussfehlern, wie z. B. Lunker, Nadellöcher, Grate, Schrumpfungsfehler, Formstofffehler, Gussmetallfehler, metallurgische Fehler, usw. Defekte sind in der Gießereiindustrie ein unerwünschtes Phänomen. Um diese fehlerhaften Produkte zu beseitigen, haben alle Industriezweige ihre Qualitätsprüfungsabteilung. Das Hauptproblem ist jedoch, dass dieser Prüfprozess manuell durchgeführt wird. Dies ist ein sehr zeitaufwändiger Prozess, der aufgrund der menschlichen Genauigkeit nicht 100%ig genau ist. Dies kann dazu führen, dass eine gesamte Bestellung abgelehnt wird. Dadurch entsteht ein großer Verlust für das Unternehmen. Um den Inspektionsprozess zu automatisieren, und dafür müssen wir ein Deep-Learning-Klassifizierungsmodell für dieses Problem erstellen.
Beispielanalyse Fertigungskosten
Angenommen, Sie arbeiten als Berater für ein Start-up-Unternehmen, das ein Modell zur Schätzung der Kosten der verkauften Waren unter Berücksichtigung des Produktionsvolumens (Anzahl der produzierten Einheiten) entwickeln möchte. Das Start-up-Unternehmen hat Daten gesammelt und Sie gebeten, ein Modell zur Vorhersage der Kosten auf der Grundlage der Anzahl der verkauften Einheiten zu entwickeln. Wie sollten Sie ein geeignetes Modell konstruieren?
Beispielanalyse Automatische Produktklassifizierung
Dieses Jupyter-Notebook wurde in einem Workshop im Rahmen des 3. SD&KITag 2021 verwendet. Es diente dabei u.a. zum Experimentieren mit Datenmodellen. Inhaltliches Thema: Große e-Commerce Konzerne bauen bei der Artikelverwaltung auf maßgeschneiderte Produktinformationssysteme (PIM-Systeme), die mit proprietären Produkt- und Strukturketten Hand in Hand arbeiten.