Machine-Learning in der Industrie: Aus Erfahrung klug werden

Mittels Machine-Learning können Maschinen, Anlagen und der Mensch aus Erfahrung lernen. In der Industrie lässt sich dies vor allem für Predictive Maintenance, aber auch für andere Anwendungen nutzen. Wie funktioniert Machine-Learning nun, und welche Chancen eröffnet es?

MathWorks Bildquelle: © MathWorks

Machine-Learning ist als Supervised und Unsupervised Learning möglich.

Machine-Learning scheint das neueste Schlagwort der Industrie zu sein – eine Technologie mit erstaunlichem Potenzial, die viele Unternehmen nur schwer verstehen, geschweige denn für sich nutzen können. Noch im vergangenen Jahr hatten nur 23 Prozent der Unternehmen einen Automatisierungsgrad erreicht, der Machine-Learning einbezieht, und nur 5 Prozent gaben an, die Technologie in größerem Umfang einzusetzen. Dennoch gab es in jüngster Zeit einen Anstieg bei der Implementierung in einer Vielzahl von Branchen von der Automobilindustrie bis hin zur Finanzwirtschaft. Grund dafür ist, dass die Unternehmen allmählich beginnen, die beträchtlichen Vorteile von Machine-Learning zu erkennen.

Für Unternehmen, die Machine-Learning nutzen wollen, besteht ein entscheidender erster Schritt darin, sicherzustellen, dass ihre Entscheidungsträger Machine-Learning aus technologischer Sicht verstehen und wissen, welches Geschäftspotenzial sich dadurch erschließen lässt.

Einfach ausgedrückt können Computer mit Machine-Learning eine Fähigkeit erwerben, die Menschen und Tiere von Natur aus haben: aus Erfahrung zu lernen. Dabei werden Algorithmen verwendet, die direkt aus Daten „lernen“ können, ohne eine bestimmte Gleichung als Modell zu nutzen. Mit wachsender Anzahl von Datenstichproben, die zum Lernen zur Verfügung stehen, steigern diese Algorithmen ihre Leistung adaptiv. Das ständig wachsende Datenvolumen vergrößert zusätzlich das Potenzial von Machine-Learning im Rahmen von Geschäftsanwendungen.

MathWorks Bildquelle: © MathWorks

Reinforcement-Learning, Machine-Learning und Deep Learning

Mehr Daten, mehr Fragen, bessere Antworten

Machine-Learning-Algorithmen erkennen natürliche Muster in Daten und leiten Erkenntnisse ab, die zu besseren Vorhersagen und Entscheidungen führen. Diese Algorithmen kommen beispielsweise bei medizinischen Diagnosen, im Aktienhandel, bei der Vorhersage von Stromlasten und in vielen weiteren Bereichen zum Einsatz. Streaming-Websites wie Netflix stützen sich auf Machine-Learning, um bei Filmempfehlungen Millionen von Möglichkeiten berücksichtigen zu können. Weitere Anwendungsbereiche sind unter anderem

  • Computer-gestützte Finanzdienstleistungen für Credit-Scoring, algorithmischen Handel und Stimmungsanalysen;
  • Bildverarbeitung und Computer-Vision für Gesichts-, Bewegungs- und Objekterkennung;
  • Bioinformatik für Tumorerkennung, Arzneimittelforschung und DNA-Sequenzierung;
  • Automobilsektor, Luft- und Raumfahrt sowie Fertigung für Predictive Maintenance.

Im Automobilsektor werden Machine-Learning-Techniken beispielsweise eingesetzt, um Fahrerassistenztechniken und neue autonome Fahrzeuge zu entwickeln. Zudem kann man Machine-Learning für Predictive Analytics verwenden, um Sensordaten vernetzter Fahrzeuge zu analysieren und Fahrerassistenz-Algorithmen zu erstellen.

In der Luft- und Raumfahrt wird die neue Technik vor allem bei der Zustandsüberwachung für Flugzeugtriebwerke eingesetzt. Um die Betriebszeit von Flugzeugen zu verbessern und Wartungskosten zu verringern, hat ein Triebwerkshersteller eine Echtzeit-Analyseanwendung erstellt, die die Leistung der Teilsysteme für Öl, Treibstoff, Flugzeugstart, mechanischen Zustand und Steuerung vorhersagt.

In der Fertigung geht es um Predictive Maintenance, also Zustandsüberwachung, vorausschauende Wartung und Vorhersage von Maschinenausfällen. So lassen sich kostspielige Ausfallzeiten von Maschinen verringern.