Pre­dic­ti­ve Main­ten­an­ce (vor­aus­schau­en­de War­tung) ist einer der pro­fi­ta­bels­ten Anwen­dungs­fäl­le von Machi­ne Lear­ning im Mit­tel­stand. Anstatt Bau­tei­le nach fes­ten Inter­val­len zu tau­schen (zu früh und teu­er) oder zu war­ten, bis sie aus­fal­len ( unge­plant und noch teu­rer), ana­ly­siert ein ML-Modell kon­ti­nu­ier­lich die Sen­sor­da­ten einer Maschi­ne (z.B. Vibra­tio­nen, Tem­pe­ra­tur, Druck). Das Modell lernt, wie “gesun­de” Daten­mus­ter aus­se­hen, und erkennt win­zi­ge Abwei­chun­gen, die auf einen bevor­ste­hen­den Defekt hin­deu­ten. So kann es eine War­nung aus­ge­ben, z.B. “Bau­teil X wird mit 90% Wahr­schein­lich­keit in den nächs­ten 72 Stun­den aus­fal­len”, was eine geplan­te War­tung ermög­licht.

Nicht unbe­dingt. Der Begriff “Big Data” ist oft irre­füh­rend. Viel wich­ti­ger als die schie­re Men­ge ist die Qua­li­tät und Rele­vanz der Daten. Oft rei­chen schon die Daten der letz­ten 1–2 Jah­re aus einem gut gepfleg­ten ERP- oder Pro­duk­ti­ons­sys­tem aus, um ein ers­tes, aus­sa­ge­kräf­ti­ges Modell zu trai­nie­ren. In unse­rem initia­len Work­shop in Ber­lin ana­ly­sie­ren wir gemein­sam mit Ihnen, wel­che Daten­quel­len in Ihrem Unter­neh­men vor­han­den sind und ob die­se für den anvi­sier­ten Anwen­dungs­fall aus­rei­chen.

Das hängt stark von der Kom­ple­xi­tät und der Daten­qua­li­tät ab. Ein typi­sches Pro­of-of-Con­cept (PoC)-Pro­jekt, in dem wir die grund­sätz­li­che Mach­bar­keit mit Ihren Daten bewei­sen, dau­ert in der Regel 4 bis 8 Wochen. Das Ergeb­nis ist ein ers­ter Pro­to­typ des Modells und eine kla­re Aus­sa­ge über des­sen Pro­gno­se­gü­te. Die anschlie­ßen­de Ent­wick­lung einer robus­ten, pro­duk­ti­ven Anwen­dung, die das Modell nutzt und in Ihre Sys­te­me inte­griert ist, ist dann ein klas­si­sches Soft­ware­ent­wick­lungs­pro­jekt, das eini­ge Mona­te in Anspruch neh­men kann.