Methoden und Tools | Point 8 GmbH

Unsere Methoden und Tools

Häufig eingesetzte Werkzeuge

Unsere erfahrenen Datenexpert*innen beherrschen eine Vielzahl von Werkzeugen und Methoden – die Türöffner zu Ihrem Datenschatz. Eines der wichtigsten Tools hat wenig mit Daten, dafür mit Know-how zu tun: ehrliche Kommunikation auf Augenhöhe. Denn erfolgreiche datengetriebene Innovation gelingt als Gemeinschaftsleistung von Daten- und Domänenspezialist*innen. Werfen Sie einen Blick in unseren Werkzeugkasten!

Mit dem generalistischen Ansatz der Annomalieerkennung identifizieren wir zuvor unbekannte Phänomene und Muster in vorhandenen Prozess- oder Maschinendaten. Algorithmen lernen hierbei, selbstständig den Normalzustand zu erkennen, und melden Abweichungen wie Defekte oder andere Probleme frühzeitig an nachgelagerte Systeme oder direkt an den Bediener.

Die Bilddatenanalyse liefert ergänzend zu physikalisch-technischen Daten weitere relevante Informationen für die Qualitätskontrolle oder Prozessüberwachung in der Produktion sowie die Verschleißerkennung an Bauteilen oder Werkzeugen. Sie ist außerdem die Basis für die Digitalisierung von Dokumenten. Deep-Learning-Ansätze wie Transfer Learning ermöglichen es, auch mit geringeren Datenmengen umfassende Lösungen zu schaffen.

Mittels der Prozessdatenanalyse erzeugen wir Mehrwerte und schaffen Transparenz durch fachkundige Aggregation und Visualisierung der Daten. Wir entwickeln individuelle KPIs zur Prozessoptimierung für die Gesamtanlageneffektivität (OEE).

Datenvorverarbeitung und -bereinigung sind oftmals der Schlüssel, um zunächst unsichtbare Zusammenhänge sichtbar zu machen. Bei der Analyse lassen wir auch unsere technisch-physikalische Expertise einfließen.

So entdecken wir für den Use Case relevante, prozessspezifische Zusammenhänge in den Daten. Oft ist dies zunächst der passende Ansatz, anstatt gleich zu Beginn auf Künstliche Intelligenz zu setzen.

Oft sind die Rohdaten stark verrauscht und die Zusammenhänge unbekannt. Auch ein Label in den Daten, das den Use Case vorgibt, ist häufig nur bedingt hilfreich. Durch Ausreißererkennung und das richtige Filtering werden Zusammenhänge besser sichtbar. Um die richtigen Filter und Algorithmen zu finden, müssen Daten- und Domänen-Expertise kombiniert werden.

Erst für die Entwicklung eines Vorhersagemodells werden Machine Learning und Künstliche Intelligenz eingesetzt. Denn ohne die grundlegenden Vorarbeiten gilt: „garbage in garbage out”.