CRISP-DM

Aufgrund der Vielzahl verschiedener Machine-Learning-Verfahren und der Modellierungskomplexität besteht unter Ingenieuren häufig Unsicherheit gegenüber der effizienten Anwendung von Machine Learning (ML). Daher bleibt der Einsatz von ML-Anwendungen in verarbeitenden Unternehmen hinter den technischen Möglichkeiten zurück. In diesem Beitrag wird ein intuitiver Handlungsleitfaden für Ingenieure vorgestellt, der diese Unsicherheit verringern soll. Der Handlungsleitfaden führt in sechs Schritten durch ein ML-Projekt. Der ML-Kompass schlägt dem Anwender für gängige ingenieurstechnische Problemstellungen der Produktentwicklung und Produktion ML-basierte Algorithmen, die in der Praxis verwendet werden, vor. Anhand eines Industriebeispiels wird die Funktionsweise demonstriert.

Die fortschreitende Digitalisierung in der Produktion führt zu stetig wachsenden Datenmengen. Diese Daten können wertvolles Wissen als Basis zahlreicher Entscheidungsprozesse enthalten. Unter dem Begriff von Industrial Data Science (IDS) steigt die Bedeutung verschiedener analytischer und algorithmischer Methoden, um das Wissen aus produktionsbezogenen Daten zu extrahieren. Neben einer strukturierten Vorgehensweise und einem interdisziplinären Projektteam stellt die regelmäßige projektinterne und -externe Kommunikation einen wesentlichen Erfolgsfaktor dar, wobei insbesondere komplexe datenbasierte Zusammenhänge allgemeinverständlich aufbereitet und dargestellt werden müssen. Der zielgerichtete Einsatz ausgewählter Visualisierungen trägt hierbei zu einem einheitlichen und tiefgehenden Verständnis der Daten, Prozesse, Modelle und Ergebnisse durch alle Mitglieder des Projektteams und Außenstehenden bei. In diesem Beitrag wird aufgezeigt, welchen konkreten Nutzen verschiedene ...