Transparenz ist der elementare Bestandteil einer effizienten Fertigungsumgebung. Sie durchleuchtet vergangene und aktuelle Abläufe, zeigt Potenziale auf und hilft Industriebetrieben dadurch bei der Verbesserung ihrer Wertschöpfung. Mit der ungebremst hereinbrechenden Digitalisierungswelle steigen allerdings auch die Anforderungen an eine effiziente Verarbeitung der unbegrenzten Datenmengen, die wir daraus gewinnen – und das idealerweise in Echtzeit. Kombiniert mit neuen Erkenntnissen rund um die Themen künstliche Intelligenz und Machine Learning, kann man nun auch den viel zitierten Blick in die Glaskugel werfen und sich daraus zuverlässige Ergebnisse erwarten. Dass Predictive Analytics kein neues Thema ist, weiß Industrie Informatik-Mitbegründer und Head of Strategic Product Management, Thomas Krainz. Für ihn ist allerdings die Herangehensweise entscheidend: „Unser Ziel war es, eine Out-of-the-box-Lösung zu entwickeln, mit der unsere User schnell, einfach und natürlich leistbar zu Ergebnissen kommen. Vor allem mittelständischen Unternehmen soll so der Umgang mit großen Datenmengen und damit der Zugang zu umfassenden Digitalisierungsmaßnahmen ermöglicht werden. Das ist im Bereich der Predictive-Themen keine Selbstverständlichkeit!“
Der Weg zum markttauglichen Produkt führte über ein mehrjähriges Forschungsprojekt, an dem mehrere Instanzen maßgeblich beteiligt waren. Den theoretischen, wissenschaftlichen Zugang ermöglichte die Wirtschaftsuniversität Wien. Mit RISC Software konnte man zudem ein international anerkanntes Forschungsunternehmen gewinnen. Die gemeinsam gewonnenen Erkenntnisse wurden dann in Fallbeispielen von ausgewählten Kunden erarbeitet. Im Fokus stand die Erarbeitung möglicher Anwendungsfelder auf Basis vorhandener Daten, sowie die Ausarbeitung, Entwicklung, Erprobung und Bewertung von Algorithmen, Verfahren und Technologien zu Prognosezwecken.
„Das Ergebnis aus dem Forschungsprojekt ist einerseits ein Out-of-the-Box-Technologie-Stack, der sowohl in der Cloud als auch on-premises einsetzbar ist. Weiters haben wir ein Data- Preprocessing-Modell entwickelt, das dem Anwender dabei hilft, Daten aus Cronetwork MES im ersten Schritt zu bereinigen und aufzubereiten, bevor eine KI die laufende Bewertung und Interpretation der daraus gewonnenen Informationen vornimmt“, so Krainz. Dass all diese Vorgänge auf dem Standard-Datenmodell von Cronetwork MES basieren, schafft für den User Effizienzvorteile, die sich in der raschen Umsetzbarkeit der Predictive-Analytics-Methoden niederschlagen. Hinzu kommt die Verwendung des Random Forest Modells als Lern-Algorithmus, welches bekannt ist für schnelle Durchlaufzeiten und sehr gute Interpretierbarkeit der Ergebnisse.
