Maschinelles Lernen und Hybride Modelle

Modellbasierte Optimierung kann zu erheblichen Verbesserungen von Prozessen in der Praxis führen – ob in der Planung und Realisierung von Supply Chains, oder beim Scheduling von Aufgaben in einer Produktionskette, oder im Design und Betrieb von Produktionsanlagen. Eine essentielle Voraussetzung dazu sind verlässliche Modelle, die zu praxisrelevanten Aussagen führen.

Das ITWM besitzt eine langjährige Erfahrung in einer auf die jeweilige Fragestellung angepassten Modellierung, sowie im Training der Modelle mittels Daten aus der Praxis. Modellierung, Simulation und Optimierung werden so umgesetzt, dass eine fortwährende Verbesserung der Modellparameter durch permanenten Vergleich der Modellvorhersagen mit der realen Praxis erfolgt. Dies erlaubt auch, die Datenqualität mit zunehmender Verlässlichkeit zu beurteilen, um beispielsweise Ausreißer oder systematische Fehler früh zu erkennen.

Auf diese Weise werden Daten und Modelle gleichermaßen ernst genommen – Modelle lernen aus den Daten (Model learning), Daten können mit den Modellen abgeglichen und beurteilt werden (Smart Data). Diese Herangehensweise wurde in einer Reihe von Projekten realisiert.

Beispielprojekte

 

Grey-Box-Modelle

In diesem Projekt werden Methoden entwickelt, die Qualität und Verfügbarkeit von Modellvorhersagen erheblich verbessern, indem deterministische (White Box) Modelle mit datengetriebenen Ansätzen (Black Box) verzahnt werden.

 

Engpassdetektion in der Wertstromanalyse

Wir haben eine Software zur proaktiven Analyse und Engpassdetektion einer produzierenden Wertschöpfungskette entworfen und implementiert.

 

Absatzprognose von Handelspromotionen

Die Absatzprognose von Handelspromotionen ist ein Projektbeispiel, in dem sich der »Model Learning«-Ansatz, gegenüber einem rein datengetriebenen »Big Data«-Modell bewährt hat.

 

Fraunhofer-Leitprojekt ML4P

Machine Learning for Production

Im Leitprojekt ML4P bündeln sieben Fraunhofer-Institute ihre umfangreichen Erfahrungen im Bereich Machine Learning.