17. Juli 2019 / von Michaela Tiedemann / Best Practices
Der „Deutsche Industrie-4.0-Index 2018“ ist eine jährlich durchgeführte Studie, die den aktuellen Stand der Entwicklungen im Rahmen der digitalen Transformation ermittelt. Insbesondere die Ergebnisse zu Predictive Maintenance geben dabei jedoch zu denken. Denn einerseits ist die vorausschauende Wartung einer der prominentesten Anwendungsfälle der Industrie 4.0. Andererseits bleibt gerade dieser Use Case bei den Unternehmen hinter den Erwartungen zurück. Auch die Studie „Predictive Maintenance“ vom VDMA und der Unternehmensberatung Roland Berger kommt zu dem Ergebnis, dass erst 40 Prozent der Unternehmen auf die vorausschauende Wartung setzen. Gerade weil wir mit vielen Predictive-Maintenance-Projekten überaus positive Erfahrung gemacht haben, sehen wir darin ein […]
Weiterlesen
Deep Learning in der Praxis: 5 Anwendungsfälle für Deep-Learning-Algorithmen
8. Mai 2020 / von Michaela Tiedemann / Best Practices, Künstliche Intelligenz
Deep Learning ist eine Data-Science-Methode, die insbesondere im Zusammenhang mit Künstlicher Intelligenz eine große Bedeutung spielt. Immer mehr Anwendungen im Alltag wie Gesichtserkennungssoftware in Smartphone-Kameras nutzen diese Methode. In diesem Blog-Artikel erklären wir anhand von fünf praktischen Anwendungsfällen die hohe Relevanz von Deep Learning.
Weiterlesen
Predictive Maintenance Use Cases – Fünf Beispiele aus der Praxis
10. September 2019 / von Michaela Tiedemann / Best Practices
Predictive Maintenance Use Cases gehören zu den meist umgesetzten Anwendungsfällen im Bereich Industrie 4.0. In diesem Blogartikel haben wir fünf von uns umgesetzte Predictive Maintenance Use Cases zusammengestellt, um herauszuarbeiten, was diese sind und welches Potenzials Predictive Maintenance in der Industrie 4.0 hat.
Weiterlesen
Vernetzte Produktion am Beispiel der Transformation der Automotive-Branche
27. August 2019 / von Michaela Tiedemann / Best Practices, Industrie 4.0, Internet der Dinge
vernetzte Produktion entwickelt sich mehr und mehr zum Standard der fertigenden Industrie. Das Konzept trägt dem neuen Megatrend der Hyperkonnektivität Rechnung. Am Beispiel der Automotive-Branche zeigen wir in diesem Blog-Artikel, wie daraus zahlreiche wettbewerbsentscheidende Vorteile entstehen und konkret ausgestaltet werden können.
Weiterlesen
Predictive Maintenance – Erfolgsfaktoren und Use Cases
17. Juli 2019 / von Michaela Tiedemann / Best Practices
Der „Deutsche Industrie-4.0-Index 2018“ ist eine jährlich durchgeführte Studie, die den aktuellen Stand der Entwicklungen im Rahmen der digitalen Transformation ermittelt. Insbesondere die Ergebnisse zu Predictive Maintenance geben dabei jedoch zu denken. Denn einerseits ist die vorausschauende Wartung einer der prominentesten Anwendungsfälle der Industrie 4.0. Andererseits bleibt gerade dieser Use Case bei den Unternehmen hinter den Erwartungen zurück. Auch die Studie „Predictive Maintenance“ vom VDMA und der Unternehmensberatung Roland Berger kommt zu dem Ergebnis, dass erst 40 Prozent der Unternehmen auf die vorausschauende Wartung setzen. Gerade weil wir mit vielen Predictive-Maintenance-Projekten überaus positive Erfahrung gemacht haben, sehen wir darin ein […]
Weiterlesen
Fünf Anwendungsfälle für Machine Learning in der Industrie 4.0
30. Mai 2019 / von Michaela Tiedemann / Best Practices, Industrie 4.0
Machine Learning in der Industrie 4.0 ist einer der maßgeblichen Treiber und eine enorme Chance für die wirtschaftliche Entwicklung. In diesem Artikel beschäftigen wir uns darum mit fünf konkreten Anwendungsfällen für Machine Learning.
Weiterlesen
Vom Prototyp zum Data Product: Mit diesen 3 Best Practices gelingt die Produktivsetzung
21. März 2019 / von AT Redaktion / Best Practices
Von der Idee – z.B. den Online-Verkauf von Produkten zu erhöhen – bis zum fertigen Data Product – z.B. der Implementierung eines operativen Produktempfehlungssystems auf der Website – muss ein Data-Science-Projekt zahlreiche Schritte durchlaufen. Derzeit scheitern viele Datenprojekte während der Bereitstellungsphase (Deployment Phase). In diesem Stadium wird das Ergebnis der Prototypenphase in ein operatives Data Product überführt und in die jeweiligen Geschäftsprozesse integriert. Dies ist eine der wichtigsten Phasen des Data-Science-Lebenszyklus, da sich hier entscheidet, ob ein Projekt tatsächlich Mehrwert aus Daten generieren kann. Dabei kann ein Projekt in dieser kritischen Phase an mehreren Herausforderungen scheitern.
Weiterlesen