Deep Learning in der Praxis: 5 Anwendungsfälle für Deep-Learning-Algorithmen

Deep Learning in der Praxis

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

Predictive Maintenance Use Cases

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

In Autos steckt heute zu einem großen Teil Software- und Daten-Know-how. Im Zuge dieser Entwicklung transformierten sich auch die Fertigungsprozesse. Die Automobil-Branche ist heute der Vorreiter für die vernetzte Produktion.

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

MAN Predictive Maintenance

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

Vom Prototyp zum Data Product: Mit diesen 3 Best Practices gelingt die Produktivsetzung

Best Practices für Produktivsetzung

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

top