Machine Learning, AI, KI, Deep Learning und wo man es im PLM gebrauchen kann

Machine Learning, AI, KI, Deep Learning und wo man es im PLM gebrauchen kann
Intelliact AG Siewerdtstrasse 8 CH-8050 Zürich T. +41 (44) 315 67 40 mail@intelliact.ch www.intelliact.ch Machine Learning, AI, KI, Deep Learning und wo man es im PLM gebrauchen kann Lukas Haas, Svenja Lutz, 14.10. 2019 PLM OPEN HOUR
3 «Künstliche Intelligenz: Größeres Potential als die Dampfmaschine» «Bis 2030 könnten aufgrund der künstlichen Intelligenz 2/3 der Arbeitsplätze in der automobilen Fertigung wegfallen» Quellen: https://www.mckinsey.de/news/presse/2018-09-05-ki-studie-mgi-dampfmaschine https://www.ey.com/Publication/vwLUAssets/ey-what-if-employment-as-we-know-it-today-disappears-tomorrow-long-version/....-long-version.pdf https://link.springer.com/article/10.1631%2Fjzus.C1300185
Artificial Intelligence (AI) – Künstliche Intelligenz (KI) Oberbegriff für das gesamte Feld Machine Learning (ML) – Maschinelles Lernen Eines der grundlegenden Zielen der AI Spezifische Aufgaben ohne explizite Vorgaben lösen Neural Networks – Neurale Netzwerke Vernetzte Elemente (Neuronen) verarbeiten Information (Input) gleichzeitig. Dabei adaptiert sich das Netz und lernt so von vergangenen Mustern Anschauliche Erklärung: https://youtu.be/aircAruvnKk?t=1 Deep Learning Sehr umfangreiche Neurale Netzwerke Kann mit unstrukturierten Daten genutzt werden Who is Who? BEGRIFFLICHKEITEN & ZUORDNUNG 4 ARTIFICIAL INTELLIGENCE Natural Language Processing Computer Vision Robotics Machine Learning Neural Networks Deep Learning Classical ML Reinforcement Ensemble Planning Knowledge Reasoning Artificial General Intelligence
REALITÄT FIKTION Die beste Lösung auswählen Richtigkeit der Lösung garantieren Was kann Machine Learning? Speichern Reproduzieren Vorhersagen Auswählen Welche Probleme lassen sich mit ML lösen? Probleme mit herausfordernder Definition und Randbedingungen Probleme mit unterliegenden (verborgenen) Muster, welche nicht- exakt (impräzise) gelöst werden sollen Welche Grundvoraussetzungen sind für ML zu erfüllen? Grosse verfügbare Datenmenge Akzeptanz gegenüber Fehlern (false-positive & false-negative) Kein Anspruch die Resultatfindung zu verstehen Mustererkennung mit Machine Learning (ML) MACHINE LEARNING 5 Vorhersagen treffen Neues erschaffen Daten speichern Schnell lernen Reproduzieren Aufgabenstellung autonom erweitern ML kann: ML kann nicht:
Identifizierte Szenarien im PLM-Umfeld MACHINE LEARNING 6 Innovation Development Operation Sales/Marketing After-Sales CAD Teile- Klassifizierung Generatives Design (Teil-) automatisierte Freigabe-Workflows Datenmigration Kosten- Optimierung Supply Chain Optimierung Engineering Change Management Chatbots Customer Clustering Augmented Reality Predictive Maintenance Herstellbarkeits- optimierung Teile-Finder Qualitäts-Optimierung Konformitäts- analyse Natural Language Processing Search Ranking
Data Die Basis für die meisten ML–Anwendungen Qualitätsmerkmale von Daten: – strukturiert/unstrukturiert – homogen/heterogen – beschriftet/unbeschriftet Feature Die Variablen gespeichert in den Daten Algorithm Computerunterstützte, mathematische Lösung des Problems Drei Dinge damit die Maschine lernt… MACHINE LEARNING 7 Data AlgorithmFeature Data M ining DataScience Class. Program. ML
Situation CAD-Modelle von geometrisch ähnlichen Bauteilen werden inkonsistent benannt Ziel CAD-Modelle sollen automatisch aufgrund einer automatischen Klassifizierung (O-Ring, Scheibe, Buchse oder Zylinder) benannt werden Herausforderung Datenstruktur und –Homogenität – Welches sind die relevanten Features? – Wie erreichen wir homogenen Input? Lösungsansatz Extrakt der ersten 2 Body-Features inkl. Design Parameter Algorithmus verarbeitet Extrakt, lernt Feature-Muster zusammen mit Klassifizierung CAD-Teileklassifizierung BEISPIEL 8 Konstrukteur 1 1 2 Konstrukteur 2 1 Konstrukteur 3* 1 2 Konstrukteur 3* 1 2 3 Konstruktionsreihenfolge verschiedener Konstrukteure
Systemkomponenten für CAD-Teileklassifizierung Spare Parts AR Service Tool Digital CommerceProduct CatalogCAD Envrionment XYZERPPDM Authentication Pub/Sub Messaging Analytics Cloud Functions CDN PDM ERP XYZ Translation Search Engine 3D VisualisationAttributes, Descriptions ABC Payment Enterprise Applications Applications and Services IoT Asset IoT Asset Big Data UXUserExperience Media MAMContent CMS IAAS SAAS PAAS SAAS Services, API, Product Centric Developer Portal App Components Clients Use Case Driven Apps Business Case Driven Apps Common Components OPCUA Access Control Microservices Configuration RPC, SOAP, REST, GraphQL DXDeveloperExperience HTTPS, MQTTHTTPSHTTPS, FILE BEISPIEL CAD-TEILEKLASSIFIZIERUNG CAD Environment PDM 9 Analytics
DATA SCIENCE SYSTEMINTEGRATION ANWENDUNG 1. Zielformulierung • Problem- und Zielformulierung 2. Datenbereitstellung • Daten • Systemarchitektur 3. Die Maschine lernt • Algorithmus 4. Die Maschine arbeitet (und lernt) • Verifikation der Ergebnisse Mit menschlicher Schaffenskraft zu künstlicher Intelligenz UMSETZUNG 10 1 2 3 4
Wo liegt der Nutzen? Beispiel: Change Management KOGNITIVE PROZESSE 11
Bewusstsein Erkenntnis MassnahmeEntscheidung Kognitiver Prozess: Vom Bewusstsein zur Massnahme KOGNITIVE PROZESSE 12 Beschreibend Was ist passiert? Diagnostisch Warum ist es passiert? Vorausschauend Was wird passieren? Vorschreibend Was soll diesbezüglich unternommen werden? rückblickend vorausschauend Daten ? Unterstützt durch Lösungsfindung
Daten Bewusstsein Erkenntnis Mass- nahme Entscheidung Machine Learning: Datengetriebene Lösungsfindung REVOLUTION DER MASCHINE 13 Beschreibend Was ist passiert? Diagnostisch Warum ist es passiert? Vorausschauend Was wird passieren? Vorschreibend Was soll diesbezüglich unternommen werden? menschlicher Effort menschlicher Effort m. Effort rückblickendvorausschauend
Umsetzung einer Machine Learning Anwendung ist machbar Orchestrierung von Anwendungs-, Systemintegrations- und Daten-Spezialisten Machine Learning ist ein Quantensprung im kognitiven Prozess der Problemlösung Zukunftsgerichtete Analytik PLM-Umfeld ist ideal für Machine Learning Natur der Probleme Sofortiger Nutzen Take-Aways MASCHINELLES LERNEN 14
Nehmen Sie Kontakt mit mir auf WAS SIND IHRE HERAUSFORDERUNGEN? 15 Lukas Haas Senior Consultant MSc ETH Masch.-Ing. +41 78 675 64 28 haas@intelliact.ch
Melden Sie sich jetzt zur nächsten «PLM Open Hour» an 16 REFERENZARCHITEKTUR FÜR DAS DIGITALE PRODUKT https://intelliact.ch/events/plm-open-hours
17 Systemlandschaft optimieren Produktdaten durchgängig nutzen Prozesse beschleunigen Digitalen Mehrwert schaffen Digitales Produkt realisieren www.intelliact.ch
Vielen Dank für Ihre Aufmerksamkeit

Check these out next

Machine Learning, AI, KI, Deep Learning und wo man es im PLM gebrauchen kann

Recommandé

Contenu connexe

Présentations pour vous(20)

Similaire à Machine Learning, AI, KI, Deep Learning und wo man es im PLM gebrauchen kann(20)

Plus de Intelliact AG(13)

Dernier(20)

Machine Learning, AI, KI, Deep Learning und wo man es im PLM gebrauchen kann