In den vergangenen Jahren haben die Methoden des maschinellen Lernens Einzug in viele Unternehmen gehalten. Auch, weil immer größere Datenmengen anfallen, schnellere und bessere Rechner zur Verfügung stehen und die Wissenschaft große Fortschritte macht, kann künstliche Intelligenz immer einfacher eingesetzt werden. 

Viele Data-Science-Projekte erlangen keinen Produktivstatus

Meist liegt der Fokus hier auf der Digitalwirtschaft. Häufig wird maschinelles Lernen deshalb für Produkte wie Textvervollständigung, automatische Übersetzungen oder Kontaktempfehlungen genutzt. Aber auch in der öffentlichen Verwaltung, der Medizintechnik, im Finanzwesen und der industriellen Produktion wird künstliche Intelligenz genutzt. 

Wir wissen aus der Praxis, dass es vielen Entscheiderinnen und Entscheidern schwerfällt, geeignete Prozesse zu identifizieren, die sich für den Einsatz künstlicher Intelligenz und Data Science eignen. 

So funktioniert maschinelles in der Praxis - ein Beispiel

Was also ist mit dem Einsatz von Data Science und maschinellem Lernen alles möglich? Das stellen wir Ihnen in einer Whitepaper-Reihe vor. In der ersten Ausgabe konzentrieren wir uns auf den Einsatz von Data-Science-Methoden bei der Prozessüberwachung in der industriellen Fertigung und stellen diese anhand eines Praxisbeispiels vor.

Im vorgestellten Projekt geht es darum, während des Produktionsprozesses mit einem 3-D-Drucker frühzeitig Fehler zu erkennen. Zu Beginn wird analysiert, welche Herausforderungen gelöst werden sollen. Hierzu wurden die Erwartungshaltungen der Beteiligten ermittelt und die gewünschten Ziele herausgearbeitet. Grundlage für den im Whitepaper beschriebenen Versuch, den wir gemeinsam mit der Ruhr-Universität Bochum durchgeführt haben, war ein Klassifizierungsproblem.

Gemeinsames Projektverständnis erzeugen

In Projekten, bei denen maschinelles Lernen eingesetzt wird, ist es wichtig, dass alle Beteiligten ein gemeinsames Projektverständnis erzeugen. Außerdem sollte die Problemstellung geschärft werden und klar sein, wie die Lösung aussehen soll. Ein weiterer Schritt ist die Antwort auf die Frage, welche Art von Daten für das Projekt genutzt werden sollen. Diese Vorbereitungen unterscheiden sich je nach Kundenprojekt. Die nächsten Schritte sind weniger individuell. Denn hier profitiert ein Vorhaben von der Erfahrung der mitarbeitenden Datenwissenschaftler:innen. 

KPMG und KPMG LIGHTHOUSE als Partner

Im Rahmen der KPMG Data Science Factory können wir Sie auf der kompletten Strecke Ihrer Data-Science-Projekte mit langjähriger Expertise und einer hohen Diversität an Mitarbeiterinnen und Mitarbeitern begleiten. In der Anfangsphase kann das Team auf Branchenexpert:innen innerhalb von KPMG zurückgreifen und so zügig zu einem gemeinsamen Projektverständnis gelangen.