Aufrufe
vor 2 Jahren

Netzwoche 5/2019

44 Technology

44 Technology Nachgefragt « Niemand will, dass ein Flugzeugmotor während des Fluges ausfällt » Wissen, was kaputt geht, bevor es kaputt geht, um es ersetzen zu können, bevor Schaden entsteht. Das ist eine von vielen Möglichkeiten, wie Predictive Analytics eingesetzt werden können. Krzysztof Kryszczuk, Leiter der Predictive Analytics Group der ZHAW, spricht über Predictive Maintenance, qualitativ hochwertige Daten und leere Benzintanks. Interview: Kevin Fischer « Predictive Analytics versuchen, ein Fenster zur Zukunft zu öffnen und uns zu sagen, was wahrscheinlich als Nächstes passieren wird. » Krzysztof Kryszczuk, Leitung Predictive Analytics Group, ZHAW Artikel online auf www.netzwoche.ch Webcode DPF8_129488 Woran forschen Sie im Bereich Predictive Analytics im Moment? Krzysztof Kryszczuk: Die Predictive Analytics Group ist daran interessiert, modernste maschinelle Lern- und Signalverarbeitungstechniken einzusetzen. Es geht darum, menschliche Biosignale besser zu verstehen und die Entwicklung von Algorithmen der nächsten Generation in enger Zusammenarbeit mit unseren Industriepartnern zu ermöglichen. Zum Beispiel suchen wir nach innovativen Möglichkeiten, neurodegenerative Erkrankungen mithilfe von Signalen, die von einer Smartwatch gesammelt wurden, zu diagnostizieren. Was genau sind denn «Predictive Analytics»? Predictive Analytics ist ein Paradigma in der Datenwissenschaft. Historisch gesehen stammen maschinelles Lernen und Mustererkennung aus der angewandten Statistik. In der Statistik beschäftigen wir uns mit «Descriptive Analytics». Hier versuchen wir, zu verstehen, was in der Vergangenheit «passiert ist» und möglicherweise auch warum. Predictive Analytics versuchen, ein Fenster zur Zukunft zu öffnen und uns zu sagen, was wahrscheinlich als Nächstes passieren wird, basierend auf dem Wissen über die Vergangenheit und die Gegenwart. Der nächste Schritt ist «Prescriptive Analytics», wo wir nicht nur vorhersagen wollen, was wahrscheinlich passieren wird, sondern auch den optimalen Aktionsplan entwickeln wollen. Ich und meine Gruppe arbeiten bereits in diese Richtung. Können Sie das anhand eines Beispiels genauer erläutern? Stellen Sie sich vor, Sie fahren ein Auto auf der Autobahn und die Tankanzeige zeigt «leer» an. Sie wissen, dass Sie es in der Vergangenheit immer geschafft haben, zur nächsten Tankstelle zu kommen. Das ist eine deskriptive Analyse. Sie sind auf einer Autobahn, auf der Sie noch nie gefahren sind, aber wenn Sie sich die Karte ansehen, spekulieren Sie, dass Sie es mit gleichbleibendem Fahrstil bis zur nächsten Ausfahrt schaffen sollten, bevor das Auto stehen bleibt. Das ist eine prädiktive Analyse, also Predictive Analytics. Jetzt können Sie verschiedene Dinge tun – Sie können so weiterfahren wie bisher, Sie können beschleunigen oder Sie können verlangsamen. Prescriptive Analytics wird Ihnen sagen, was das optimale Vorgehen sein sollte, damit Sie Ihren Abend nicht auf dem Autobahnstandstreifen im Regen verbringen und auf Hilfe warten müssen. Warum ist diese Technologie für Unternehmer interessant? Predictive Analytics helfen dabei, herauszufinden, was das wahrscheinlichste Ergebnis einer Entscheidung ist. Gute Entscheidungen sind gut für das Geschäft. Schlechte Entscheidungen können kostspielig sein. Das Ziel eines jeden Unternehmens ist es, den Gewinn zu maximieren. Eine der Möglichkeiten, zur Gewinnmaximierung beizutragen, ist die Minimierung der Kosten. Schlechte Entscheidungen basieren in der Regel auf schlechten Vorhersagen, und genau hier hilft Predictive Analytics. Wir sprechen hier natürlich über den Einsatz von Predictive Analytics als direkte Unterstützung bei der Führung des Unternehmens. Technologien wie Predictive Maintenance hingegen ermöglichen es, die Tage hinter sich zu lassen, in denen weniger optimale Entscheidungen getroffen worden sind, die auf einer Mischung aus technischer Erfahrung und altertümlicher Statistik basieren. Was ist «Predictive Maintenance»? Predictive Maintenance, also ein vorausschauendes Wartungssystem, ist vor allem für unentbehrliche, komplexe und teure Geräte relevant, oft in einer geschäftskritischen Anwendung. Beispiele dafür sind Flugzeugmotoren, Stromgeneratoren und so weiter. Aufgrund der Beschaffenheit dieser Geräte ist es von entscheidender Bedeutung, dass sie störungsfrei funktionieren und das erwartete Leistungsniveau liefern. Solche Geräte verfügen über einen sehr detaillierten Wartungsplan, der erklärt, wann und an welchem Teil der Maschine etwas gewartet oder ausgetauscht werden muss, um einen reibungslosen Betrieb zu gewährleisten. Solche Servicepläne werden naturgemäss nach dem «Worst-Case-Szenario» erstellt. Ein wenig konservativ zu sein, ist hier sinnvoll. Niemand will, dass ein Flugzeugmotor während des Fluges ausfällt. Dieses Vorgehen führt jedoch zwangsläufig zu Ineffizienz – oft wird eine Maschine gewartet, obwohl es noch nicht nötig ist, wenn man den aktuellen Zustand der Maschine zugrunde legt. 05 / 2019 www.netzwoche.ch © netzmedien ag

Technology Nachgefragt 45 « Unternehmen, die nicht versuchen, ihre Entscheidungen auf der Grundlage einer versuchten Vorhersage der Zukunft zu treffen, sind wahrscheinlich sehr schnell aus dem Markt raus. » Krzysztof Kryszczuk, Leitung Predictive Analytics Group, ZHAW Und hier kommt die Predictive Maintenance ins Spiel? Genau. Die heutigen komplexeren Maschinen sind mit einer Vielzahl von verschiedenen Sensoren ausgestattet, die live Informationen über den aktuellen Zustand des Arbeitsgeräts liefern. Wir sammeln Sensordaten, transformieren sie und extrahieren daraus Informationen, die auf eine mögliche Fehlfunktion hinweisen. Dann erstellen wir Modelle für die Verwendung von Techniken des maschinellen Lernens und setzen diese Modelle später ein, um vorherzusagen, ob und wann ein Ausfall wahrscheinlich ist. Auf diese Weise können wir Geld für unnötige Betriebsunterbrechungen und noch mehr Geld für die Vermeidung von Ausfällen zwischen geplanten Wartungszeiten sparen. Die Forscher meiner Gruppe bauten solche Modelle für grosse Gasturbinen mit dem Ziel, übermässige toxische Gasemissionen zu vermeiden. Unsere Modelle ermöglichen nicht nur die Vorhersage, wann die Emissionen kritische Werte erreichen, sondern wir gingen noch einen Schritt weiter: Wir haben ein System entwickelt, das den Ingenieuren bei der Rekalibrierung der Maschine hilft. Das Ziel dabei war, Leistung, Emissionen und Langlebigkeit der Turbine zu optimieren. Für wen lohnen sich Predictive Analytics und für wen nicht? Ich bin wahrscheinlich nicht die kompetenteste Person, um das zu beurteilen. Aber meine Intuition in dieser Hinsicht ist Folgende: Jedes erfolgreiche Unternehmen verwendet prädiktive Analysen, ob gross oder klein, ob es sich um eine Bäckerei oder ein grosses Pharmaunternehmen handelt. Unternehmen, die nicht versuchen, ihre Entscheidungen auf der Grundlage einer versuchten Vorhersage der Zukunft zu treffen, sind wahrscheinlich sehr schnell aus dem Markt raus. Einfache Vorhersagen brauchen einfache Modelle. Übersteigt aber die Anzahl der Faktoren, die für die Erstellung einer Vorhersage berücksichtigt werden müssen, die Kapazitäten des menschlichen Gehirns, dann sind maschinelles Lernen und Mustererkennung die einzige Lösung, ausser man möchte raten. Wir Menschen sind grossartig darin, Muster zu entdecken, prädiktive Modelle in unserem Kopf aufzubauen und Entscheidungen auf der Grundlage dieser Modelle zu fällen. So haben unsere Vorfahren im Dschungel überlebt, so haben sich die Unternehmen unserer Grossväter auf dem immer stärker umkämpften Markt behauptet. Aber wir sind biologisch auf das Denken in nur zwei Dimensionen beschränkt – die Klügsten von uns vielleicht in drei. Moderne technologische und geschäftliche Entscheidungen erfordern oft die Berücksichtigung von hunderten oder tausenden Parametern und deren gegenseitigen Beziehungen und Interaktionen. Es gibt einfach keinen Menschen, der dazu in der Lage ist. Zurück zur Frage: Predictive Analytics sind wichtig für jeden, der sich keine Fehler leisten kann, denn anders ist er nicht in der Lage, alle Faktoren bei einer wichtigen Entscheidung zu berücksichtigen. Welche Herausforderungen bringt es mit sich, wenn ein Unternehmen Predictive Analytics einsetzen möchte? Ich würde sagen, die typischen Herausforderungen ergeben sich aus der Notwendigkeit, einen Paradigmenwechsel zu vollziehen. Viele Unternehmen feiern immer noch die Kultur der unersetzlichen Experten. Dabei handelt es sich um erfahrene Mitarbeiter, die seit vielen Jahren ihre Arbeit verrichten. Die Einführung eines Algorithmus, der die Aufgabe möglicherweise besser erfüllen kann, ist oft abschreckend und bringt die unausgesprochene Drohung mit sich, Leute in die Irrelevanz zu drängen. «Wir brauchen so etwas nicht, unsere Experten machen es grossartig.» Man kann niemandem die Schuld für den Widerstand geben. Jede neue Technologie hat Gegenwehr und Verachtung ausgelöst, bevor sie akzeptiert wurde. Eine weitere Herausforderung ergibt sich aus der Notwendigkeit, Daten als wertvolle Ressource zu betrachten. Im Bereich der Datenverarbeitung haben wir ein Sprichwort: «garbage in, garbage out». Unsere Modelle und Vorhersagen sind nur so gut wie die Daten, die wir für die Arbeit erhalten. Das scheint simpel zu sein, aber das Sammeln von Qualitätsdaten ist schwierig, kostspielig und zeitaufwendig, und es erfordert einen gezielten Einsatz von Ressourcen – jedes Unternehmen, das auf den Datenzug aufspringen möchte, muss bereit sein, diese zusätzlichen Kosten zu tragen. www.netzwoche.ch © netzmedien ag 05 / 2019

Archiv