KI- & Machine-Learning-Plattform

Nein. Die Modelle sind für Fertigungsanwendungsfälle vorgefertigt und werden von MSF-Experten auf Ihre Daten abgestimmt.

On-Premise oder in einer Private Cloud, ganz nach Ihrer Wahl. Ihre Produktionsdaten trainieren niemals die Modelle anderer Unternehmen.

MES-Daten bilden die Grundlage; jedes weitere Modul (APS, Quality, Maintenance) erschließt zusätzliche KI-Anwendungsfälle.

Entscheidend ist die Anzahl gelabelter Beispiele je Klasse. Die Anzahl der Monate allein sagt wenig. Ein Ausschussmodell lernt aus Fehlern, eine Linie mit geringer Ausschussquote kann also sehr lange laufen, ohne genug Fälle der Minderheitsklasse zu liefern, während eine Bedarfsprognose mehrere vollständige Saisonzyklen sehen will. Ältere Historie zählt nur, wenn sie auf demselben Artikelstamm und derselben Werksstruktur liegt, für die Sie heute prognostizieren, also klären Sie zuerst, wann die letzte ERP-Migration oder Teilenummern-Umstellung war. Eine kurze saubere Reihe ist mehr wert als eine lange, die über eine Umnummerierung hinweg zusammengeflickt ist.

Das überwachte Lernen nicht. Prädiktive Qualität braucht auf der einen Seite Prozessparameter und auf der anderen ein echtes Ergebnis-Label, und ein Sammel-Ausschussgrund auf der Mehrheit der Datensätze bringt dem Modell nichts bei. Räumen Sie zuerst die Codierung im MES auf und zählen Sie korrekt codierte Fehler je Ausschussgrund. Vergangene Wochen sind dafür kein Maßstab. In der Zwischenzeit arbeitet die LSTM-Anomalieerkennung unüberwacht und braucht keine Labels, damit können Sie also anfangen, mit der Einschränkung, dass sie auffälliges Verhalten meldet und keinen benannten Fehler.

Nein. Die Parameter- und Optimierungsmodelle erzeugen Empfehlungen, die vor einem Menschen landen, auf einem Panel, in einem Report oder als Planvorschlag im APS, und das Zurückschreiben in eine Steuerung ist eine eigene Integration, die Sie bewusst beauftragen. Wenn Sie später wirklich Sollwerte im geschlossenen Regelkreis wollen, behandeln Sie das als Automatisierungsprojekt mit eigenem Änderungsmanagement, und niemals als Ersatz für fest verdrahtete Sicherheitsverriegelungen.

Planen Sie einen namentlich benannten Prozess- oder Qualitätsingenieur mit einem festen Termin im Kalender ein; MSF übernimmt Tuning und Nachtraining, aber das Ergebnis braucht einen Verantwortlichen bei Ihnen. Die laufende Arbeit besteht darin zu prüfen, ob die Vorhersagen noch zur Realität passen, zu melden, wenn ein neues Produkt, ein Werkzeugwechsel oder eine überholte Maschine den Prozess verschoben hat, und Ausschuss- und Stillstandsgründe sauber zu halten. Das ist kein Vollzeitjob, aber eben auch nicht nichts.

Die Treffsicherheit sinkt, und sie sinkt unauffällig. Ein Modell hat Ihr Werk so gelernt, wie es war, ein neues Material, eine umgebaute Maschine oder eine geänderte Taktzeit macht also einen Teil seiner Historie wertlos, während die Ausgabe weiterhin überzeugt aussieht. Sagen Sie uns geplante Prozessänderungen vorher an und legen Sie im Projekt fest, für welche Modelle ein Soll-Ist-Vergleich der Vorhersagen läuft, wer ihn liest und wie oft. Gehen Sie nicht davon aus, dass Drift-Überwachung bei jedem Modell standardmäßig aktiv ist.

Eine Messung, die fein genug ist, um einzelne Verbraucher zu identifizieren, Ihren tatsächlichen Tarifkalender und eine Planung, an die der Optimierer einen Vorschlag übergeben kann; ein einziger Zähler am Werkseingang liefert die Summe und keinerlei Hinweis darauf, welchen Arbeitsgang Sie verschieben sollten. Der Optimierer plant gegen Energiepreisfenster, gerechnet in kWh. Eine vereinbarte Leistungsspitze einzuhalten ist eine andere Aufgabe, dafür braucht es Messwerte im Lastgang und die Möglichkeit, eine Last im Moment zu halten oder abzuwerfen, das gehört also getrennt beauftragt.

Eine einzelne Genauigkeitszahl gibt es nicht. Das Modell gibt einen Score aus, und wo Sie die Alarmschwelle setzen, legt sowohl die Trefferquote als auch die Fehlalarmquote fest, gemessen an Teilen, die das Modell nie gesehen hat; diesen Punkt zu wählen ist eine betriebswirtschaftliche Entscheidung darüber, was ein angehaltenes Gutteil gegenüber einem ausgelieferten Schlechtteil kostet. Feature Importance und Korrelation sind Diagnosen auf Modellebene, gut um eine Scheinkorrelation zu erkennen, aber unbrauchbar, um eine einzelne Meldung zu bewerten. Lassen Sie das Modell im Schattenbetrieb mitlaufen, bis genug echte Fehler für einen Vergleich zusammengekommen sind.