IAP-GmbH

Intelligent Analytics Projects

Allgemeine Datenanalyse

Die Detektion von einfachen Mustern und die Betrachtung von den wichtigen Variablen wird als Dienstleistung angeboten. Als Beispiel kann das Logo von IAP–GmbH dienen, welches die Trennung von zwei deutlich unterschiedlichen Prozessen als Hügel über eine Modellierung darstellt (Gaußmixturen Model). Dies erlaubt zum Beispiel die Aufteilung in defekte und funktionstüchtige Produkte.
Eine solche Analyse kann natürlich mehr als zwei Prozesse oder Zustände identifizieren: Die folgende Abbildung zeigt eine veröffentlichte Analyse des Einkommens der Bundesbürger und veranschaulicht vier datengenerierende Prozesse. Damit gibt es in Deutschland vier verschiedene Personengruppen, die sich durch soziale Schichten erklären lassen könne.

Abbildung eines Gaußmixturen Models; ;AMAD: Adjusted median absolute deviation

Proof of Concepts und Prototypenbau

Mit aus der Natur entlehnten Verfahren wird Wissen aus Daten extrahiert (s. Datenbionik) sowie für Menschen verständlich dargestellt und bleibt gleichzeitig für Maschinen weiter verwendbar. Durch die Selbstorganisation von Daten Mithilfe datenbionische Verfahren wurden bereits erfolgreiche Prototypenentwicklungen für das sogenannte «Conditional Monitoring» von IoT Geräten durchgeführt, wodurch defekte Anlagen direkt erkennbar waren.
Die Abbildung zeigt einen typischen Projektverlauf in einem Proof-of-Concept. Das konkrete Ziel (im Bild: Gruppierung von Daten – Clusteranalyse) wird vom Kunden definiert.

Predictive Maintenance

Mittels intelligenter Datenanalyse lassen sich Wartungen vorausschauend einplanen. Dafür ist es notwendig die Daten-Muster einer Störung vorher zu identifizieren. Aus der Mustererkennung heraus lassen sich im nächsten Schritt Störungen an Geräten während des Betriebes bzw. defekte Geräte während der Produktion prognostizieren.

Vergleich von Prognose in rot zu Testdaten (Daten die nicht in der Modellierung benutzt worden sind) in schwarz

Automatisierte Prognosen im Supply Chain Management

In der Forschung entwickelte Methoden des maschinellen Lernens ermöglichen die automatisierte Prognose von Produktabsätzen, welche die Güte gängiger statistische Software deutlich schlagen. Mit präziserer Prognose kann das Supply-Chain-Management (SCM) optimiert werden, wodurch gebundenes Kapitals an Lagerkosten und eingelagerten Produkten freigesetzt wird. Diese Prognose-Ansätze sind im Gegensatz zur „Allgemeine Prognosen mittels künstlicher Intelligenz” auf sehr vielen Zeitreihen anwendbar. Eine Prognose (rot) gegen die Zeitreihe (schwarz) ist in der Abbildungen dargestellt.

Allgemeine Prognosen mittels Künstlicher Intelligenz

Mittels unserer Expertise ist es möglich, Mitarbeiter im Callcenter basierend auf historischen Daten sowie öffentlich zugänglichen Daten (z.B. mit Wetter) 24 Stunden oder 7 Tage, sowie ein Jahr im Voraus für Arbeitszeiten, Fortbildungen und Urlaub einzuplanen. Das Workforce-Management-System basiert auf einer künstlichen Intelligenz und besitzt eine Vorhersagequalität von über 90%, die alle publizierten statistischen Systeme schlägt. Die AI ist automatisiert in der Lage aus der Anzahl an Vorgängen (eingehenden Anrufen) die Anzahl an benötigten Mitarbeitern pro Zeiteinheit (Stunden, Tage, Wochen, Monate) vorzugeben. Beschränkt auf eine Ziel-Zeitreihe lässt sich das Verfahren für beliebige Anwendungen nutzen

Topographische Karte: Visualisierung der Zusammenhänge 8000 Dimensionaler Daten

Visualisierung Hoch-dimensionaler Daten und Cluster Analyse

Mit neuesten Ansätzen der neuronalen Netze und Schwarmintelligenz lassen sich die Zusammenhänge von vielen Daten als 3D Landschaft darstellen und sogar ausdrucken. Anbei ist eine Abbildung einer Clusteranalyse als topographische Karte dargestellt. Über die Selbstorganisation und Emergenz der genutzten genetischer Daten, wird die Krankheit der Leukämie in 5 Typen einteilt. Jeder Punkt stellt einen Patienten dar. Täler weisen Gruppen von ähnlichen Patienten auf und Gebirge verdeutlichen die Unterschiede zwischen Patienten. Natürlich lässt sich dieses Verfahren auch auf Kunden anwenden. Zum Beispiel können Kundenrabatte durch eine strategische Clusteranalyse optimiert werden, indem vorher Ähnlichkeiten festgestellt werden. Die Anwendungszwecke sind so vielseitig, dass wir in der Lage waren über Quartalsberichte Unternehmen so einzuteilen, dass Empfehlungen (s. ESANN 2019) für Kauf/Verkauf von Aktien möglich waren.