Advanced
Analytics & AI

Erweiterung und Optimierung Ihrer Prozesse und
Analyse-Services durch Advanced Analytics und AI

Definierter Use Case als Grundlage für Advanced Analytics

Effizienzsteigerungen oder gar neue Geschäftsfelder entstehen selten als Revolution, sondern sind evolutionäre, Case-basierte Entwicklungen. Daher glauben wir, dass die bestehenden Systeme / Prozesse nicht per se ersetzt werden müssen, sondern mit intelligenten Komponenten erweitert werden können.

Nutzung von Technologien

Das Spektrum der bei Advanced Analytics Projekten genutzten Methoden und Technologien ist relativ umfangreich. Entscheidend ist der Use Case – also Anpassung der Technologie bezogen auf die jeweilige Zielsetzung. Dabei gilt der Grundsatz: „vom Einfachen hin zum Komplexen“.

Advanced Analytics

Advanced Analytics bedeutet autonome oder halbautonome Analyseverfahren von Daten oder Inhalten. Hierbei werden unterschiedlichste Methoden und Technologien genutzt, z.B. Verfahren der sog. Künstlichen Intelligenz, wie Machine Learning oder Neuronale Netze. Aber auch mit weniger komplexen Ansätzen aus der Statistik und der Stochastik können in vielen Advanced Analytics Projekten hervorragende Ergebnisse erzielt werden.

Unsere Zielsetzung

Unser Ziel ist es, bestehenden Systeme durch schlanke, analytische Microservices zu ergänzen bzw. zu erweitern – egal ob es sich hierbei um Prozesslösungen oder um Anwendungen aus dem Bereich Business Intelligence (BI) handelt.

Erweitert man z.B. die klassische BI um Advanced Analytics, die mit den unterschiedlichsten Algorithmen arbeitet – von einfachen Korrelationen bis zu Neuronalen Netzen –, wird aus einem statisch-deskriptiven BI-System ein intelligenter Service, der die Entscheidungsfindung aktiv unterstützen kann.

Use Case

Industrie

Frühzeitige Prognose von Lastspitzen bei innerbetrieblichen Stromnetzen

Situation:
Lastspitzen treten in vielen vernetzten Systemen auf, wie z.B. in Rechenzentren, in Warenströmen oder in Stromnetzen. Bei innerbetrieblichen Stromnetzen sorgen Lastspitzen für überproportional hohe Kosten, da entweder Überkapazitäten vorgehalten oder Leistungen extern eingekauft werden müssen.

Was wir tun

Identifikation, Entwicklung und Betrieb
von Data Analytics Use Cases

Bestehende Geschäftsmodelle sollen durch selbstlernenden AI-Lösungen schnell und nachhaltig verbessert werden
– idealerweise wird die Profitabilität unmittelbar gesteigert. Das erreichen wir durch eine klare Definition von Impact und Nutzen.

Umsetzung von Analytics Projekten

Analytics & AI Projekte sind stark explorative und hoch dynamische Projekte. Deshalb ist das A und O ist eine Business Analyse, die einen klaren Nutzen/Impact und damit auch ein Ziel definiert.

Dieses Ziel wird dann in einem Data Lab explorativ entwickelt (z.B. in Form eines Proof-of-Concept) und anschließend in der Data Factory produktiv umgesetzt. Das so entstehende MVP ist dann die Grundlage, um durch den weiteren Betrieb/Service einen optimierten Prozess (Produkt) zu gewinnen.

Meist ist das dann der Ausgangspunkt für weiterführende Ziele und neue Ideen.

Unser Vorgehensmodell orientiert sich am Cross Industry Standard Process for Data Mining (kurz: CIRSP-DM). D.h., die groben Anforderungen werden in Form von Epics erfasst und mit Stories sowie dedizierte Unteraufgaben verfeinert, um schließlich nach der agilen Methode umgesetzt zu werden.

Unsere Services und Frameworks

Best Practice in Forecasting und Predictive Maintenance

Die Use Cases unserer Kunden sind spezifisch und individuell, aber unsere Erfahrungen aus erfolgreichen und geförderten Projekten helfen dabei, schneller eine effektive Lösung zu finden.

D/A-Handel

Datengestützte Handelsempfehlungen im D/A-Stromhandel. Grundlage hierfür sind Marktdaten, die mit modernsten AI Algorithmen analysiert werden. Daraus werden Prognosen errechnet, die per Online-Dashboard oder Messaging-System zur Verfügung gestellt werden. Mit diesen Empfehlungen erhöht sich Ihre Handelsperformance und gleichzeitig reduziert es die Zeit für Marktbeobachtungen.

Lastspitzen Prognosen

Vermeidung von Energie-Lastspitzen in der Industrie durch selbst-lernende, leichtgewichtige Forecast Systeme. Grundlage sind historische Daten, in denen moderne AI-Algorithmen Peaks frühzeitig erkennen können. Durch Integration in das Energiemanagementsystem, können Lastspitzen dann aktiv vermieden werden - Energie-Kosten können so deutlich reduziert werden.

Predictive Maintenance

Steigende Nutzer-, Cluster- und Prozesszahlen stellen für die Betriebs- und Qualitätssicherung von Container-Plattformen eine Herausforderung dar. Auf Basis eines eines Condition Monitoring wird zusätzlich ein ML-basiertes Predictive Maintenance installiert. Durch die Identifikation wiederkehrender Muster („Fehler“) ist ein schnelleres Debugging möglich und damit eine signifikante Verbesserung der Clusterstabilität.

Entwicklung und Technologien

Grundlage für unsere Lösungen sind sowohl bewährte Algorithmen aus den Bereichen Machine Learning und Deep Learning als auch custom-made Analysen und Algorithmen. Die Herausforderung liegt darin, eine Lösung zu finden, die sowohl funktional als auch performant ist und sich nahtlos in vorhandene Systeme integrieren lässt.

Einige unserer Eigenentwicklungen können Sie gerne auf GitHub und DockerHub herunterladen und ausprobieren.