Digitale Transformation

Digitale Transformation

Unser Mut zur Verfolgung der Strategie ermöglicht es uns, den Wandel zu vollziehen

Es gibt Milliarden von Daten, die analysiert und verwaltet werden müssen, um schwierige menschliche Arbeitsbelastungen zu verbesseren und zu automatisieren. Diese Arbeitsbelastung und das Fehlerrisiko werden dazu beitragen zukünftige Veränderungen zu fördern. Die Vereinheitlichung und Verwaltung umfangreicher Daten ist der Schlüssel zur Realisierung der nächsten Generation von E-Commerce, Tracking, Betrugserkennung, Lieferketten- und Logistikanwendungen.

Big Data

In der Pharma-, Lebensmittel- und Getränkebranche gibt es eine komplexe Architektur. Es gibt auch viele verschiedene Ebenen für die automatisierte Schnittstelle zwischen dem Unternehmen und den Steuerungssystemen: Geräte, Maschinen, Produktionslinien, Behörden, verschiedene Lieferanten (Markeninhaber, CMO, Sublieferanten, Umverpackungsunternehmen), Lager, Großhändler und Logistikbeauftragte.



Die primäre Notwendigkeit für diese Industriezweigeist ein Software-System, das entwickelt wurde, um die Speicherung großer Serialisierungsdaten und den Informationsfluss zu verwalten:


 

    • Maximale Datensicherheit
    • Flexibilität bei unterschiedlichen Kommunikationsanforderungen
    • Minimale Ausfallzeiten für Software-Updates und Patch-Freigaben
    • Ein einziger Verbindungspunkt, als Schnittstelle zwischen den verschiedenen Akteuren, Soft- und Hardwarelösungen

 

 


 

 

<p style="text-align: right;">Das “Deep Learning”, ein Teilbereich des “Machine Learning”, ist von den neuronalen Netzen inspiriert und kann versteckte Datenschichten aufdecken, um komplexe Muster zu identifizieren. Künstliche neuronale Netze (ANN) sind Modelle, die von biologischen neuronalen Netzen beeinflusst werden. Zum Beispiel: Das zentrale Nervensystem von Lebewesen, vor allem das Gehirn. Daher ist es sehr nützlich, die Daten zu verstehen, Vorhersagen zu treffen, Handlungsempfehlungen zu geben, wie z.B. die Interpretation von unstrukturierten Daten oder viele andere intelligente Verhaltensweisen ohne explizite menschliche Anweisungen.<br /><br /></p>
<p style="text-align: right;">Die kombinierte Wirkung des automatischen lernens aus Daten, Bildern, Beispielen, Texten usw., zusammen mit den ausgeklügelten Lernmodellen und der hohen Rechenleistung, hat große Möglichkeiten für den Fortschritt geschaffen.</p>

"Machine Learning" und "Deep Learning"

"Machine Learning" und "Deep Learning"

 

Das “Deep Learning”, ein Teilbereich des “Machine Learning”, ist von den neuronalen Netzen inspiriert und kann versteckte Datenschichten aufdecken, um komplexe Muster zu identifizieren. Künstliche neuronale Netze (ANN) sind Modelle, die von biologischen neuronalen Netzen beeinflusst werden. Zum Beispiel: Das zentrale Nervensystem von Lebewesen, vor allem das Gehirn. Daher ist es sehr nützlich, die Daten zu verstehen, Vorhersagen zu treffen, Handlungsempfehlungen zu geben, wie z.B. die Interpretation von unstrukturierten Daten oder viele andere intelligente Verhaltensweisen ohne explizite menschliche Anweisungen.

 

Die kombinierte Wirkung des automatischen lernens aus Daten, Bildern, Beispielen, Texten usw., zusammen mit den ausgeklügelten Lernmodellen und der hohen Rechenleistung, hat große Möglichkeiten für den Fortschritt geschaffen.

Neuronale Netze

Insbesondere im Bereich der Computervision wird das "Deep Learning" hauptsächlich durch die sogenannten "Convolutional Neural Networks" (CNN) umgesetzt. Die CNN lernen immer mehr abstrakte Darstellungen der in jeder Phase eingegebenen Daten. Im Falle der Objekterkennung kann ein CNN mit Rohpixeldaten beginnen und dann sehr unterschideliche Merkmale wie Kanten, gefolgt von Grundformen, koplexen Formen, Mustern und Texturen lernen.



"Deep Learning" hat
zahlreiche Vorteile:


 

    • Verkürzte Markteinfhrungszeit 
    • Minimale mechanische Komplexität, was zu geringeren Produktions- und Wartungskosten führt
    • Erhöhte Fähigkeit zur Automatisierung von Produktionen, bei denen menschliche Eingriffe noch notwendig sind            
    • Schnellere Neukonfiguration der Maschinen für neue Produkte

 

 


 

 

Cloud Computing

Die Verbindungen zu Clouds und Analytic Services nehmen ständig zu. Der Haupttrend ist die Hybrid Cloud, die in der Lage ist, eine private Umgebung mit einem oder mehreren öffentlichen Cloud-Systemen zu verbinden. Damit sollen mehr Flexibilität, Kostenoptimierung und vor allem ein angemessenes Management der gesetzlichen Anforderungen an den Datenschutz und die Vertraulichkeit der Daten gewährleistet werden. Es besteht auch ein wachsendes Interesse an Edge Computing, einer Architektur mit verteilten Ressourcen, welche die zentralisierten Cloud-Ressourcen unterstützt und die spezifischen Prozesse und Analysen näher dorthin bringt, wo die Informationen tatsächlich gesammelt werden (z.B. von den Sensoren). Auf diese Weise ist es möglich, die Effizienz Ihrer Erfassungs- und Analysetätigkeiten zu steigern, ohne große Datenmengen zwischen der Peripherie und den lokalen oder Cloud-Systemen verschieben zu müssen.

Unsere Lösung

Von der Objekterkennung über die Bildklassifizierung bis hin zur OCR, (Optical Character Reading): Es gibt viele Anwendungen der Künstlichen Intelligenz. Unsere industrielle Computer Vision Plattform basiert auf der „Deep Learning“-Technologie und zielt darauf ab, die traditionellen Ansätze zu überwinden. Sie nutzt beispielsweise „unbeaufsichtigtes Lernen“, um die Kosten für die Datenklassifizierung und die Trainingszeiten zu reduzieren und die Lernphase auch durch die enorme Rechenleistung, die heute auf der Cloud zur Verfügung steht, zu unterstützen. Das System ist nicht nur für die Computervision konzipiert, sondern auch für die Analyse und Korrelation zwischen strukturierten Daten, ideal für die vorbeugende Wartung, Abweichungen, Störungen und Zeitreihen, usw.

-->