Anomalieerkennung vom Fräskopf auf Buchungsjournale übertragen
In der Fertigung zeigt ein Sensor, wann ein Fräskopf getauscht werden muss, bevor die Qualität nachlässt. Dasselbe Verfahren findet in den Buchungsjournalen einer Abschlussprüfung auffällige Buchungen. Übertragen wurde es nahezu unverändert — obwohl die Daten unterschiedlicher kaum sein könnten.
Was der Proof zeigt
Anomalieerkennung ist in den lange bekannt. Eine Anlage wird sensorisch ausgestattet, und aus dem Signal lässt sich ablesen, wann ein Werkzeug an sein Ende kommt — früh genug, um es zu tauschen, bevor die Qualität nachlässt.
Der Proof zeigt, was geschieht, wenn dieses Verfahren in eine Domäne getragen wird, die mit Fertigung nichts zu tun hat. Sensordaten fallen dicht und nahezu stetig an; Buchungssätze stehen einzeln, folgen keiner physikalischen Größe und haben untereinander keinen Abstand, den man messen könnte. Genau deshalb ist die Übertragung bemerkenswert: Sie hat funktioniert.
Das Cross-Industry-Vorgehen wurde darüber hinaus in drei verschiedenen Zusammenhängen angewendet: in einem Berufsverband, in einem Industrienetzwerk aus zwölf Unternehmen und bei einem Anbieter von Prüftechnik. Dreimal dasselbe Vorgehen, dreimal eine andere Ausgangslage.
Mechanik hinter dem Ergebnis
Die Herkunft ist ein etabliertes Verfahren, keine Neuentwicklung. In der Fertigung zeigt die Abweichung im Sensorsignal den Zeitpunkt für den Werkzeugtausch an — bekannt und erprobt.
Der Sprung: andere Daten, dieselbe Frage. Was beide Bestände teilen, ist die Suche nach dem Ausreißer, ohne Beispiele dafür zu haben, wie ein Ausreißer aussieht. Unüberwachtes Lernen braucht keine gelabelten Fälle — und genau deshalb ist es nicht an eine Datenart gebunden.
Bewerten, auf zwei Achsen. Realisierungshorizont von heute bis etwa fünf Jahre, und die Entfernung der Herkunftsbranche. Die zweite Achse ist die ungewöhnliche: Sie hält fest, wie weit ein Prinzip aus dem eigenen Feld herausführt.
Auf das neue Anwendungsfeld übertragen. Ergebnis ist ein benannter Kandidat mit Begründung. Aus der Medizin wurden dabei erklärbare Lernverfahren als Transferkandidat für die Prüfung benannt — mehr sagt die Quelle nicht, und mehr steht hier nicht.
Die Fakten
| 1.600 Messwerte je Sekunde | Sensordaten aus dem Fräsprozess, ungelabelt und unbalanciert |
|---|---|
| 10⁷ Buchungssätze | Buchungsjournale einer Abschlussprüfung, ungelabelt und unbalanciert |
| nahezu eins zu eins | so weitgehend unverändert ließ sich das Verfahren auf den neuen Datenbestand übertragen |
| 5 Anwendungsfälle aus fünf Fremdbranchen | Versicherungswesen, Verkehrssicherheit, Kriminologie, Onlinehandel und Medizin |
| 2 Achsen im Bewertungsrahmen | Realisierungshorizont von heute bis fünf Jahre und Entfernung der Herkunftsbranche |
| Vorgehensmodell in einem Fachaufsatz dokumentiert | damit wiederholbar und nachlesbar |
| erklärbare Lernverfahren aus der Medizin | als Transferkandidat für die Wirtschaftsprüfung benannt |
| 12 Unternehmen aus fünf Branchen | in zwei Workshops an gemeinsamen Anwendungsfällen |
| beauftragt | der höchstpriorisierte Business Case wurde von sechs Unternehmen als gemeinsames Entwicklungsprojekt beauftragt |
| 4 Häuser aus vier fremden Branchen | daraufhin untersucht, wie sie Kunden durch komplexe Sortimente führen |
Einordnung
- Leistungen
- Product & Service Innovation · Strategy & Consulting
- Expertise
- Methodenexpertise · Branchenexpertise
- Umfang
- 1.600 Messwerte je Sekunde gegen 10⁷ Buchungssätze · dasselbe Verfahren
Fragen zu diesem Beitrag? Schreiben Sie uns über das Kontaktformular.