Teilnehmende lernen, wie datenbasierte KI-Modelle gezielt zur Optimierung von Produktion, Wartung und Automatisierung eingesetzt werden können. Die Integration von Künstlicher Intelligenz in industrielle Prozesse erfordert durchdachte Datenstrategien, robuste Modellierungsverfahren und anwendungsnahe Auswertungsmethoden.

Datenmanagement und Analyse

Ein zentraler Bestandteil ist der Aufbau automatisierter Datenpipelines. Teilnehmende entwickeln strukturierte Workflows zur Harmonisierung und Transformation großer Industrie-Datensätze, um eine nahtlose Einbindung von Künstlicher Intelligenz in bestehende Systeme sicherzustellen.

  • SQL wird genutzt, um industrielle Sensordaten und Produktionsinformationen effizient zu analysieren.
  • Durch optimierte Abfragen, Joins und Aggregationen lassen sich relevante Informationseinheiten extrahieren und für Machine Learning-Modelle aufbereiten, sodass datengetriebene Entscheidungen im Industrieumfeld unterstützt werden.
  • Zur Visualisierung komplexer Datenbeziehungen kommt Power BI zum Einsatz. Interaktive Dashboards und DAX-Funktionen ermöglichen eine anschauliche Auswertung von Predictive Maintenance-Modellen, Echtzeitdaten und Modellleistungen im Kontext industrieller Anwendungen der Künstlichen Intelligenz.

Modellierung und Anwendung

Explorative Datenanalysen helfen, Anomalien frühzeitig zu erkennen und Prozesse gezielt zu optimieren. Mithilfe statistischer Methoden und entsprechender Visualisierungen werden datengetriebene Vorhersagemodelle geschärft und für konkrete industrielle Szenarien angepasst.

  • Abschließend befassen sich die Teilnehmenden mit dem Einsatz neuronaler Netzwerke in der Industrie.
  • Sie trainieren Convolutional und Recurrent Neural Networks für Aufgaben wie Bilderkennung in der Qualitätskontrolle, IoT-Analysen oder Maschinenzustandsüberwachung.
  • Ziel ist die Nutzung des Potenzials der Künstlichen Intelligenz für moderne Automatisierungssysteme.