In der Auslegungsphase (offline) bauen wir mit historischen Daten das Datenmodell auf und ermitteln die Optimierungspotenziale. In der Anwendungsphase (online) wird das Modell implementiert, getestet und bereitgestellt.

Unser Vorgehen bei der KI-Datenmodellierung

KI-Datenmodellierung (TensorFlow)
Auslegungsphase	Anwendungsphase

Historische Daten/offline	Aktuelle Daten/online

Historische Daten/offline		Auslegungsphase	KI‑Datenmodellierung (TensorFlow)
Aktuelle Daten/online		Anwendungsphase

Wir bilden das Datenmodell offline und mit historischen Daten, um die Optimierungsrechnung durchzuführen. Es sind verschiedenste Ziele möglich (z. B. Verbesserung, Prognose, Abweichungserkennung et cetera). Erste Optimierungen können sofort umgesetzt werden.

Aufstellen eines Optimierungsmodells in der Auslegungsphase (offline)

Schritt 1: Zieldefinition und Datenaufnahme

Erläuterung Projektvorgehen
Festlegung Projektziel
Aufnahme Rohdaten/ Domänenwissen
Organisation

Schritt 2: Preprocessing und erste Auswertung

Statistische Datenreinigung
Ausreißeranalyse
Analyse historische Optima
Sofortumsetzung

Schritt 3: Modellbildung und Optimierung

Bildung KI-Modell
Plausibilitätsprüfung
Kombination mit Zielfunktion
Bildung Optimierungsmodell

Wir implementieren das Datenmodell und testen es ausführlich im operativen Betrieb. Danach wird es als kontinuierlicher Datenservice bereitgestellt, damit der Kunde sich komplett auf die Nutzung der Information und sein Geschäftsmodell konzentrieren kann.

Umsetzen des Optimierungsmodells in der Anwendungsphase (online)

Schritt 4: Implementierung und Test

Bereitstellung Data-Service
Customizing Data-Analytics-Plattform
Test mit realen Daten und unter Alltagsbedingungen

Schritt 5: Operativer Betrieb

Laufender Betrieb im Unternehmen
Kontinuierliche Verbesserung und Pflege Datenmodell
Laufende Optimierung

Smart mit Daten

Vorgehen und Methoden