Unser Data Science Team ist bereit, Ihnen bei Ihren Problemen zu helfen, ganz gleich wie komplex diese sind. Wir wenden unser Know-how auf viele Kontexte an, von der Computer Vision für die vorausschauende Wartung über die Zeitreihenvorhersage und Klassifizierung für das Facility Management bis hin zur kausalen Inferenz zur Identifizierung von Fehlerquellen.
Wir sind immer auf dem neuesten Stand der Technik des Maschinellen Lernens und verfolgen die wichtigsten Konferenzen auf diesem Gebiet, wie ICML, ICLR und NeurIPS.
Das bedeutet, dass wir die Modelle des Machine Learning nicht nur als Black Box anwenden, sondern wir passen diese an Ihre Bedürfnisse an und liefern maßgeschneiderte Artificial Intelligence Lösungen (AI).
Unsere schlanke Anwendung von Data Science stellt sicher, dass Ihre Kosten unabhängig von der Größe des Projekts minimal bleiben. Wir arbeiten in der Cloud und vor Ort. Kein Problem, wenn Sie keine Data Science Infrastruktur haben.
Die Bildverarbeitung mit Deep Learning (Computer Vision) ist eines der Gebiete des Machine Learning, das sich in den letzten Jahren dank neuer Optimierungsfortschritte am stärksten entwickelt hat. Gleichzeitig lassen sich dank geringerer Hardwarekosten und höherer Rechenleistung (unter Verwendung von GPUs) Probleme, die vor einigen Jahren noch unvorstellbar waren, heute in Sekundenschnelle lösen.
Mit Deep Learning, wie z.B. Convolutional Neural Networks (CNNs), können wir Probleme wie Bildsegmentierung, Objekterkennung oder Objektdetektion effizient umsetzen.
Durch den Einsatz von GPU-Computing in der Cloud minimieren wir die Kosten und maximieren die Berechnungsgeschwindigkeit. Wir arbeiten mit Open-Source-Software, sodass Sie sich nicht um teure Lizenzkosten zu kümmern brauchen.
Deep Learning wird nicht nur für die Bildverarbeitung verwendet. Reoccuring Neural Networks (RNNs, LSTMs, GRUs, …) haben die Art und Weise, wie wir heute Zeitreihen analysieren, verändert. Wir sprechen nicht mehr von Frequenzanalyse, sondern von Mustererkennung, Klassifikation und Vorhersage.
Mit hunderten Milliarden Sensoren in der Welt sind Zeitreihendaten heute riesig. Die LeanBI hat in verschiedenen Projekten zur vorausschauenden Wartung mit verschiedenen Arten von Zeitreihen gearbeitet. Kombinierte Zeitreihen-Analysen (Timeseries Analysis) an Parametern wie Schwingungen, Spannungen, Ströme, Drehzahl und Temperatur können helfen, Probleme frühzeitig zu erkennen und zukünftiges Systemverhalten vorherzusagen.
Wenn wir auf der Suche nach Misserfolgen sind, ist es oft der Fall, dass wir nicht viele Fehlerdaten (Labels) haben. Dann können Klassifizierungstechniken nicht angewandt werden, da wir die Modelle nicht genügend trainieren können.
Die Anomalie-Erkennung braucht keine Fehlerdaten, das Lernen erfolgt unüberwacht (unsupervised). Durch die Modellierung dessen, was als „normales Verhalten“ gilt, können wir alles andere als Anomalie klassifizieren.
Die Anomalie-Erkennung wird häufig bei der vorausschauenden Wartung eingesetzt, aber auch in jedem anderen Szenario, bei dem wir nicht wissen, was schief gehen könnte. Bei LeanBI haben wir unser Fachwissen in der Anomalie-Erkennung für allen Arten von Daten angewandt, unabhängig davon, ob es sich um visuelle Daten, Zeitreihen oder strukturierte Merkmale handelt.
Zwei Fragen, die wir oft von unseren Kunden hören, sind: „Wie können wir unser Domänen-Know-how nutzen, um das Modell intelligenter zu machen“ und „Wie werden wir an so viele Daten kommen, die für das Deep Learning benötigt werden?
Die probabilistische (Bayes’sche) Modellierung schlägt zwei Fliegen mit einer Klappe: Durch den Einbezug von Domänenwissen benötigt sie wenig Trainingsdaten. Und diese Modellierung kann Unsicherheiten quantifizieren. Damit wissen die Anwender, wie gut sie dem Resultat vertrauen können.
Wir können die probabilistische Modellierung auf die meisten Fälle des maschinellen Lernens anwenden: Klassifizierung oder Vorhersage, für Bild- oder Zeitreihendaten, und sie sogar mit Deep Learning kombinieren. Sie lässt sich auch für causal inference verwenden, wir suchen dann nach der Ursache von einem Ergebnis und fragen zum Beispiel: „Welcher von allen möglichen Faktoren war für den Schaden an der Maschine verantwortlich?“.
Bei LeanBI sind wir stets bestrebt, das Know-how der Experten vor Ort so weit wie möglich in unseren Modellen zu nutzen. Die probabilistische Modellierung ist dafür oft das richtige Werkzeug, z.B. bei der physikalischen Modellierung der Raumluftqualität oder zur Quantifizierung der Wahrscheinlichkeit jedes potenziellen Ausfalls bei der vorausschauenden Instandhaltung.