Maschinelles Lernen
-
KI-Modell für das Bauwesen entwickeln und trainieren
Wir bauen und trainieren ein KI-Modell, das Tätigkeiten eines Werkers aus dem Holzbau eindeutig erkennt. Ziel ist es, verbesserte Prozesse für die Ergonomie abzuleiten und Gefahrenbereiche zu erkennen. →mehr erfahren
-
Automatisiertes Maschinelles Lernen in der Industrie
Das automatisierte Maschinelle Lernen (AutoML) bildet einen weiteren Schritt in der Entwicklung des Maschinellen Lernens. Für welche Prozesse AutoML geeignet ist und welche Herausforderungen bestehen, zeigt unser Trendradar. →mehr erfahren
-
Deep-Learning zur Überwachung des Abrichtprozesses beim Wälzschleifen
Eine gleichbleibende Schleifqualität erfordert regelmäßiges Abrichten. Wir zeigen, wie KI bei der Optimierung der Abrichtzyklen unterstützen kann. →mehr erfahren
-
Maschinelles Lernen in Produktionsanlagen integrieren
Maschinelles Lernen in Produktionsanlagen zu integrieren, ist in der Industrie kein ausgefallener Wunsch mehr. Mit der Firma Hiersemann Prozessautomation GmbH aus Chemnitz gehen wir das Thema konkret an. →mehr erfahren
-
Reinforcement Learning in Produktionssystemen
Die Digitalisierung schreitet auch in der Fertigung voran, wodurch mehr Daten zur Verfügung stehen. Damit finden Methoden des maschinellen Lernens, wie Reinforcement Learning, ihren Weg in die Industrie. →mehr erfahren
-
Industrielle Datenakquise: Maschinen- und Steuerungsdaten für KI-Anwendungen freigeben
In diesem interaktiven Workshop werden Eigenschaften der industriellen Datenakquise aufgezeigt und die wichtigsten Technologien (u. a. OPC UA und MQTT) vorgestellt und diskutiert. →mehr erfahren
-
KI und Maschinelles Lernen für die Produktion: von einer korrekten Datenakquise bis zur erfolgreichen Anwendung
In diesem interaktiven Workshop lernen die Teilnehmenden, was bei der Datenakquise und KI-Anwendung im KMU-nahen Produktionsumfeld beachtet werden sollte und welche Besonderheiten KI in der Produktion auszeichnet. →mehr erfahren
-
Anomalie-Erkennung zur Predictive Maintenance mittels der Software KNIME
Wie lässt sich die vorausschauende Wartung umsetzen? Ein Ansatz stellt die Anomalie-Erkennung, also die Erkennung einer Abweichung vom „Normalfall“, dar. In diesem Workshop werden zuerst die theoretischen Grundlagen zum Einsatz der vorausschauenden Wartung, mit deren Vor- und Nachteilen, beleuchtet sowie anschließend ein praktisches Beispiel mittels der Open Source Software KNIME durchexerziert. →mehr erfahren
-
Vorgehensmodell für Maschinelles Lernen in der Produktion
Machine Learning for Production, kurz ML4P, bietet Unternehmen einen strukturierten Weg zur Implementierung von Methoden des Maschinellen Lernens in Produktionsprozesse. Wir stellen das Vorgehensmodell vor. →mehr erfahren
