Praxisbericht: KI-gestützte Bereinigung fehlerhafter Daten

In der Produktion fallen wertvolle Daten an. Doch häufig sind die Daten inkonsistent, beispielsweise durch die Art der Erhebung, durch Fehler in der Produktion oder dadurch, dass der Produktionsprozess an sich inkonsistent ist. Einige der Messwerte, die wir bei der Herstellung von Zerspanungswerkzeugen erheben, weisen genau solche Unstimmigkeiten auf.

Wir werfen einen Blick auf die Werkzeuge, die wir bei EMUGE-FRANKEN zur Datenbereinigung nutzen: angefangen bei statistischen Verfahren der Schulmathematik bis hin zu komplexen Machine-Learning-Modellen.

Um trotz der geringen Datenmenge die fehlerhaften Daten zuverlässig zu identifizieren und zu korrigieren, binden wir Domänenwissen ein – in unserem Fall der bekannte Einfluss von Produktmaß auf die Messwerte.

Vorkenntnisse

Grundkenntnisse in Machine Learning

Lernziele

• Verständnis von Ursachen für inkonsistente Daten
  
• Einfache Verfahren zur Erkennung und Korrektur fehlerhafter Daten
  
• Ausbaumöglichkeiten der Verfahren zur Abbildung fachlicher Zusammenhänge
  
• Bewertung der Belastbarkeit von Vorhersageergebnissen