Machine Learning powered by SAP HCP

Sie wollen Fehler entdecken bevor sie entstehen, ihre Liefertreue verbessern oder Stillstandkosten ihrer Maschinen reduzieren? Sie möchten die über Jahrzehnte aufgebaute Historie an Transaktionsdaten aus ihrem SAP System nutzen um bessere Entscheidungen treffen zu können oder sogar automatisch entscheiden lassen?

Dann befinden Sie sich direkt in Themengebiet des Machine Learnings. Machine Learning, Predictive Analysis/Maintenance und Artificial Intelligence – es gibt zurzeit kaum einen Trend der in einer ähnlichen Weise betrachtet wird, wie das maschinelle Lernen. In Gartner’s Hypecycle 2016 steht das Thema Machine Learning am höchsten Punkt und es wird prognostiziert, dass eine breite Verwendung innerhalb der nächsten 2-5 Jahre erfolgt. Diese Entwicklung sollte zweifelsohne als eines der wichtigsten Themen in 2017 betrachtet werden.

Artificial Intelligence versucht die menschliche Intelligenz und Lernfähigkeit in Computern abzubilden

Artificial Intelligence (AI) (dt.: künstliche Intelligenz) als Teildisziplin der Informatik versucht die menschliche Intelligenz in Maschinen nachzubilden und Fähigkeiten, die über die menschlichen hinausgehen, durch Maschinen zu entwickeln.

AI bildet damit den Überbegriff über alle technischen Versuche Maschinen intelligenter zu machen. Dabei wird die AI wiederum in mehrere Unterbereiche gegliedert. Diese sind bspw. Natural Language Processing, also das verstehen von menschlicher Sprache durch Maschinen, Computer Vision, wodurch Maschinen beigebracht werden soll, Bilder genauso interpretieren zu können wie Menschen, aber auch das Thema Machine Learning (ML).

Machine Learning nutzt bestehende Daten, um Modelle zu generieren. Werden diese ML-Modelle für die Vorhersage von zukünftigen Ereignissen, Werten und Information genutzt, spricht man von Predictive Analytics.

Wenn dabei gezielt die Vorhersage von optimalen Wartungszeitpunkten im Mittelpunkt des ML-Modells steht, wird häufig von Predictive Maintenance gesprochen, bei dem eine Wartung nicht mehr nach festgelegten Zeitpunkten oder gar erst, wenn ein Gerät bzw. eine Maschine ausgefallen ist, stattfindet.

Drei Schritte zum erfolgreichen Machine Learning Projekt

Zunächst wird ein Modell mit bestehenden Daten trainiert. Das bedeutet, dass der Maschine Beispiele gezeigt werden, welche alle Informationen, also auch die vorherzusagenden, beinhalten. Diese Beispiele werden von der Maschine verarbeitet und erlernt. Dabei erfolgt jedoch kein simples Auswendiglernen, vielmehr erkennen die Algorithmen Muster in den bereitgestellten Beispielen.

In einem zweiten Schritt nutzt die Maschine die erkannten Muster und gleicht diese gegen weitere Beispieldatensätze ab, um zu prüfen, wie präzise die ermittelten Muster und Gesetzmäßigkeiten sind. Daraus entsteht das sogenannte Konfidenzniveau des Modells. Dieses hilft einzuschätzen, ob die bereitgestellten Daten ausreichend sind oder ob mehr bzw. andere Daten bereitgestellt werden müssen.

Sobald das Konfidenzniveau entsprechend hoch ist, können im dritten und letzten Schritt neue Datensätze, die eben die gewünschten Informationen noch nicht beinhalten, gegen das Modell abgeglichen werden und somit die gewünschten Informationen vorhergesagt werden.

Die Datenbasis entscheidet über den Erfolg eines Machine Learning Projekt

Da die Beispiele, die zur Mustererkennung dienen, das wichtigste Element in einem ML-Case sind, muss die Datenbasis frühzeitig und so umfangreich wie möglich aufgebaut werden. Dabei kommen häufig Internet-of-Things Szenarien zum Einsatz, welche massenhaft Daten von der Edge, also von einer Maschine oder einem Gerät, in einen sogenannten Data Lake, also einer kostengünstigen Möglichkeit Terrabyte an Daten zu speichern, liefern. Internet-of-Things ist somit zwar kein zwingend notwendiger Bestandteil eines ML-Cases, häufig jedoch und insbesondere bei Predictive Maintenance Ansätzen ein Enabler für einen ML-Case.

HANA Cloud Plattform Predictive Services bieten eine Vielzahl an Möglichkeiten für Predictive Analytics

Mit der SAP HANA Cloud Plattform (HCP) ist es möglich Machine Learning ohne große Vorabinvestitionen zu nutzen. Die Predictive Services der HCP bieten bspw. die Möglichkeit Ausreißer zu erkennen oder Forecasts, Einflussanalysen und Simulationen zu erstellen.

Somit kann mit den Predictive Services der HCP eine Vielzahl an verschiedenen Szenarien innerhalb eines ML-Projektes umgesetzt werden. Beispielsweise kann ein Online-Shop seine bisherigen Retouren analysieren und direkt nach dem Kaufabschluss einen Mitarbeiter über eine mögliche Retoure informieren, sodass dieser noch vor dem Versand der Ware den Kunden kontaktieren kann. Ein weiteres Szenario wäre, dass die Daten von Maschinen bei einem produzierenden Unternehmen genutzt werden können, um den nächsten Ausfall der Maschine vorherzusagen und somit präventive Instandhaltungsmaßnahmen auszulösen. Unternehmen mit einer großen Menge an Stammdaten können die Predictive Services der HCP nutzen, um Fehler in Preis-, Kunden- oder Materialstammdaten zu identifizieren. Ebenso kann Machine Learning dafür genutzt werden, um eingehende Geldströme vorherzusagen und somit die Liquiditätsplanung zu optimieren.


IHR ANSPRECHPARTNER!

Das ist Steven
Steven Riedel
Consultant


Haben Sie Fragen zum Artikel oder benötigen Sie weitere Informationen?
Unser Autor steht Ihnen gerne zur Verfügung.






Weitere Beiträge

alounge-business-transformation-mit-sap-s-4hana-facebok

„Wieso die falsche S/4HANA Roadmap große Risiken birgt.“ - Vortrag in der Atreus A·lounge

24.05.2017
Welchen Wert kann die Einführung von SAP S/4HANA für Ihr Business haben? Wie unterstützt diese Technologie die Operationalisierung Ihrer Digitalstrategie […]
Weiterlesen
Safe bank and key to the safe

Landscape Transformation in M&A-Deals

23.05.2017
– oder wie IT die Transaktion sichert Aufgrund eines sich stetig ändernden Marktes gehören Fusionen, Akquisitionen und Desinvestitionen, sowie Spin-offs […]
Weiterlesen
Presse Nachrichten

GAMBIT im IT & Karriere Magazin

11.05.2017
Weiterlesen