Fakten von Fiktion unterscheiden: Die wahre Geschichte hinter Ihren Daten aufdecken

Bereits 30.000 v. Chr. verewigten unsere Vorfahren Geschichten über ihren Alltag an Höhlenwänden, und um 700 v. Chr. entstand mit dem Gilgamesch-Epos die erste gedruckte Geschichte. Springen wir ins Jahr 2021: Seit mehr als einem halben Jahrzehnt erschaffen wir bereits gemeinsam mit KI Geschichten. Doch wenn es um präzise Business Intelligence geht, müssen Unternehmen sicher sein, dass ihre KI- und Machine-Learning-Systeme keine künstlerischen Freiheiten nehmen und keine Märchen erzählen.

Das gilt insbesondere jetzt, da KI- und ML-gestützte Entscheidungsfindung ihren höchsten Verbreitungsgrad erreicht hat und selbst die skeptischsten Führungskräfte die enormen Vorteile eines datenzentrierten strategischen Ansatzes erkennen. Mit wachsendem Vertrauen in KI und ML wird Genauigkeit kritisch. Die Frage bleibt für viele im Fokus: „Wie können wir erkennen, ob unsere Daten die ganze Geschichte erzählen – und zwar eine, die auf Fakten basiert? Was müssen wir wissen, um unseren Modellen zu vertrauen?“

Makellos saubere Daten

Wenn ein Machine-Learning-System eine ungenaue Vorhersage liefert, lässt sich der Schuldige meist an einer Stelle finden: den Daten. Abgesehen von „Schwarzen Schwänen“ sind Daten Anfang, Mitte und Ende jedes prädiktiven Systems. Es könnte schlicht zu wenig Daten gegeben haben, um das System zuverlässig zu trainieren oder Vorhersagen zu treffen – in diesem Fall können zusätzliche Datenpunkte das Problem lösen. So etwas wird normalerweise bereits in der frühen Konzeptionsphase eines Modells erkannt und spätestens vor dem Deployment, um wilde Fehlprognosen zu verhindern. Der wahrscheinliche Übeltäter ist jedoch, dass die Ausgangsdaten nicht „sauber“ genug waren. „Sauber genug“ ist relativ. Bei manchen Projekten sind die Datenanforderungen vergleichbar mit der Frage: „Sind meine Turnschuhe sauber genug für den Supermarkt?“ Andere – besonders in kritischen Systemen, die Leben, Sicherheit und Wohlbefinden betreffen – ähneln eher einem „staubfreien, spiegelblanken Paradezustand, in dem man sich die Zähne prüfen könnte“, wenn es darum geht, wie sauber die Daten für eine zuverlässige (und ethische) Aufgabenerfüllung sein müssen.

Was macht Daten also „schmutzig“? Die kurze Antwort: ungenaue oder verzerrte Informationen.

Defekte Tags, defekte Modelle

Das können falsch getaggte Daten sein, Daten mit falschen Informationen im falschen Feld oder in einem inkorrekten Format – etwa „27. Dezember 2015“ statt „12/27/15“ oder „27/12/2015“. Während die erste Variante vielleicht nur einen Fehler wirft oder ignoriert wird, kann das Vertauschen der letzten beiden Datumsformate schwerwiegende Auswirkungen auf die Genauigkeit haben. Und Datumsangaben sind bei Weitem nicht das Einzige, was durch ungültige Formate beeinträchtigt wird – Uhrzeiten, SKUs, Text wo Zahlen hingehören, Zahlen wo Text hingehört, und all die speziellen Datenströme, die aus Shopfloor-Geräten kommen: Overrides, Alarme, Lasten, Geschwindigkeiten, Vorschübe usw. Der Punkt ist: Ohne eine verlässliche und konsistente Struktur werden Daten unübersichtlich und führen zu ungenauen Erkenntnissen.

Mit MachineMetrics können Unternehmen unsere automatisierte Data-Transformation-Engine nutzen, die eine Vielzahl von Datentypen für einfache Analysen standardisiert und formatiert. Sie verarbeitet benutzerdefinierte Sensorwerte, Maschinenstatus, Modi, Alarme, Overrides, Last, Geschwindigkeiten, Vorschübe, PMC-Parameter, Diagnosen und mehr.

Können Sie Ihren Quellen vertrauen?

Es ist wichtig, die Wahrhaftigkeit und Genauigkeit aller verwendeten Datenquellen zu prüfen – besonders, wenn es sich um menschliche Quellen handelt. Menschen sind nicht die präzisesten Wesen. Wir runden, vergessen, schummeln bei Zahlen. Wir werden faul, müde, hungrig, abgelenkt. Allein durch die Nutzung menschlicher Datenquellen werden Daten auf die eine oder andere Weise „schmutzig“. Hier kommt es auf Toleranzen an. Beispielsweise geben Maschinenbediener möglicherweise Daten zum Zustand ihrer Geräte an. Bei Stillstandsgründen mögen die Angaben zutreffen, die Zeitangabe ist jedoch oft nur eine Schätzung. Das führt zu einem weniger präzisen Prädiktionssystem, da die Ausgaben ebenfalls eher Schätzungen sind als bei wirklich genauen Daten.

Auch hier sollten realistische Toleranzen definiert werden. Sekunden oder halbstündliche Intervalle? Bei Maschinendatenquellen können es für manche Anwendungsfälle sogar Nanosekunden oder noch feinere Intervalle sein. Unabhängig von der für das Projekt angemessenen Toleranz ist es entscheidend, diese durchzusetzen und sicherzustellen, dass alle in das System eingespeisten Daten innerhalb dieser Parameter liegen.

Der MachineMetrics High-Frequency Data Adapter erfasst Maschinendaten mit 1 kHz (im Vergleich zu standardmäßigen 1 Hz – also 1000-mal schneller), sodass Sie keinen Schlag verpassen, egal welche Genauigkeit Ihre Anwendung erfordert.

Hier sollten Unternehmen auch nach potenziellen Verzerrungen suchen. Weggelassene Informationen führen immer noch zu Märchen-Vorhersagen. Erfassen Ihre Datenquellen breit genug, um das komplette Bild zu zeigen, oder sind sie aufgrund der Erhebungsmethoden anfällig für Bias? Wenn Sie beispielsweise den durchschnittlichen Lohn eines Fertigungsmitarbeiters ermitteln wollen, aber alle Befragten Männer waren, erhalten Sie wahrscheinlich eine verzerrte Zahl im Vergleich zu einer Befragung beider Geschlechter für ein klareres, genaueres Bild. Das aktive Suchen nach solchen blinden Flecken führt zu saubereren Daten und präziseren Vorhersagen.

Kontext und Komplexität

Je komplexer ein System, desto mehr Raum gibt es für Ungenauigkeiten, Inkonsistenzen, Risiken und generelle Zusammenbrüche in den Daten und der Logik, die ihm zugrunde liegen, wenn man versucht, es in etwas Analysierbares zu übersetzen. Wie viele Schritte hat der Prozess, für den Sie Daten erheben? Verfügen Sie über das Branchenwissen, um den Rohdaten Kontext zu geben? Eine Maschine, die „ausfällt“ und innerhalb von Minuten mehrmals wieder läuft, mit erfolgreicher Produktion dazwischen, deutet weniger auf echte Produktionsläufe hin, sondern eher auf Tests, um sicherzustellen, dass das ursprüngliche Problem vollständig behoben, neu kalibriert und bereit für die Wiederaufnahme der echten Produktion ist. Werden diese Zahlen so belassen, wie sie eingegeben wurden, können sie schwerwiegende Ungenauigkeiten verursachen, die für ungeübte Augen schwer zu erkennen sind.

Das bedeutet nicht, dass Ihr Data-Science-Team der ultimative Experte für alles in Ihrer Branche sein muss. Es bedeutet jedoch, dass Kanäle, über die Experten Kontext hinzufügen können, entscheidend sind. Mit MachineMetrics erhalten Maschinenbediener Tablets direkt an ihren Maschinen auf dem Shopfloor. Sie können schnell und einfach menschlichen Kontext zu den numerischen Daten hinzufügen, um die Genauigkeit in der Analysephase zu erhöhen. Ohne einen solchen Kontextkanal wird es zum Ratespiel, welche Zahlen in den Topf geworfen und welche verworfen werden sollen.

Verlustfreie Transformationen

Wenn man etwas in etwas anderes umwandelt, gibt es prácticamente immer einen gewissen Verlust – sei es Erz zu Stahl, Baumwolle zu Textilien oder Daten in ein Analyseformat. Es ist wichtig zu bestimmen, wie viel Verlust akzeptabel und wie viel vermeidbar ist. Mit sauberen, genauen Daten zu beginnen, ist der entscheidende erste Schritt für eine saubere, genaue Analyse. Darüber hinaus muss man prüfen, welche Tools man für welche Anwendungen einsetzt, wie hoch die Wahrscheinlichkeit eines Fidelitätsverlusts ist und inwieweit dieser akzeptabel (oder irrelevant) ist. Das führt direkt zurück zum Verständnis dessen, was man mit seinen Daten und Modellen erreichen will – welche Probleme man lösen will – und welche Genauigkeit dafür erforderlich ist.

Bei MachineMetrics stellen wir sicher, dass Ihre Daten Ihnen die ganze Wahrheit und nichts als die Wahrheit liefern. Wir sind Branchenexperten, die die Tiefe, Breite und Art der Daten verstehen, die Sie benötigen, um Ihre drängendsten Probleme zu lösen – sei es Maschinenstillstand, Output-Optimierung oder eine Vielzahl anderer Optionen – mit einem datengetriebenen Ansatz. Wir nutzen einfache, verdauliche Formate für Austausch und Analyse, die ihre Integrität und Fidelität auch in Echtzeit bewahren. MachineMetrics vereinfacht die Integration von Shopfloor-Daten in reale Entscheidungsfindung durch einen bewährten Prozess, implementiert in klarer Sprache und mit Tools, die so einfach sind, dass auch Nicht-Techniker sie problemlos selbst installieren können – für einen Service, der unseren Kunden in weniger als einer Woche zum ROI verholfen hat. Um zu erfahren, welche Fragen MachineMetrics für Ihr Unternehmen beantworten kann, oder um eine Demo zu buchen, kontaktieren Sie uns jederzeit.