Leistung · Modellentwicklung

Lokale Modellentwicklung: eigene Vorhersagemodelle aus Ihren Daten

In Ihren Rückmelde-, Maschinen- und Auftragsdaten steckt bereits, was eine Vorhersage braucht: tausende abgeschlossene Fälle mit ihrem tatsächlichen Ausgang. Wir entwickeln daraus ein Modell, das für den nächsten Fall einen Wert vorschlägt – und dazusagt, wie sicher der Vorschlag ist. Entwickelt in JupyterLab mit PyTorch, gerechnet auf Ihrer eigenen Hardware.

02351 656460 Datenprüfung anfragen

Ausgangslage

Die Erfahrung sitzt in wenigen Köpfen –
die Antwort liegt in den Daten.

Viele Einschätzungen im Betrieb entstehen erfahrungsbasiert: Wie lange dauert dieses Teil? Halten wir den Liefertermin? Läuft die Maschine bis Freitag? Das funktioniert, solange die erfahrene Person im Haus ist und der neue Fall den bisherigen ähnelt.

Zwei Dinge machen daraus ein Risiko. Die Erfahrung geht mit dem Ruhestand verloren und lässt sich nicht in einer Übergabewoche weitergeben. Und jeder schätzt etwas anders – das führt zu Spannen, die niemand erklären kann, wenn eine Zusage nachträglich nicht hält.

Dabei liegt die Antwort im eigenen Haus. Jede Rückmeldung aus der Fertigung, jeder abgeschlossene Auftrag, jeder Maschinenwert ist eine Beobachtung. Nach einigen Jahren sind das genug Beobachtungen, um daraus ein belastbares Modell zu rechnen – eines, das auf Ihren Fällen beruht und nicht auf einem allgemeinen Durchschnitt.

Beispiele

Wofür sich ein eigenes
Vorhersagemodell rechnet.

Immer nach demselben Muster: Aus vielen abgeschlossenen Fällen wird ein Vorschlag für den nächsten. Fertigungszeiten sind der häufigste Anlass – aber nicht der einzige.

Fertigungs- und Vorgabezeiten

Aus den Rückmeldedaten Ihres ERP eine Vorgabezeit für ein neues Teil schätzen – mit Streubereich und den vergangenen Aufträgen, auf denen der Vorschlag beruht.

Liefertermine & Durchlaufzeiten

Aus Auftragslast, Maschinenbelegung und Vergangenheit einen realistischen Termin ableiten, statt aus einer Faustregel. Sichtbar wird auch, welche Aufträge gefährdet sind.

Ausschuss & Qualität

Aus Prozess- und Maschinenparametern die Wahrscheinlichkeit für Ausschuss abschätzen, bevor gefertigt wird – und die Merkmale benennen, die am stärksten hineinspielen.

Predictive Maintenance

Aus Maschinen- und Sensordaten anstehende Störungen erkennen, bevor sie zum ungeplanten Stillstand führen. Die Wartung richtet sich am Zustand aus, nicht nur am Kalender.

Bedarfs- & Absatzprognose

Material- und Absatzmengen für die kommenden Wochen vorhersagen – als Grundlage für Einkauf und Bestand, mit Blick auf Saison und Vorlaufzeiten.

Angebots- & Preiskalkulation

Aus den Merkmalen eines angefragten Teils einen Kostenrahmen schätzen, damit ein Angebot schnell und nachvollziehbar entsteht – der Streubereich ist dabei so wichtig wie der Wert.

Ablauf

Vom Datenbestand
zum belastbaren Modell.

  1. Datenbestand sichten

    Wir sehen uns Ihre vorhandenen Daten an: Umfang, Lücken, offensichtliche Fehlbuchungen. Ergebnis ist eine Aussage darüber, ob der Bestand für das gewünschte Ziel trägt – vor jeder weiteren Zusage.

  2. Ziel und Einflussgrößen festlegen

    Gemeinsam mit Ihren Fachleuten legen wir fest, was vorhergesagt werden soll und welche Merkmale den Wert tatsächlich bestimmen. Diese fachliche Arbeit entscheidet über die Qualität mehr als die Wahl des Verfahrens.

  3. Modell entwickeln und prüfen

    In JupyterLab entsteht das Modell – mit PyTorch oder einem klassischen Verfahren, je nach Aufgabe. Es wird auf einem Teil der Daten gerechnet und gegen den zurückgehaltenen Rest geprüft. Sie sehen, wo es trifft und wo nicht, getrennt nach Fallgruppe.

  4. In den Betrieb einbinden

    Das geprüfte Modell wird dort verfügbar gemacht, wo es gebraucht wird: als Vorschlag im ERP, als eigene Eingabemaske oder als Schnittstelle für andere Systeme. Jeder Vorschlag nennt die Grundlage, auf der er beruht.

  5. Nachführen

    Neue Daten fließen zurück ins Modell. Verschiebt sich der Betrieb – neue Maschine, anderes Material, andere Nachfrage –, sehen Sie das an der wachsenden Abweichung, bevor es die Vorhersage unbrauchbar macht.

Voraussetzungen

Was bei Ihnen
vorhanden sein muss.

  • Historische Daten aus in der Regel mindestens zwei Jahren, mit klarem Bezug zwischen Fall und Ausgang – Rückmeldungen, Aufträge, Maschinen- oder Prozesswerte, je nach Ziel.
  • Stammdaten, aus denen sich aussagekräftige Merkmale ableiten lassen. Eine Artikel- oder Auftragsnummer allein genügt nicht.
  • Lesenden Zugriff auf die betreffenden Datenquellen – ERP-Datenbank, Maschinensteuerung, MES – oder einen regelmäßigen Auszug daraus.
  • Einen fachlichen Ansprechpartner, der die Einflussgrößen benennt und die ersten Ergebnisse gegen die eigene Erfahrung hält.
  • Bereitschaft, die Datenerfassung an einzelnen Stellen anzupassen, wenn die Sichtung Lücken zeigt. Ohne das bleibt jede Auswertung auf dem Stand der vorhandenen Erfassungsqualität.

Wirkung im Alltag

Was sich mit einem
eigenen Modell ändert.

Vorher

Die Einschätzung beruht auf der Erfahrung der Person, die den Fall gerade bearbeitet – und fällt bei jedem etwas anders aus.

Nachher

Der Vorschlag beruht auf allen vergleichbaren Fällen der letzten Jahre. Die erfahrene Einschätzung bleibt – sie entscheidet jetzt über einen begründeten Vorschlag statt über ein leeres Feld.

Vorher

Warum eine Zusage nicht hielt, lässt sich im Nachhinein nur vermuten.

Nachher

Zu jedem Vorschlag ist festgehalten, worauf er beruhte. Die Abweichung zwischen Vorhersage und tatsächlichem Ausgang ist auswertbar, nach Fallgruppe getrennt.

Vorher

Das Wissen liegt in wenigen Köpfen; ein Ruhestand ist ein Risiko für die Qualität.

Nachher

Die Erfahrung ist als Modell im Haus. Die Einarbeitung einer Nachfolge beginnt nicht bei null.

Für die technische Prüfung

Aufbau im Detail

Entwickelt wird in JupyterLab, trainiert mit PyTorch – und mit klassischen Verfahren dort, wo sie genauer und günstiger sind. Das Ziel entscheidet über das Werkzeug, nicht die Mode.

  • Entwicklungsumgebung JupyterLab auf Ihrer Hardware – jeder Schritt von der Merkmalsbildung bis zur Prüfung nachvollziehbar dokumentiert
  • Modelle mit PyTorch für Aufgaben mit vielen Einflussgrößen, Zeitreihen oder Wechselwirkungen; scikit-learn und XGBoost für tabellarische Standardfälle
  • Datenübernahme aus ERP, MES oder Maschinensteuerung über lesende Sichten oder einen nächtlichen Auszug nach PostgreSQL
  • Prüfung gegen zurückgehaltene Daten, getrennt nach Fallgruppe – kein einzelner Gütewert, der die schlechten Fälle versteckt
  • Jeder Vorschlag nennt die ähnlichsten vergangenen Fälle und einen Streubereich; ohne belastbare Nachbarschaft wird kein Vorschlag ausgegeben
  • Bereitstellung als Dienst im eigenen Netz mit einfacher Schnittstelle, Anbindung an ERP-Maske, Eingabemaske oder andere Systeme
  • Rechnet auf Ihrer Hardware – Training und Betrieb ohne Cloud-Zwang; keine Übertragung von Betriebsdaten an Dritte

Häufige Fragen

Modellentwicklung –
häufige Fragen.

Ist das dasselbe wie ChatGPT oder ein Sprachmodell?

Nein. Ein Sprachmodell arbeitet mit Text und formuliert. Hier geht es um eine Rechenaufgabe mit strukturierten Größen: aus Merkmalen einen Wert oder eine Wahrscheinlichkeit vorhersagen. Dafür sind eigens trainierte Modelle genauer, deutlich günstiger im Betrieb und vor allem nachvollziehbar.

Warum JupyterLab und PyTorch?

JupyterLab ist die Umgebung, in der das Modell entsteht – jeder Schritt bleibt sichtbar und dokumentiert, statt in einer Blackbox zu verschwinden. PyTorch ist das Werkzeug, wenn viele Einflussgrößen, Zeitreihen oder Wechselwirkungen im Spiel sind. Bei einfacheren, tabellarischen Aufgaben nehmen wir bewusst klassische Verfahren – sie sind dort genauer und billiger.

Braucht jede Vorhersage gleich Deep Learning?

Nein, und wir verkaufen es auch nicht so. Ein großer Teil der Aufgaben im Mittelstand ist mit klassischen Verfahren besser bedient. Wir wählen das Verfahren nach der Aufgabe und Ihrer Datenlage – und sagen Ihnen, warum. Der teurere Weg muss sich rechnen, sonst gehen wir ihn nicht.

Wie gut trifft so ein Modell?

Das lässt sich vorab nicht seriös beziffern, weil es an Ihrer Datenlage hängt. Was wir zusagen können: Sie erhalten nach der Datensichtung eine Gegenüberstellung von Modellvorschlag und tatsächlichem Ausgang für zurückgehaltene Fälle Ihres eigenen Bestands – aufgeschlüsselt nach Fallgruppe. Auf dieser Grundlage entscheiden Sie.

Unsere Daten sind nicht besonders sauber. Ist das ein Ausschlusskriterium?

Nicht zwingend. Ein Teil der üblichen Unsauberkeiten lässt sich erkennen und behandeln. Die Sichtung sagt Ihnen, welcher Anteil brauchbar ist. Wenn zu wenig übrig bleibt, sagen wir das, bevor Aufwand entsteht – oft ist der erste sinnvolle Schritt dann, die Erfassung selbst in Ordnung zu bringen.

Bleiben unsere Daten im Haus?

Ja. Entwicklung, Training und Betrieb laufen auf Ihrer Hardware oder auf einem Ihnen zugeordneten Server in einem deutschen Rechenzentrum. Betriebsdaten werden nicht an Dritte übertragen, und es gibt keinen geteilten Dienst, in dem Daten mehrerer Kunden liegen.

Ersetzt das unsere Fachleute?

Nein. Es ersetzt das Suchen nach vergleichbaren Fällen und das Rechnen im Kopf. Die Entscheidung bleibt bei Ihren Fachleuten, ebenso die Beurteilung der Fälle, für die es keine Vergangenheit gibt.

Weiterlesen

Verwandte Themen

KI lokal betreiben

Die Grundlage, wenn Modelle und Daten das Haus nicht verlassen sollen: die passende Hardware, aufgebaut, abgesichert und gewartet.

Zur Leistung →

Belegverarbeitung

Der zweite große Aufwandstreiber in der Auftragsabwicklung: eingehende Belege maschinell prüfen und ins ERP zurückschreiben.

Zur Leistung →

Schildern Sie uns einen Vorgang.

Ein Anruf genügt für eine belastbare Einschätzung: ob er sich automatisieren lässt, was das kostet – und ob er sich überhaupt trägt.

02351 656460 Zum Kontaktformular