Automatisierte Inventur: Case Study Drohne + Objekterkennung
ZIEL:
Im Palettenlager stets den aktuellen Bestand erfassen.
PROBLEM:
Palettenlager sind semi-strukturiert:
* Paletten werden verschoben.
* Paletten haben unterschiedliche Ware.
* Pakete können geöffnet sein.
LÖSUNG:
Drohne mit Kamera überfliegt das Lager.
KI erkennt Pakete, deren Codierung und eventuelle Beschädigung.
https://www.ispredict.com oder info@ispredict.com
#ispredict #drohne #künstlicheintelligenz #ki #erklaerendeki #...
Minderqualität reduzieren: Case Study Zementindustrie
ZIEL:
Vorausschauende Steuerung als Empfehlung für Maschinenführer in komplexer Prozessindustrie
PROBLEM:
Produktqualität hängt von komplexen Prozessen und Einflüssen ab. Gerade bei Chargenwechsel spielt die Erfahrung des Maschinenführers (Zementmühle) eine große Rolle, wie schnell die gewünschte Qualität erreicht ist.
Mitarbeiter bleiben nicht mehr „ein Leben lang“ bei der gleichen Firma.
LÖSUNG:
KI erkennt dynamische Verhaltensmuster und e...
Minderqualität reduzieren: Case Study Automobilproduktion
ZIEL:
Minderqualität für hochfrequente + komplexe Produktion in Echtzeit aufdecken.
PROBLEM:
Qualitätsprüfung für Schweißungen im Karosseriebau ist zeitaufwändig. (Ultraschall erfordert speZIELles Know How, Geräte, Durchführungszeit.)
Nur ca. 1% der Schweißungen wird überprüft.
Folglich zu viele unentdeckte Fehlschweißungen.
LÖSUNG:
Selbstlernende Künstliche Intelligenz bewertet 100% der Schweißungen in Nahe-Echtzeit hochgenau.
* Einersei...
Energie- und CO2-Einsparung: Case Study Holzproduktion
ZIEL:
Holz-Trockner energetisch optimal steuern bei gleichbleibender Produktqualität.
Hinweis: Keine permanente Auslastung der Trockner notwendig.
PROBLEM:
Stark variierender Energieverbrauch des Holztrockners, so dass unklar ist, welche Faktoren den Energiebedarf erhöhen.
LÖSUNG:
Aufdeckung der Einflüsse auf den Energieverbrauch mittels Mustererkennung und Korrelationsanalyse.
DATEN:
Fernwärmeverbrauch, Eingangstemperatur sowie weitere Prod...
Kostengünstigere Wassergewinnung
PROBLEM:
Wasserbedarf stark volatil und somit schlecht planbar.
ZIEL:
Reduktion der Stromkosten für die Pumpen bei gleichbleibender Sicherstellung von 100 % Wasserverfügbarkeit
ERGEBNIS:
PREDICTIVE INTELLIGENCE liefert flexible und präzise Prognose trotz starker Volatilität.
WEG:
Einsatz der Pumpen zu Zeiten günstiger Strompreise mittels präziser Wasserverbrauchsprognose.
Für weitere Infos: https://www.ispredict.com oder info@ispredict.com
#ispredict #drohne...
Das Einkaufserlebnis der Kunden verbessern
Handelshäuser werden nicht nur bewertet über ihre Produkte und Preise, sondern auch über das Einkaufserlebnis. In bedien-intensiven Bereichen wie Kasse, Wurst, Käse, … führen wartende Kunden zu Unzufriedenheit.
Statt immer weiter auf Selbstbedienung zu setzen, gibt es bessere Lösungen:
Planung der bedien-intensiven Bereiche vorausschauend-bedarfsgerecht für bessere Personalplanung.
Selbstlernende PREDICTIVE INTELLIGENCE prognostiziert hochgenau, wann w...
Reduzierte Gaskosten
PROBLEM:
Standardlastprofile zu starr für dynamische Bedarfe der Endkunden.
ZIEL:
Gaseinkauf bedarfsgerecht für morgen planen & somit auch günstiger einkaufen.
LÖSUNG:
Dynamische Lastprofile mit flexibler Mustererkennung
-> PREDICTIVE INTELLIGENCE ca. doppelt so genau wie State of the Art-Lösungen mit Standardlastprofilen.
Für weitere Infos: https://www.ispredict.com oder info@ispredict.com
#ispredict #drohne #künstlicheintelligenz #ki #adaptiveKI #selbstlernalgorithm...
Bis 15% Energie einsparen im Walzwerk
PROBLEM:
Industrieöfen verbrauchen sehr viel Energie. Der Energieverbrauch ist oft stark unterschiedlich, wobei diese Volatilität seltsamerweise nicht zwingend mit den Produktionsschwankungen zu tun haben muss. Sie hängen von komplexen Prozessen ab.
ERGEBNIS
KI mit SEMANTISCHEN Netzen deckt verwobene Störfaktoren im Energieverbrauch auf.
So kann die gleiche Produktionsleistung mit weniger Energie erreicht werden.
So geschehen bspw. im Stahl-Walzwerk, wo S...
Enttäuschung über KI-Projekt vermeiden. – Aber wie…?
PROBLEM:
Es gibt immer mehr Daten. Aber wenn KI-Projekte starten, ist unklar, ob die relevanten Daten in ausreichender Frequenz, Qualität und Zeit verfügbar sind. Daher können die Erwartungen an ein KI-Projekt enttäuscht werden, wenn erkannt wird, dass die Daten nicht ausreichend gut sind.
Dann wird jedoch die Schuld den KI-Algorithmen zugeschoben. Weitere Aktivitäten für KI-Analysen finden oft nicht mehr statt. Daher wird das hohe Potential ...
