Data Strategy

Machine Learning: Methoden und Anwendungen

Artificial Intelligenz (AI) und Machine-Learning-Methoden wie Computer Vision, Natural Language Processing und Zeitreihenmethoden können dazu beitragen, innovative neue Produkte zu entwickeln, bessere Geschäftsergebnisse zu erzielen und die großen Herausforderungen unserer Zeit zu bewältigen. 

Globe

AI-Lösungen und Machine-Learning-Technologien spielen eine entscheidende Rolle für die Gestaltung einer besseren, nachhaltigeren Zukunft. Außerdem versetzen sie Unternehmen in die Lage, ein Drei-Säulen-Modell anzuwenden, das soziale, ökologische und wirtschaftliche Faktoren gleichermaßen berücksichtigt. Im Folgenden befassen wir uns mit einigen der führenden Machine-Learning-Methoden, ihren Anwendungsmöglichkeiten sowie der Frage, wie sie uns dabei helfen können, drängende, bisher ungelöste Probleme anzugehen. 

6 Minuten Lesezeit

Computer Vision

Die Fortschritte beim Deep Learning haben den Bereich Computer Vision revolutioniert. Heute sind Anwendungen möglich, die noch vor zehn Jahren undenkbar waren. Von der Qualitätssicherung in der Industrie bis hin zur medizinischen Bildgebung in Krankenhäusern – für das automatische Erkennen, Verstehen und die Messung von Bild- und Videoinhalten bietet sich ein breites Anwendungsspektrum. Schon heute profitieren zahlreiche Branchen von dieser Technologie. 

Die aktuellen Herausforderungen bestehen darin, faire und robuste Modelle zu entwickeln, die für verschiedenste Datenarten zuverlässig funktionieren. Deshalb legen wir bei Zühlke großen Wert auf maßgeschneidertes Labeling und erstellen interpretierbare und transparente Modelle, die anhand hochwertiger Daten korrekt validiert werden. 
 
Hier einige wichtige Anwendungsbereiche für Computer Vision: 

1. Computer Vision in der medizinischen Bildgebung

Die Anwendung dieser Machine-Learning-Technologie im Bereich der medizinischen Bildgebung stellt einen vielversprechenden Fortschritt im globalen Gesundheitswesen dar. Für ein Schweizer MedTech-Unternehmen, das kürzlich die CE-Zertifizierung für Medizinprodukte erhielt, haben wir einen Prozess für maschinelles Lernen eingerichtet und eine regulatorisch konforme Datenplattform sowie Anwendungsfälle für Computer Vision entworfen, implementiert und validiert. 

Doctor examining a patient's knee

2. Computer Vision im Tierschutz

Computer Vision kann die Effizienz und den Umfang von Tierbeobachtungen erheblich steigern. Die automatische Identifizierung von Arten und sogar die Verfolgung einzelner Tiere erleichtern die Untersuchung der Verhaltensdynamik ganzer Populationen. Dies trägt zu einem besseren Verständnis von Ökosystemen und zum Schutz der Artenvielfalt bei. 

Elephant family walking in a row through nature

3. Computer Vision im Bereich Predictive Maintenance

Die frühzeitige Erkennung und Vorhersage des Verschleißes mechanischer Teile ist ein wichtiger Faktor für die rechtzeitige Planung von Wartungsarbeiten. Gemeinsam mit einem Schweizer Verkehrsunternehmen haben wir eine Machine-Learning-Lösung entwickelt, um die Abnutzung von Stromabnehmern von Personenzügen automatisch zu messen. Mithilfe der Segmentierung von Fotos der Züge durch Computer Vision kann unser Algorithmus die Materialabnutzung messen. Dies ermöglicht eine frühzeitige Planung von Wartungsarbeiten und minimiert so Ausfallzeiten. 

Mechanical engineers inspecting the underside of a car in a garage

Natural Language Processing

Stellen Sie sich vor, Sie könnten in kürzester Zeit die relevantesten Dokumente für eine Aufgabe finden, ein umfangreiches Dokument automatisch zusammenfassen und die dringendsten Fragen Ihrer Kunden automatisch und präzise beantworten. Eine Machine-Learning-Methode namens Natural Language Processing (NLP) macht all das möglich. 

Mittels NLP können strukturierte Erkenntnisse aus unstrukturierter geschriebener und gesprochener Sprache abgeleitet werden. Auf Deep Learning basierendes NLP kann Dokumente automatisch klassifizieren, Entitäten und ihre Beziehungen aus Dokumenten extrahieren sowie Texte und Bilder zusammenfassen und sogar generieren. 

Hier einige der wichtigsten Anwendungsbereiche für NLP: 

1. NLP für elektronische Patientenakten

Elektronische Patientenakten (Electronic Medical Records, EMR) enthalten große Mengen an Informationen über die Krankheitsgeschichte einer Patientin oder eines Patienten. Machine-Learning-Methoden und EMR können zur Vorbeugung von Krankheiten und zur Verbesserung von Behandlungsentscheidungen eingesetzt werden, was den Patientinnen und Patienten zugutekommt. Für einen Schweizer Gesundheitsdienstleister haben wir modernste wiederkehrende Deep-Learning-Modelle (LSTM) zur Klassifizierung von EMR entwickelt, um medizinisches Fachpersonal zu unterstützen und Krankenhausprozesse zu optimieren. 

Medical team examining results on screens

2. NLP für die Klassifizierung von Texten

Natural Language Processing (NLP) kann verwendet werden, um Dokumente automatisch zu klassifizieren und entsprechende Maßnahmen zu ergreifen. Für ein Schweizer Transportunternehmen haben wir ein Transformer-basiertes Deep-Learning-System für die Verarbeitung großer E-Mail-Mengen entwickelt. Unsere Lösung versteht und klassifiziert das Thema jeder E-Mail, weist diese automatisch den entsprechenden Mitarbeitenden zu und analysiert die Probleme der Endkunden und Trends im Zeitverlauf. 

Man working on a tablet screen

3. NLP für die Beantwortung von Fragen

Frage-Antwort-Systeme (Question Answering, QA) ermöglichen das Abrufen von Informationen aus großen Wissensbeständen und beantworten automatisch Fragen, die in natürlicher Sprache gestellt werden. Für eine Schweizer Behörde haben wir ein QA-System auf Grundlage modernster, transformerbasierter Deep-Learning-Methoden entwickelt. Mit unserer Lösung können nun häufig gestellte Fragen der Schweizer Bevölkerung schnell und automatisch beantwortet werden, während die Nutzenden durch eine natürliche, dialogbasierte Schnittstelle geführt werden. 

Close up of a finger on a touch screen

Zeitreihen

Mithilfe von Zeitreihenmethoden lassen sich Erkenntnisse aus Daten ableiten, die sich über längere Zeiträume entwickeln, wie Klima- und Wetterdaten, medizinische Daten, Finanzdaten und Industriedaten. 

Dies ermöglicht es, Trends in komplexen Bereichen wie Lieferketten und Stadtplanung zu verstehen und vorherzusagen, Anomalien zu erkennen und vorherzusagen und Zeitreihen generell zu klassifizieren, zum Beispiel zur Vorhersage von Kreislaufversagen bei Intensivpatientinnen und Intensivpatienten. 

Hier einige wichtige Anwendungsbereiche für Zeitreihenmethoden: 

1. Zeitreihen für den Klimawandel

Der Klimawandel ist eine der größten Herausforderungen unserer Zeit. Je breiter unser Spektrum von Lösungen ist, desto größer sind die Erfolgschancen. Maschinelles Lernen wird ein wichtiger Teil dieser Lösung sein, zum Beispiel bei der Verbesserung der Energieerzeugung und -nutzung, der Optimierung des Transport- und Verkehrswesens zur Verringerung von Emissionen, der Verbesserung von Produktionsprozessen zur Abfallvermeidung und der Überwachung von Umwelt- und Klimaentwicklungen generell. 

dark clouds in the sky swirling into one another

2. Zeitreihen für die Finanzplanung

Im Finanzsektor spielen quantitative Methoden eine wichtige Rolle. Für einen Telekommunikationsanbieter haben wir prädiktive Zeitreihenmodelle entwickelt, um Prognosen für die finanzielle Performance auf der Grundlage mehrerer Zeitreihen zu erstellen und so die Finanzexperten des Anbieters bei ihrer Arbeit zu unterstützen. 

woman on a tablet in the city with blurry lights background

3. Zeitreihen für erneuerbare Energien

Der Übergang zu erneuerbaren Energien wird dazu beitragen, den Klimawandel abzuschwächen. Für einen Energieversorger haben wir Zeitreihenmodelle zur Vorhersage des Ausfallrisikos von Windturbinen entwickelt. Die Vorhersagen werden auf der Grundlage großer Mengen von Sensorsignalen getroffen, die nahezu in Echtzeit erfasst werden. So können die Servicepartner des Unternehmens proaktiv Wartungsarbeiten durchführen und dadurch maximale Betriebszeiten sowie eine optimale Energieerzeugung gewährleisten. 

clean energy windmill farm in the sea

Regulierte AI

Im Durchschnitt hat eine Ärztin oder ein Arzt in den USA nur sieben Minuten Zeit für das Patientengespräch. Durch den Einsatz medizinischer AI-Lösungen können wir Ärztinnen und Ärzte von repetitiven Aufgaben entlasten, Fehldiagnosen verhindern und weltweit den Zugang zu besseren Behandlungen erleichtern. Dank unseres regulierten AI-Prozesses und unserer Experten für Qualitätssicherung können wir konforme Machine-Learning-Modelle erstellen, die sicher und für den klinischen Einsatz validiert sind. 

Hier einige wichtige Anwendungsbereiche für regulierte AI: 

1. Regulierte AI für die Einhaltung gesetzlicher Vorschriften

Die Unterstützung von Allgemeinmedizinern bei der Diagnose komplexer Krankheiten kann zu schnelleren und besseren Behandlungen führen, die andernfalls aufgrund von Unterdiagnosen versäumt würden. Auf der Grundlage eines Machine-Learning-Modells aus der Forschungsabteilung eines großen Pharmaunternehmens haben wir ein System entwickelt, das Ärztinnen und Ärzte bei der Differentialdiagnose von Lungenkrankheiten unterstützt. Zu diesem Zweck haben wir das Modell unter Designkontrolle gebracht, um alle behördlichen Anforderungen für eine Validierungsstudie zu erfüllen und die Grundlage für eine FDA-Zulassung zu schaffen. 

Two women in white medical coats working in a lab at a screen

2. Intensivmedizinische Versorgung mit regulierter AI

Die kontinuierliche Überwachung der Vitalparameter von Patientinnen und Patienten ist ein wichtiger Schritt zur Vermeidung von Morbidität und Mortalität. Maschinelles Lernen kann bei der Interpretation dieser Signale hilfreich sein und Frühwarnungen für Hochrisikoereignisse wie Sepsis oder Kreislaufversagen geben. 

male surgeon in operating room under bright lights and with magnifiers on his glasses

3. Regulierte AI in der FemTech-Branche

Die FemTech-Branche hat sich zum Ziel gesetzt, digitale Gesundheitslösungen für Frauen zu entwickeln. Im Mittelpunkt stehen dabei Anwendungen in den Bereichen Fruchtbarkeit und Menstruationskontrolle, Schwangerschaft, sexuelles Wohlbefinden und Wechseljahre. Wir haben AVA Women dabei unterstützt, die Funktionalität ihres Fruchtbarkeitstrackers auf weitere Indikationen zu erweitern. Dadurch wurde das medizintechnische Wearable in eine höhere Risikoklasse eingestuft. Die Prozesse zur Entwicklung der Machine-Learning-Modelle wurden von uns überprüft und verbessert. Infolgedessen erfüllt AVA nun die regulatorischen Anforderungen und erhielt die FDA-Zulassung für den 510(k)-Antrag. 

Entdecken Sie Machine-Learning-Methoden und Anwendungsfälle mit Zühlke 

Der Austausch und die Anwendung von Daten sind unerlässlich, um bestmöglich von den sich bietenden Chancen zu profitieren und die größten Herausforderungen unserer Zeit zu bewältigen. Komplexe Datensilos, mangelhafte Datenqualität und regulatorische Bürokratie stehen dem jedoch oftmals im Weg. 
 
Unsere Teams unterstützen Sie dabei, gemeinsam mit verschiedenen Partnern bessere, innovative Lösungen zu entwickeln – auf der Grundlage von Offenheit, Transparenz, Zugänglichkeit und effektiver Governance. Wir entwickeln und skalieren Systeme auf ethische, verantwortungsvolle und nachhaltige Weise und sind führend im Bereich menschenzentrierte, interpretierbare und erklärbare AI.  
 
Sie möchten mehr darüber erfahren, wie auch Ihr Unternehmen von AI-Lösungen profitieren kann? Wir beraten Sie gerne. Setzen Sie sich mit uns in Verbindung, um weitere Informationen rund um die ethische und verantwortungsvolle Entwicklung, Validierung und Operationalisierung von Machine-Learning-Use-Cases zu erhalten. 

woman on a mobile phone and in front of laptop behind a window
Dan Klein Zuhlke
Ansprechpartner für Großbritannien

Dan Klein

Chief of AI & Data

Dan Klein ist Zühlke's Chief of AI & Data. Er verfügt über umfangreiche Erfahrungen in verschiedenen Branchen. Als erfahrener Ingenieur und strategischer Berater verknüpft Dan Klein erfolgreich die Bedürfnisse des Business Leadership mit der technischen Expertise von Fachteams. Er schafft es so, erfolgreich datengetriebene Transformationsprojeke für Unternehmen umzusetzen.

Kontakt
Vielen Dank für Ihre Nachricht.
Philipp Morf
Ansprechpartner für die Schweiz

Philipp Morf

Head AI & Data Practice

Dr. Philipp Morf ist promovierter Ingenieur ETH und leitet seit 2015 Bereich Artificial Intelligence (AI) und Machine Learning (ML) Lösungen bei Zühlke. Als Director des AI Solutions Centers konzipiert er effektive AI/ML Anwendungen und ist ein gefragter Redner zu AI-Themen im Bereich Anwendungen und Anwendungstrends. Mit seiner langjährigen Erfahrung als Berater im Bereich Innovationsmanagement schlägt er die Brücke zwischen Business, Technologie und den Menschen als Anwender von AI.

Kontakt
Vielen Dank für Ihre Nachricht.
Tobias Joppe
Ansprechpartner für Deutschland

Tobias Joppe

Director Customers Solutions

Tobias Joppe hat Automatisierungs- und Regelungstechnik an der TU Braunschweig studiert und war zuletzt Leiter eines Innovationsteams bei der Siemens AG. Seit 2008 ist er bei Zühlke, ist Partner und verantwortet als Director Customers Solutions den Trend Lead Data Science in Deutschland. In seiner Rolle baut er die Brücke zwischen Spitzentechnologie und aktuellen Kundenbedürfnissen. Gemeinsam mit Kunden übersetzt er Visionen und Ziele in eine strategische Roadmap und konkretes Projektvorgehen. Viele realisierte, interdisziplinäre Projekte bilden dabei die Basis seine Erfahrung.

Kontakt
Vielen Dank für Ihre Nachricht.
Nicolas Lai
Ansprechpartner für Singapur

Nicolas Lai

Business Development Manager APAC

Nicolas unterstützt die Market Unit Healthcare von Zühlke Asia. Sein Fokus liegt auf innovativen digitalen Strategien und Produktentwicklungsinitiativen mit globalen und lokalen Kunden. Nicolas unterstützt seine Kunden leidenschaftlich bei der Umsetzung ihrer Ideen - von der Konzeption bis zur Realisierung.

Kontakt
Vielen Dank für Ihre Nachricht.