Big Data – Small World: ein ErfahrungsberichtUnsere Machine-Learning-basierte Lösung stammt aus dem Bereich der Druckdachentwässerung. Diese stellt sicher, dass große Gebäude wie Stadien oder Einkaufszentren bei starkem Regen nicht einstürzen. Die Wahl der “richtigen” Durchmesser ist schwierig, benötigt Intuition und hydraulisches Fachwissen.
Mit Hilfe von neuronalen Netzen wurden die existierenden heuristischen Algorithmen verbessert. Konkret konnte die Failrate von ursprünglich 24% auf 6% reduziert werden. Wir zeigen die bei der Generierung von Trainingsdaten aufgetretenen Fallstricke ("Big Data" fehlt in der "Small World" der Flachdachbauten) und erläutern, warum "mehr" nicht zwingend "besser" ist. Abschließend zeigen wir, wie der Wechsel des Lernziels entscheidend zum Projekterfolg beitrug.
Vorkenntnisse
Allgemein Vertrautheit mit Maschinellem Lernen ist hilfreich, aber nicht zwingend notwendig.
Lernziele
• Vorsicht vor vermeintlich guten Resultaten
• Auch neuronale Netze benötigen Fachkenntnisse
• Datenkonsolidierung ist ein zentrales Element. “Big” reicht nicht.
• Kontinuierliche Verbesserung in der Produktion
• Algorithmen und Werkzeuge sind nicht (mehr) das Problem.
//
Christian Hidber
doktorierte an der ETH Zürich in Computer-Algebra. Anschließend forschte er am International Computer Science Institute an der University of California, Berkeley, an Online-Data-Mining-Algorithmen. Zurzeit verwendet er Maschinelles Lernen für hydraulischen Simulationen als Teil eines Produktes mit 7000 Installationen in 42 Ländern.