Downloads
Anwenderberichte
Qualitätssprung durch Causal AI-Analyse von SW-Maschinendaten
Durch den Einsatz der Xplain Data-Lösung in einem Projekt mit unserem Partner Schwäbische Werkzeugmaschinen GmbH (SW) beim Automobilzulieferer Schabmüller gelang es, den Ausschuss und die Nacharbeit in der diskreten Fertigung um 84 % zu senken. Dabei deckten unsere Causal-AI-Verfahren bislang unerkannte Fehlerursachen auf, sodass die ursächlichen Probleme erfolgreich behoben werden konnten.
Maximale Anlagenverfügbarkeit: KI-gestützte Ursachenanalyse bei Laser-Spezialist TRUMPF
In einem erfolgreichen Projekt mit der TRUMPF SE + Co. KG unterstützten unsere Causal-AI-Verfahren dabei, komplexe Wirkzusammenhänge in Produktions- und Betriebsdaten zu entschlüsseln. Ziel war es, die wahren Ursachen von Maschinenausfällen (Root Cause Analysis) präzise zu identifizieren. Ein anschließendes, kontinuierliches Monitoring durch smarte Algorithmen sorgt künftig dafür, sich anbahnende Fehlerursachen frühzeitig zu erkennen und die zuständigen Abteilungen rechtzeitig zu informieren.
Wie Siemens bei der Leiterplattenbestückung neue Qualitätsmaßstäbe setzt
Die Anwendung von Causal AI-Verfahren bei Siemens Motion Control in Erlangen demonstriert das Potenzial innovativer Datenanalyse in der Elektronikfertigung: Durch die lückenlose Verknüpfung und Analyse aller Daten entlang der gesamten Wertschöpfungskette gelang es, komplexe Fehlerursachen präzise zu identifizieren.
So konnte das Werk die historische 5-Sigma-Schwelle überwinden und die gewünschte Six-Sigma-Qualität erreichen.
White Paper
Von Korrelation über Kausalität zu Künstlicher Intelligenz (KI)
Korrelation bedeutet nicht Kausalität. Erfahren Sie, wie eine algorithmische Suche nach alternativen Erklärungen direkte und potenzielle Kausalfaktoren aufdeckt – veranschaulicht anhand der Vorhersage depressiver Episoden und der Wirkung bestimmter Medikamentengruppen.
Von Beobachtungsdaten zu Causal Discovery
Wie kommt man von „Big Data“ zu wertvollen Erkenntnissen? Erfahren Sie den Unterschied zwischen Beobachtungs- und Experimentaldaten und was nötig ist, um aus rein beobachtenden „Big Data“ mögliche Ursache-Wirkungs-Beziehungen zu identifizieren.
From Relational Tables to ObjectAnalytics™ (engl.)
Relationale Datenbanken verteilen Objekte wie den „Patienten“, das „produzierte Teil“ … über viele flache Tabellen – was die ganzheitliche Analyse erschwert. Entdecken Sie unser patentiertes ObjectAnalytics-Paradigma und die analytischen Operationen, die es auf vollständigen, holistischen Objekten ermöglicht.
Vision4Health – Das Potenzial von Causal Discovery für die Medizin der Zukunft
Dieses Vision Paper untersucht, wie die Aggregation realer Patientendaten in großem Maßstab und der Einsatz von Causal AI die Medizin der Zukunft voranbringen können – und erläutert, warum eine 3D-Sicht auf Daten der Schlüssel zum Verständnis der Kausalketten hinter Krankheit und Genesung ist.