Neuronale Netze sind wie junge Hunde: Man muss sie füttern und trainieren. Aktuell werden sie als Wunderwaffe für die verschiedensten Aufgaben und Fragestellungen angesehen. Wenn man sie nur mit genügend Daten füttert und lange genug trainiert, kommt am Ende die gewünschte Lösung heraus.
Unser Ansatz ist etwas anders. Wir, die EDI GmbH – Engineering Data Intelligence, kombinieren die Stärken des Menschen mit den Stärken der Maschinen. Mit unserer Erfahrung und unseren KI-Werkzeugen unterstützen wir Unternehmen aus ganz unterschiedlichen Branchen dabei, Entwicklungs- und Produktionsprozesse durch Digitalisierung zu optimieren. Unter anderem bieten wir auch die automatisierte Analyse von technischen Zeichnungen an.
Bei uns interagiert die menschliche Logik mit dem maschinellen Lernen der KI. Mensch und Maschine lernen dabei Hand in Hand. Der Fokus liegt bei uns darauf, die neuronalen Netze möglichst effizient einzusetzen und mit wenig Daten und kurzen Trainingszeiten ans Ziel zu gelangen. Die Vorteile dieser Herangehensweise sind kurze Entwicklungszeiten mit wenigen Trainingsdaten und ein verantwortungsvoller Umgang mit Ressourcen.
Die Qualität der Daten ist entscheidend
Am Beispiel der technischen Zeichnungen, die durch die KI zur automatisierten Erstellung von Angeboten analysiert werden, wird dies deutlich: Die neuronalen Netze sind stark, wenn die Zeichnungen als Grauwert und gerade ausgerichtet vorliegen. Leicht verdrehte Zeichnungen und RGB-Farbe sind eine Herausforderung für die Netze. Mit entsprechenden Logiken, die auf diesen menschlichen Erkenntnissen basieren, kann das maschinelle Lernen der KI unterstützt bzw. erleichtert werden.
Vor- und Nachbereitung der Ausgangsdaten spielen für die Effektivität und die Qualität der Ergebnisse eine entscheidende Rolle. Bei uns arbeiten auch hier Mensch und Maschine eng zusammen: Der Mensch überlegt, was die Maschine braucht, um eine möglichst gute Grundlage an Daten vorzufinden. Des Weiteren überlegen unsere Mitarbeiter, wie aus der Ausgabe der KI wieder ein menschenverständlicher Sachverhalt dargestellt werden kann.
Viele kleine Schnellboote, statt ein großer Tanker
Die Analyse der technischen Zeichnungen durch die KI findet in unterschiedlichen Phasen statt. Welche Art von Netz für welche Aufgabe eingesetzt wird, entscheidet unser Machine-Learning-Team. Statt eines großen neuronalen Netzes, das versucht alles zu erledigen, verwenden wir bei dieser Aufgabenstellung mehrere neuronale Netze mit sehr spezifischen Aufgaben. Diese Netze sind genau aufeinander abgestimmt und hintereinander geschaltet. Dadurch wird diese Aufgabe sehr effektiv und effizient gelöst.
Auf Änderungen schnell reagieren können
Gibt es eine Änderung an einer technischen Zeichnung, wird diese von unseren untereinander kommunizierenden Microservices wahrgenommen. Die Änderungen werden direkt weitergeleitet und in einer Datenbank gespeichert. Unsere State-of-the-Art Microservice-Architektur bildet dabei das Rückgrat unserer KI-Build-Pipeline.
Löchrig wie ein Schweizer Käse oder sicher wie ein Schweizer Banktresor?
Sicherheit steht bei all unseren Projekten an erster Stelle, auch bei der Analyse der technischen Zeichnungen. Deswegen haben wir uns für den Banktresor entschieden. Um Fehler auszuschließen und eine optimale Qualität der Software zu gewährleisten, welche die kundenspezifische Fragestellung mit künstlicher Intelligenz löst, benutzen wir eine Kaskade mehrstufiger Tests. Diese Tests sind nach der sogenannten Käseloch-Theorie aufgebaut: Schlüpft ein Fehler durch ein Loch in der ersten Ebene, wird der Fehler in den darauffolgenden Ebenen durch die weiteren Tests abgefangen.
Nach den manuellen Tests der Entwickler folgen automatisierte Unit-Tests. Anschließend schaut sich ein Senior-Developer die Änderungen am Code im Merge Request an. Danach folgen automatisierte Integrations-Tests und Selenium-Tests, die sicherstellen, dass die Software weiterhin so funktioniert wie vorgesehen. Am Ende der Qualitätskontrolle steht ein UX-Quality-Gate, bei dem Teammitglieder aus verschiedenen Teams, die nicht an der Entwicklung beteiligt sind, die Funktionalität überprüfen.
Diese sich überlappenden Tests decken jeweils unterschiedliche Aspekte und in ihrer Gesamtheit ein größtmögliches Spektrum ab. So können wir mit unserem Prozess eine schnelle Entwicklungszeit und eine hohe Qualität der von uns für unsere Kunden maßgeschneidert entwickelten Software bieten.
Unser Ansatz ist etwas anders. Wir, die EDI GmbH – Engineering Data Intelligence, kombinieren die Stärken des Menschen mit den Stärken der Maschinen. Mit unserer Erfahrung und unseren KI-Werkzeugen unterstützen wir Unternehmen aus ganz unterschiedlichen Branchen dabei, Entwicklungs- und Produktionsprozesse durch Digitalisierung zu optimieren. Unter anderem bieten wir auch die automatisierte Analyse von technischen Zeichnungen an.
Bei uns interagiert die menschliche Logik mit dem maschinellen Lernen der KI. Mensch und Maschine lernen dabei Hand in Hand. Der Fokus liegt bei uns darauf, die neuronalen Netze möglichst effizient einzusetzen und mit wenig Daten und kurzen Trainingszeiten ans Ziel zu gelangen. Die Vorteile dieser Herangehensweise sind kurze Entwicklungszeiten mit wenigen Trainingsdaten und ein verantwortungsvoller Umgang mit Ressourcen.
Die Qualität der Daten ist entscheidend
Am Beispiel der technischen Zeichnungen, die durch die KI zur automatisierten Erstellung von Angeboten analysiert werden, wird dies deutlich: Die neuronalen Netze sind stark, wenn die Zeichnungen als Grauwert und gerade ausgerichtet vorliegen. Leicht verdrehte Zeichnungen und RGB-Farbe sind eine Herausforderung für die Netze. Mit entsprechenden Logiken, die auf diesen menschlichen Erkenntnissen basieren, kann das maschinelle Lernen der KI unterstützt bzw. erleichtert werden.
Vor- und Nachbereitung der Ausgangsdaten spielen für die Effektivität und die Qualität der Ergebnisse eine entscheidende Rolle. Bei uns arbeiten auch hier Mensch und Maschine eng zusammen: Der Mensch überlegt, was die Maschine braucht, um eine möglichst gute Grundlage an Daten vorzufinden. Des Weiteren überlegen unsere Mitarbeiter, wie aus der Ausgabe der KI wieder ein menschenverständlicher Sachverhalt dargestellt werden kann.
Viele kleine Schnellboote, statt ein großer Tanker
Die Analyse der technischen Zeichnungen durch die KI findet in unterschiedlichen Phasen statt. Welche Art von Netz für welche Aufgabe eingesetzt wird, entscheidet unser Machine-Learning-Team. Statt eines großen neuronalen Netzes, das versucht alles zu erledigen, verwenden wir bei dieser Aufgabenstellung mehrere neuronale Netze mit sehr spezifischen Aufgaben. Diese Netze sind genau aufeinander abgestimmt und hintereinander geschaltet. Dadurch wird diese Aufgabe sehr effektiv und effizient gelöst.
Auf Änderungen schnell reagieren können
Gibt es eine Änderung an einer technischen Zeichnung, wird diese von unseren untereinander kommunizierenden Microservices wahrgenommen. Die Änderungen werden direkt weitergeleitet und in einer Datenbank gespeichert. Unsere State-of-the-Art Microservice-Architektur bildet dabei das Rückgrat unserer KI-Build-Pipeline.
Löchrig wie ein Schweizer Käse oder sicher wie ein Schweizer Banktresor?
Sicherheit steht bei all unseren Projekten an erster Stelle, auch bei der Analyse der technischen Zeichnungen. Deswegen haben wir uns für den Banktresor entschieden. Um Fehler auszuschließen und eine optimale Qualität der Software zu gewährleisten, welche die kundenspezifische Fragestellung mit künstlicher Intelligenz löst, benutzen wir eine Kaskade mehrstufiger Tests. Diese Tests sind nach der sogenannten Käseloch-Theorie aufgebaut: Schlüpft ein Fehler durch ein Loch in der ersten Ebene, wird der Fehler in den darauffolgenden Ebenen durch die weiteren Tests abgefangen.
Nach den manuellen Tests der Entwickler folgen automatisierte Unit-Tests. Anschließend schaut sich ein Senior-Developer die Änderungen am Code im Merge Request an. Danach folgen automatisierte Integrations-Tests und Selenium-Tests, die sicherstellen, dass die Software weiterhin so funktioniert wie vorgesehen. Am Ende der Qualitätskontrolle steht ein UX-Quality-Gate, bei dem Teammitglieder aus verschiedenen Teams, die nicht an der Entwicklung beteiligt sind, die Funktionalität überprüfen.
Diese sich überlappenden Tests decken jeweils unterschiedliche Aspekte und in ihrer Gesamtheit ein größtmögliches Spektrum ab. So können wir mit unserem Prozess eine schnelle Entwicklungszeit und eine hohe Qualität der von uns für unsere Kunden maßgeschneidert entwickelten Software bieten.
