BEGIN:VCALENDAR PRODID:-//Microsoft Corporation//Outlook 16.0 MIMEDIR//EN VERSION:2.0 METHOD:PUBLISH X-MS-OLK-FORCEINSPECTOROPEN:TRUE BEGIN:VTIMEZONE TZID:W. Europe Standard Time BEGIN:STANDARD DTSTART:16011028T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 TZOFFSETFROM:+0200 TZOFFSETTO:+0100 END:STANDARD BEGIN:DAYLIGHT DTSTART:16010325T020000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 TZOFFSETFROM:+0100 TZOFFSETTO:+0200 END:DAYLIGHT END:VTIMEZONE BEGIN:VEVENT CLASS:PUBLIC CREATED:20240118T070812Z DESCRIPTION:Causal Learning in der Produktion \nChristoph Hennebold\, Fraun hofer IPA\n \nDas Lernen und Analysieren kausaler Zusammenhänge in Prozes sen bietet Anwendern eine Vielzahl an Möglichkeiten. So lassen sich beisp ielsweise Ursachen-Wirkzusammenhänge modellieren\, was Modelle robuster g egenüber Veränderungen und Störungen macht. Außerdem sind kausale Verf ahren gegenüber traditionellen Machine Learning Ansätzen dateneffiziente r\, besser interpretierbar und in der Lage\, über das Gelernte hinaus bes ser auf unbekannte Szenarien zu reagieren. In dem Vortrag wird anhand real er Prozessdaten ein Blick auf die Fähigkeit zur Fehlerursachenerkennung k ausaler Ansätze geworfen. Zudem wird gezeigt\, wie diese sich zur Anwendu ng in der Produktion eignen.\n DTEND;TZID="W. Europe Standard Time":20240221T103000 DTSTAMP:20230717T081543Z DTSTART;TZID="W. Europe Standard Time":20240221T100000 LAST-MODIFIED:20240118T070812Z LOCATION:Microsoft Teams PRIORITY:5 SEQUENCE:0 SUMMARY;LANGUAGE=de:»KI-Brekkie« TRANSP:OPAQUE UID:040000008200E00074C5B7101A82E008000000003049569697B8D901000000000000000 0100000001354C25FDD9C814F825189E8166109CD X-ALT-DESC;FMTTYPE=text/html:

Causal Learning in der Produktion

Christoph Hennebold\, Fraunhofe r IPA

 \;

Das Lernen und Analysieren kausaler Zusammenhänge in Prozessen biet et Anwendern eine Vielzahl an Möglichkeiten. So lassen sich beispielsweis e Ursachen-Wirkzusammenhänge modellieren\, was Modelle robuster gegenübe r Veränderungen und Störungen macht. Außerdem sind kausale Verfahren ge genüber traditionellen Machine Learning Ansätz en dateneffizienter\, besser interpretierbar und in der Lage\, über das G elernte hinaus besser auf unbekannte Szenarien zu reagieren. In dem Vortra g wird anhand realer Prozessdaten ein Blick auf die Fähigkeit zur Fehleru rsachenerkennung kausaler Ansätze geworfen. Zudem wird gezeigt\, wie dies e sich zur Anwendung in der Produktion eignen.

X-MICROSOFT-CDO-BUSYSTATUS:BUSY X-MICROSOFT-CDO-IMPORTANCE:1 X-MICROSOFT-DISALLOW-COUNTER:FALSE X-MS-OLK-AUTOFILLLOCATION:FALSE X-MS-OLK-CONFTYPE:0 END:VEVENT END:VCALENDAR