Seeq Corporation, ein führender Hersteller von Analysesoftware für die Produktion und das „Industrielle Internet der Dinge“ (IIoT) mit Sitz im Seattle/ USA, will künftig vermehrt Algorithmen des maschinellen Lernens in seine Anwendungen integrieren – auch solche aus offenen Quellen. Unternehmen, die Machine- Learning-Algorithmen von Drittherstellern oder von Open Source-Plattformen nutzen, können diese in Zukunft verwenden, um die Software-Applikationen von Seeq lernfähig und damit nochmals effizienter zu machen.
Die Kunden von Seeq kommen überwiegend aus der Prozesstechnik, konkret aus den Bereichen Öl und Gas, Pharma, Chemie, Energie, Bergbau, Lebensmittel- und Getränkeindustrie. Zu den Kapitalgebern des Unternehmens, die bisher mehr 100 Millionen US-Dollar investiert haben, gehören die Beteiligungsgesellschaften Insight Ventures, Saudi Aramco Energy Ventures, Altira Group, Chevron Technology Ventures und Cisco Investments.
Diese Strategie ermöglicht es dem Endanwender, Algorithmen aus verschiedenen und auch offenen Quellen zu nutzen, so dass ihm eine größere Bandbreite von Machine Learning-Funktionen zur Verfügung steht. Das betrifft u.a. folgende Arten von Algorithmen:
- Open-Source- und andere frei zugängliche Algorithmen. Zum Beispiel hat Seeq zwei Add-ons für die Open-Source-Entwicklungsplattform GitHub veröffentlicht, einschließlich Algorithmen und Workflows für die Analyse von Korrelationen und Clustern im Fertigungsprozess, die der Benutzer an seine Bedürfnisse anpassen kann.
- von Kunden in Eigenarbeit entwickelte Algorithmen im Seeq-Datenanalyse-Modul „Data Lab“ sowie Algorithmen aus anderen Plattformen wie Microsoft Azure Machine Learning, Amazon SageMaker und Anaconda. So kann der Anwender den digitalen Wandel in seinem Unternehmen verbessern und bechleunigen.
- Algorithmen, die von Dritten (Softwareherstellern, Forschungseinrichtungen) bereitgestellt werden. Dazu gehören auch branchen- und marktspezifische Algorithmen, etwa „Lookout for Equipment“ von Amazon, Microsoft Azure AutoML, BKO Services Pump Prediction oder das Open-Source-Angebot der Brigham Young University.
Mit dieser Initiative verbessert Seeq auch die Herausforderung der „letzten Meile“ beim Einsatz von Algorithmen in Fertigungsunternehmen. Diese Algorithmen und damit die entsprechenden Optimierungsmöglichkeiten des Prozesses müssen in benutzerfreundlichen Anwendungen zur Verfügung stehen, die von den Mitarbeitern auch genutzt werden – zum Beispiel die Softwaremodule Seeq Workbench für umfassende Analysen, Seeq Organizer für die Dokumentation und Veröffentlichung von Ergebnissen und Seeq Data Lab für Ad-hoc- Python-Scripting.
Außerdem leistet die öffnung der Seeq-Software für Open-Source-Algorithmen einen Beitrag zur umfassenden Nutzung der Analysesoftware. Denn grundlegende Erfolgsfaktoren des maschinellem Lernen, beispielsweise der Zugriff auf möglichst alle Datenquellen aus der Fertigung (historische, kontextuelle und fertigungsbezogene Anwendungen), sind damit noch umassender gegeben. Das gilt auch für Aufgaben wie die Aufbereitung und Modellierung der Daten, die Unterstützung der Zusammenarbeit unter den Mitarbeitern und die Sammlung des gemeinschaftlich erworbenen Know-hows sowie das Etablieren und kontinuierliche Verbessern eines leistungsbasierten Workflows.
„Data-Science-Innovationen haben das Potenzial, produzierende Unternehmen konsequent in Richtung Nachhaltigkeit und Produktivität zu verändern“, sagt Kevin Prouty, Vizepräsident für den Bereich Industrie beim Marktforschungs- und Beratungsunternehmen IDC. „Um diese Chance zu nutzen, müssen die Unternehmen jedoch in der Lage sein, den Produktionsexperten Innovationen aus der Datenwissenschaft bereitzustellen – und zwar so, dass sie sie auch nutzen können. Dann werden sie auf Basis der Erkenntnisse, die von den neuen Algorithmen bereitgestellt werden, bessere Entscheidungen treffen.“
Beispiele für Kunden, die Seeq-Anwendungen für die Integration von Data-Science- Innovationen nutzen, sind:
- ein Öl- und Gasunternehmen, das einen Deep-Learning-basierten Algorithmus zur Vorhersage von Emissionen einsetzt;
- ein Pharmaunternehmen, das einen selbständigen Lernalgorithmus verwendet, um in sensiblen Batch-Prozessen proaktiv einen Sensordrift zu erkennen;
- ein Chemieunternehmen, das Mustererkennung verwendet, um die Ursachen von Prozessinstabilität zu identifizieren und die Zyklusdauer zu verlängern.
Brian Parsonnet, CTO von Seeq: „Unsere Software baut die Brücke von den Data-Science-Experten und ihren Algorithmen zu Ingenieuren und Prozesstechnikern in Hunderten von Werken auf der ganzen Welt. Um die jeweils passendsten Algorithmen zu nutzen, genügt es jetzt, sie einfach in Seeq zu registrieren und dann festzulegen, welche Mitarbeiter in ihren Seeq-Anwendungen darauf Zugriff haben.“
Seeq hat schon 2017 erstmals Machine-Learning-Funktionen integriert – zunächst in der Seeq Workbench. 2020 folgten das Seeq Data Lab für Python-Skripting und der Zugriff auf sämtliche Machine-Learning- Algorithmen. Damit werden mehrere Zielgruppen adressiert ‒ die Prozessingenieure mit Point-and-Click-Funktionen, die Dstenwissenschafter mit Low-Code- Scripting und einer Programmierumgebung. So können die Anwender eine Komplettlösung auf allen Analyseebenen nutzen.
Seeq ist weltweit über ein globales Partnernetzwerk von Systemintegratoren verfügbar, das neben seiner Direktvertriebsorganisation in Nordamerika und Europa Schulungen und Vertriebsunterstützung in mehr als 40 Ländern anbietet.
Mehr über Seeq erfahren Sie unter: seeq.com