Inductive-Logic-Programming für die Diagnose von Maschinenfehlern
Übersicht
Worum es bei diesem Projekt geht.
Du bekommst 8.000 Service-Tickets mit Logs, beobachteten Symptomen und bestätigter Diagnose plus Hintergrund-Wissen (Maschinen-Komponentenbaum als Prolog-Fakten). Setze ein ILP-Verfahren auf, das interpretierbare Hornklauseln für die 10 häufigsten Diagnose-Klassen lernt. Vergleiche mit einem Decision-Tree auf Accuracy und Lesbarkeit (zwei Service-Ingenieurinnen bewerten die Regeln auf einer 5-Punkt-Skala). Liefere Trainings-Pipeline, gelernte Regeln und einen 3-seitigen Bericht.
Das Briefing
Was Du tust und was Du zeigst.
Lerne mit Inductive Logic Programming interpretierbare Diagnose-Regeln aus Service-Logs, die auf Accuracy und Lesbarkeit mindestens einen Decision-Tree erreichen.
Earning criteria — what you'll demonstrate
- ILP als symbolisches Lernverfahren auf reale Service-Daten anwenden
- Hintergrundwissen als Prolog-Fakten korrekt einbinden
- Lesbarkeit gelernter Regeln empirisch messen
- Symbolisches Lernen gegen einen klassischen Baum-Klassifikator fair vergleichen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenAngewandte:r KI-Wissenschaftler:in
Symbolisches Lernen auf reale Service-Daten zu bringen und ehrlich gegen klassische ML-Verfahren zu vergleichen ist exemplarisch für angewandte KI-Arbeit im Maschinenbau-Service.
Dieses Projekt schärft
- inductive-logic-programming
- rule-design
- evaluation
Data Scientist
Lesbare Regelmodelle in Service-Kontexten zu liefern ist eine wiederkehrende Aufgabe für Data Scientists in Industrieanwendungen.
Dieses Projekt schärft
- logic-programming
- knowledge-representation
- evaluation
ML-Forscher:in
Symbolisches Lernen mit modernen Tools sauber zu benchmarken ist eine seltene und wertvolle Kompetenz in Forschungs-Laboren.
Dieses Projekt schärft
- inductive-logic-programming
- prolog
- rule-design
Noch eine Sache