Code
Prognosemodell für Maschinenstillstände im Spritzguss
Übersicht
Worum es bei diesem Projekt geht.
Du trittst als Data Scientist (datenwissenschaftliche:r Experte:in) in einem 3er-Team auf und entwickelst innerhalb von 3 Wochen ein prädiktives Wartungsmodell. Du erhältst einen synthetischen Datensatz mit 18 Monaten Maschinendaten, der gezielte Fehlermuster enthält. Dein Modell muss mindestens eine Precision von 75% und einen Recall von 70% bei der Vorhersage kritischer Stillstände erreichen. Du dokumentierst die Datenaufbereitung, testest mindestens zwei Modellfamilien (zum Beispiel Gradient Boosting und ein neuronales Netz) und erklärst die Modellentscheidungen mit SHAP-Werten (SHapley Additive exPlanations — ein Verfahren, das den Beitrag einzelner Merkmale zu einer Vorhersage quantifiziert). Das Ergebnis präsentierst du der Produktionsleitung in einer 10-minütigen Fachpräsentation.
Das Briefing
Was Du tust und was Du zeigst.
Wie lässt sich aus bestehenden Maschinendaten ein erklärbares Vorhersagemodell bauen, das ungeplante Stillstände 48 Stunden vorher erkennt und die Instandhaltung zu rechtzeitigen Eingriffen befähigt?
Earning criteria — what you'll demonstrate
- Anwendung fortgeschrittener Machine-Learning-Verfahren auf industrielle Zeitreihendaten
- Durchführung systematischer Datenaufbereitung mit Feature-Engineering für Sensordaten
- Bewertung und Vergleich unterschiedlicher Modellarchitekturen anhand geschäftsrelevanter Metriken
- Erklärung komplexer Modellentscheidungen für nicht-technische Stakeholder
- Integration von Künstlicher Intelligenz (KI) in bestehende Produktionsprozesse
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.
IoT Data Scientist
Diese Challenge vermittelt direkte Erfahrung mit industriellen Sensordaten und Edge-Computing-Szenarien. Die Fähigkeit, Zeitreihenmodelle für physische Maschinen zu entwickeln und erklärbar zu machen, ist zentral für IoT Data Scientists, die vernetzte Produktionssysteme optimieren.
Dieses Projekt schärft
- time-series-analysis
- model-interpretability
- python-programming
Machine Learning Engineer
Die Challenge übt den gesamten MLOps-Zyklus von Datenaufbereitung über Modelltraining bis zur produktionsreifen Dokumentation. Diese Erfahrung mit reproduzierbaren Pipelines und Modellversionierung ist direkt auf die Rolle des Machine Learning Engineers übertragbar.
Dieses Projekt schärft
- machine-learning
- data-preprocessing
- python-programming
Operations Research Analyst
Die Verknüpfung von Vorhersagemodellen mit konkreten Wartungsentscheidungen und Lieferterminplanung entspricht dem Kern der Operations Research. Die Fähigkeit, datenbasierte Modelle in betriebliche Abläufe zu integrieren, ist hier direkt anwendbar.
Dieses Projekt schärft
- machine-learning
- time-series-analysis
- model-interpretability
Noch eine Sache