Wir von Infinite Devices GmbH haben überall unsere Hände im Spiel. Wie alle anderen auch, wollen wir die Zukunft vorhersagen, IHRE Zukunft! Infinimesh hat seit Neustem ein weiteres Tool für Ihre Analysen: Predictive Analytics by AI. Unser allererstes KI-Feature wird demnächst veröffentlicht. Anjo aus unserem KI-Team hat keine Mühen gescheut Ihnen jetzt noch mehr Werkzeuge an die Hand zu geben. Damit Sie für Ihre Zukunft bereit sind.

 

Und wie funktioniert´s?

Mit Infinimesh KI erhalten Sie genaue Prognosen, auf die Sie bauen können. Hinter den Kulissen arbeitet ein Künstliches Neuronales Netzwerk für Sie, ein Long-Short Term Memory (LSTM). Nach (automatischem) hochladen Ihrer Daten, verwendet es die Inputs effizient, um die nächsten Schritte in die Zukunft vorherzusagen.

LSTMs sind Teil der Familie der rekursiven neuronalen Netze (RNN). Im Gegensatz zu Standard-NNs vergessen sie nicht die Informationen von vor 23 Zeiteinheiten. Sie beginnen nicht damit, jeden eingegebenen Wert ohne Kontext zu verarbeiten, sondern behalten die Informationen aus früheren Inputs und machen auf dieser Grundlage Vorhersagen. Genau wie Sie in diesem Post ein Wort nach dem anderen lesen, erkennt das Netzwerk Zusammenhänge innerhalb der Daten und kann so bessere Vorhersagen treffen. Am Ende jeder Vorhersage setzt es alles Gelernte zusammen und erstellt eine präzise Vorhersage. Dadurch sind RNNs perfekt für die Zeitreihenanalyse geeignet.

 

Use Case: Smart-Meter Energiedaten

Ein perfektes Beispiel für unser neues Tool sind Sensordaten, da Sensoren Werte nicht einfach in den leeren Raum werfen. Jeder Wert hängt vom vorherigen ab. Et voilà, hierbei handelt es sich um Zeitreihen! Unser LSTM braucht nur ein paar Spalten in Ihren Daten um loslegen zu können. Zuerst etwas Kosmetik: Wir erstellen Zeit-Eingabevariablen aus dem Zeitstempel des Sensor und bereiten die Input Matrix für das LSTM vor.

Um die Leistung unseres LSTM gut einschätzen zu können, erstellen wir ein Baseline Modell, das den Wert aus Periode eins als aktuelle Vorhersage in Periode zwei nimmt. Mit anderen Worten, die Werte werden einfach um eine Zeiteinheit nach hinten verschoben.

Das Ziel jedes NNs ist die Minimierung einer Verlustfunktion (Loss Function). Welche Funktion verwendet werden soll, bleibt dem Architekten überlassen. In unserem Fall verwenden wir den mittleren quadratischen Fehler (Mean Squared Error). Der Output für drei verschiedene 25-Zeiteinheiten-Datenblöcke sieht wie folgt aus:

 

Unser Baseline Modell war erwartungsgemäß weder sehr smart, noch sehr genau: Wir erhalten einen Baseline Loss von 25,73.

Jetzt aber zum interessanten Teil: das LSTM. Für unser allererstes Prognose-Feature haben wir uns für ein recht simples Modell entschieden: Unser LSTM hat nur zwei Ebenen. Da der Sensor die Daten jedoch ziemlich schnell versendet, muss es schnell gehen! Deshalb: Simplicity wins.

Um Ihnen eine umfassendere Vorstellung davon zu geben, wie die Vorhersagen aussehen, haben wir für die folgende Darstellung 50 Zeiteinheiten genommen. Hier sind drei Ausschnitte der Daten mit jeweils 50 Zeiteinheiten und ihren vorhergesagten Werten:

Nicht schlecht für unser allererstes Vorhersage-Feature! Mit Hilfe des LSTMs konnten wir den Loss deutlich verringern: 10,59. Schon viel genauer, nur noch etwa 41% des ursprünglichen Baseline Loss! Infinimesh weiß ab sofort in welche Richtung Ihr Energieverbrauch geht, bevor Sie es wissen – perfekt für jeden, der gerne Geld und Energie spart! Besser für die Umwelt, besser für Ihr Konto.

Planen Sie voraus und konzentrieren Sie sich auf das Wesentliche: Ihr Unternehmen und Ihre Entscheidungen. Mit Infinimesh AI. Lassen Sie uns loslegen!

 Hier finden Sie das ganze Notenbook inkl. Datensatz auf Github: https://github.com/InfiniteDevices/ai

Empfohlene Beiträge