Was globale Modelle sind und wie sie Unternehmensprognosen verändern

Globale Modelle verändern den Bereich der Zeitreihenprognose grundlegend, indem sie Unternehmen die Möglichkeit bieten, präzise Prognosen mit begrenzten Daten zu erstellen. Inspiriert von den Fortschritten der künstlichen Intelligenz werden diese fundamentalen Modelle mit großen Datenmengen trainiert und können ihre Vorhersagen auf neue Szenarien übertragen, wodurch sie in Schlüsselbranchen einen echten Wendepunkt markieren.

Von Alberto Llera (PhD)

Was sind fundamentale Modelle

Die Zeitreihenprognose ist für die Entscheidungsfindung in Branchen wie Energie, Transport und Gesundheitswesen von entscheidender Bedeutung. Traditionell haben statistische Modelle wie ARIMA oder ETS diesen Bereich dominiert. Obwohl neuronale Netze, wie rekurrente neuronale Netze (RNN) und LSTM-Netze, für diese Art von Aufgaben entwickelt wurden, war ihr praktischer Einsatz in klassischen Trainings- und Testumgebungen begrenzt.

Mit dem Aufkommen der fundamentalen Modelle hat sich dieses Bild jedoch grundlegend gewandelt. Inspiriert von den Fortschritten bei Sprachmodellen, wie sie Technologien wie ChatGPT oder DALL·E zugrunde liegen, werden diese Modelle mit großen Mengen unüberwachter Daten trainiert und sind anschließend in der Lage, ihr Gelerntes auf neue Aufgaben zu übertragen. Ähnlich funktionieren globale Modelle für die Zeitreihenprognose: Sie werden mit riesigen Mengen an Daten aus unterschiedlichen Zeitreihen trainiert, wodurch sie Vorhersagen für zuvor nie gesehene Reihen treffen können.

Wie globale Modelle bei LISDATA eingesetzt werden

Bei LISDATA haben wir diese globalen Modelle als Teil unserer Strategie übernommen, um Prognosen in Umgebungen mit begrenzten Daten zu optimieren. Die Geschwindigkeit, mit der sich dieser Bereich entwickelt, ist beeindruckend. Vor nur einem Jahrzehnt schien die Idee, globale Modelle für Zeitreihenprognosen einzusetzen, kaum realisierbar – heute sind sie bereits eine aufstrebende Realität.

In unserem F&E-Team führen wir strenge Tests mit verschiedenen Modellen durch und haben festgestellt, dass fundamentale Modelle in einigen Fällen traditionelle Train/Test-Ansätze bereits übertreffen. Dies ist besonders relevant für Industriebranchen, denen es an ausreichenden historischen Daten mangelt. Dank Transfer Learning können diese Modelle mit einer minimalen Datenbasis trainiert werden, und mit zunehmender Datensammlung verbessern sie sich kontinuierlich.

Praktische Anwendungen globaler Modelle

Aus industrieller Perspektive bietet die Arbeit mit globalen Modellen einen bedeutenden Wettbewerbsvorteil: Wir können prädiktive Systeme von Grund auf implementieren und ihre Leistung im Laufe der Zeit optimieren, ohne große Mengen an Ausgangsdaten zu benötigen. Dies beschleunigt nicht nur die Fähigkeit der Unternehmen, zukünftiges Verhalten vorherzusagen, sondern ermöglicht es auch Organisationen in frühen Phasen der Digitalisierung, die Kraft der künstlichen Intelligenz unmittelbar zu nutzen.

In Projekten wie InnoTwin haben wir das Potenzial globaler Modelle in verschiedenen Kontexten untersucht, etwa bei der Vorhersage der Produktqualität in Fertigungsprozessen. Dieses Projekt ermöglichte es uns, Techniken wie Transfer Learning anzuwenden, um ein einziges Modell zu entwickeln, das die Qualität zuvor nicht beobachteter Produkte vorhersagen kann. Dies verkürzt nicht nur die Entwicklungszeit, sondern optimiert auch die Ressourcennutzung, da sich ein einziges Modell an mehrere Produkte und Aufgaben anpassen kann.

Wie wir F&E in Unternehmen bringen

Bei LISDATA arbeiten wir intensiv an der Entwicklung eigener fundamentaler Modelle für Szenarien mit knappen Daten. Stellen wir uns eine wenig digitalisierte Branche vor, in der wir gerade erst begonnen haben, Sensoren zu installieren. Traditionell hätten wir Monate warten müssen, um genügend Daten für zuverlässige Prognosen zu sammeln. Mit fundamentalen Modellen können wir jedoch von Anfang an Vorhersagen treffen und das Modell im Laufe der Datensammlung anpassen, um seine Genauigkeit zu verbessern.

Dieser Ansatz verändert die Art und Weise, wie Unternehmen Prognosen und Entscheidungsfindung angehen können. Tag für Tag rücken wir näher an Modelle heran, die nicht nur aus großen Datenmengen lernen, sondern dieses Wissen auch effizient auf neue Aufgaben übertragen. Globale Modelle sind dazu bestimmt, ein zentraler Baustein der Unternehmensdigitalisierung zu werden, indem sie Unternehmen helfen, die Kraft der künstlichen Intelligenz zu nutzen – selbst wenn die Ausgangsdaten begrenzt sind.

Wie sieht die Zukunft globaler Modelle aus

In den kommenden Jahren werden wir zweifellos einen deutlichen Anstieg beim Einsatz globaler Modelle erleben, sowohl in der akademischen Forschung als auch in ihrer Anwendung in der Industrie. Die Fähigkeit, Vorhersagen ohne umfangreiches oder spezifisches Training zu treffen und sich mit zunehmender Datensammlung kontinuierlich zu verbessern, macht diese Modelle zu einem mächtigen Werkzeug für jedes Unternehmen, das im digitalen Zeitalter wettbewerbsfähig bleiben möchte.