{"id":45809,"date":"2023-12-18T16:10:52","date_gmt":"2023-12-18T15:10:52","guid":{"rendered":"https:\/\/www.inovex.de\/?p=45809"},"modified":"2025-03-17T08:51:27","modified_gmt":"2025-03-17T07:51:27","slug":"ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2","status":"publish","type":"post","link":"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/","title":{"rendered":"KI-Optimierung in der Industrie: Intelligentes Service-Ticket-System f\u00fcr die Wartung (Teil 2)"},"content":{"rendered":"<p>Willkommen zum zweiten Teil der Blogserie \u201eIntelligentes Service-Ticket-System f\u00fcr die Wartung\u201c! In diesem Teil stellen wir verschiedene Komponenten vor, die auf Methoden des maschinellen Lernens basieren und das Intelligenten Service-Ticket-Systems (ISTS) auf eine gewisse Art und Weise \u201eintelligent\u201c machen. So werden Anlagenf\u00fchrer:innen wie auch Service-Techniker:innen bei der Bearbeitung von Instandhaltungsauftr\u00e4gen unterst\u00fctzt.<!--more--><\/p>\n<p>Falls Du den <a href=\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-1\/\">vorangegangenen Artikel<\/a> verpasst hast, findest du hier die Einf\u00fchrung in den Use Case und das L\u00f6sungskonzept des ISTS.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_79_2 counter-hierarchy ez-toc-counter ez-toc-custom ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\"><p class=\"ez-toc-title\" style=\"cursor:inherit\"><\/p>\n<\/div><nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#Infrastruktur-fuer-Machine-Learning-Services\" >Infrastruktur f\u00fcr Machine Learning Services<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#Welche-aehnlichen-Fehler-traten-in-der-Vergangenheit-bereits-auf\" >Welche \u00e4hnlichen Fehler traten in der Vergangenheit bereits auf?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#Clustering-haeufiger-aehnlicher-Beschreibungen\" >Clustering h\u00e4ufiger, \u00e4hnlicher Beschreibungen<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#Welche-r-Service-Techniker-in-ist-derdie-Richtige\" >Welche:r Service-Techniker:in ist der\/die Richtige?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#Outro\" >Outro<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#Literaturverzeichnis\" >Literaturverzeichnis<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Infrastruktur-fuer-Machine-Learning-Services\"><\/span>Infrastruktur f\u00fcr Machine Learning Services<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/image4-2.png\" alt=\"\" width=\"1999\" height=\"1117\" \/><\/p>\n<p>Das ISTS setzt sich aus mehreren ML-Services zusammen, die miteinander interagieren und kommunizieren. Diese Services sind als Cloud-Run-Instanzen bereitgestellt. Alle Code-Versionen werden in Gitlab verwaltet und die aktuellste Version wird \u00fcber eine CI\/CD Pipeline in Google Cloud Run gepusht wo diese als Docker Container laufen. In Google Cloud Run laufen die Container bisher nicht durchgehend, sondern werden nach einer bestimmten Zeit, in der sie inaktiv sind, wieder herunter gefahren. Dadurch muss man nur f\u00fcr die tats\u00e4chliche Laufzeit bezahlen und spart Ressourcen. Dies ist allerdings nur w\u00e4hrend der Entwicklungszeit eine Option. Wenn das Projekt live geht und genutzt werden soll, w\u00fcrde diese Funktion deaktiviert werden, um zeitintensive Kaltstarts zu vermeiden.<\/p>\n<p>Die persistente Datenspeicherung wird ebenfalls durch GCP verwaltet. Einerseits gibt es die Cloud SQL Services, wo sich PostgreSQL-Datenbanken f\u00fcr die Services befinden. Andererseits haben wir Cloud Storage Buckets, hier sind Rohdaten und ML-Modelle gespeichert.<\/p>\n<p>Statt GCP per Hand zu konfigurieren, verwenden wir Terraform. Terraform ist ein Infrastructure-as-Code (IaC) Tool, mit dem man Konfigurationen in ein Skript schreiben kann. Terraform setzt dann unsere im Text beschriebene Configs um. Somit sind die Configs versionierbar, automatisierbar sowie selbst dokumentierend.<\/p>\n<p>Die Infrastruktur f\u00fcr die Machine Learning Services ist in drei Bereiche aufgeteilt:<\/p>\n<p>Zun\u00e4chst werden die Modelle trainiert. Hierzu haben wir einen Trainingsservice entwickelt, der regelm\u00e4\u00dfig von unserem Backend via einer REST-Schnittstelle getriggert wird. Im Trainingsservice wird das Klassifikationsmodell anhand der aktuellen Daten aus der Datenbank trainiert. Das (auf Wikipedia-Daten vortrainierte) Smart-Search-Modell wird aus einem Google Cloud Storage Bucket geladen und dann ebenfalls auf den aktuellen Daten nachtrainiert.<\/p>\n<p>Zum Verwalten und Versionieren der Modelle verwenden wir MLFlow. Hier werden die Hyperparameter der Modelle geloggt, die Metriken der Modelle wie Accuracy und Precision werden gespeichert. Die Artefakte der Modelle werden in einem Google Cloud Storage Bucket gespeichert und die Verweise dazu ebenfalls von MLFlow verwaltet und gespeichert.<\/p>\n<p>Die Daten von MLFlow sind in einer Postgres-Datenbank persistiert. Diese Datenbank ist in Google Cloud SQL gehostet.<\/p>\n<p>Die besten trainierten Modelle werden dann zur Ausf\u00fchrung von unserem ISTS Backend geladen und dort bei Bedarf ausgef\u00fchrt und aufgerufen.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Welche-aehnlichen-Fehler-traten-in-der-Vergangenheit-bereits-auf\"><\/span>Welche \u00e4hnlichen Fehler traten in der Vergangenheit bereits auf?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Eine der Hauptaufgaben des intelligenten Ticketsystems ist die \u201eIntelligente Suche\u201c.\u00a0 Maschinenf\u00fchrer:innen, die ihr Problem in die Web App eingeben, sollen vorangegangene \u00e4hnliche Probleme vorgeschlagen werden. Wenn zum Beispiel eine LED-Lampe der Maschine nicht funktioniert, soll das ISTS in der Lage sein, ihnen \u00e4hnliche Probleme wie \u201eBeleuchtung funktioniert nicht\u201c oder \u201eLicht ist kaputt\u201c vorzuschlagen. Dies erleichtert die Erstellung und Bearbeitung von Tickets auf folgende Weise:<\/p>\n<ul>\n<li>Maschinenf\u00fchrer:innen m\u00fcssen keine Zeit mit dem Eintippen einer langen Problembeschreibung verschwenden. Stattdessen k\u00f6nnen sie ein paar Schl\u00fcsselw\u00f6rter eingeben, auf deren Grundlage eine Liste mit Vorschl\u00e4gen zur Auswahl bereitgestellt wird.<\/li>\n<li>Techniker:innen haben eine Liste mit einheitlichen Problemen, die leichter zu verstehen und zu bearbeiten sind. Dar\u00fcber hinaus werden ihnnen auf der Grundlage \u00e4hnlicher Problembeschreibungen potenzielle Probleml\u00f6sungen angeboten, was die Bearbeitungszeit eines Tickets weiter verk\u00fcrzt.<\/li>\n<\/ul>\n<p>Um \u00e4hnliche Probleme zu identifizieren, wurde das NLP-Modell <a href=\"https:\/\/arxiv.org\/abs\/1301.3781\">Word2Vec<\/a> implementiert. Word2Vec ist ein zweischichtiges neuronales Netz, das darauf trainiert ist, sprachliche Kontexte von W\u00f6rtern zu erkennen. Das Modell analysiert einen gro\u00dfen Textkorpus, um herauszufinden, welche W\u00f6rter h\u00e4ufig zusammen im gleichen Kontext verwendet werden. Die analysierten W\u00f6rter werden dann in einen mehrdimensionalen Vektorraum eingeordnet, der auf dem Kontext basiert, in dem sie erscheinen. Die Position eines Wortes im Vektorraum wird als Worteinbettung bezeichnet, die einen mehrdimensionalen Vektor darstellt.<\/p>\n<p>Word2Vec hat zwei Ans\u00e4tze: einen CBOW- und einen Skip-Gram-Ansatz. Beim CBOW-Ansatz wird ein Zielwort auf der Grundlage seines Kontextes vorhergesagt. Im Gegensatz dazu wird beim Skip-Gram-Ansatz der Kontext des Wortes auf der Grundlage des Zielwortes vorhergesagt.<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"aligncenter\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/image19.png\" alt=\"\" width=\"629\" height=\"350\" \/><\/p>\n<p>Quelle: <a href=\"https:\/\/arxiv.org\/pdf\/1309.4168v1.pdf\">Exploiting Similarities among Languages for Machine Translation<\/a><\/p>\n<p>Die folgende Abbildung zeigt die grundlegende Struktur des W2V-Modells. Zun\u00e4chst wird f\u00fcr jedes Wort eine Worteinbettung nach dem Zufallsprinzip initialisiert (k\u00f6nnte auch wie im Beispiel als ein One-Hot-codierter Vektor dargestellt werden). Dann wird die Eingabe an eine versteckte Schicht weitergegeben, die eine voll verbundene Schicht ist, deren Gewichte die Worteinbettungen sind. Die Ausgabe der vollst\u00e4ndig verkn\u00fcpften Schicht wird durch einen Softmax-Klassifikator geleitet, um die Wahrscheinlichkeiten der Zielw\u00f6rter aus dem Vokabular zu ermitteln.<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/image20.png\" alt=\"\" width=\"679\" height=\"422\" \/><\/p>\n<p>Source: <a href=\"https:\/\/medium.com\/@vishwasbhanawat\/the-architecture-of-word2vec-78659ceb6638\">The Architecture of Word2Vec<\/a>.<\/p>\n<p>F\u00fcr unseren Anwendungsfall haben wir ein CBOW-Word2Vec-Modell implementiert, da es f\u00fcr kleinere Datens\u00e4tze besser geeignet ist. Das Modell sagt jedes Wort im Satz auf der Grundlage des Kontexts voraus, in dem es erscheint. Nehmen wir ein Beispiel: \u201eLED Lampe an der Maschine ist kaputt\u201c. Bei jedem Durchlauf des Modells wird ein Wort aus dem Satz ausgeblendet (z. B. das Wort \u201eLampe\u201c), und das Modell versucht, dieses Wort anhand des Kontexts (z. B. \u201eLED __ an der Maschine ist kaputt\u201c) vorherzusagen. Wir kombinieren die Worteinbettungen der einzelnen W\u00f6rter aus dem Kontext, um eine Kontexteinbettung zu bilden. Die Kontexteinbettung wird an die versteckte Schicht weitergegeben, um vorherzusagen, welches Wort fehlt. Idealerweise sollen die Wahrscheinlichkeiten des echten Zielworts, d. h. \u201eLampe\u201c, nahe bei 1 liegen, w\u00e4hrend die Wahrscheinlichkeiten der anderen W\u00f6rter nahe bei 0 liegen sollen. Nach jeder Trainingsiteration werden die Worteinbettungen auf der Grundlage der analysierten S\u00e4tze angepasst.<\/p>\n<p>Zun\u00e4chst wurde das implementierte Word2Vec-Modell auf der Grundlage des deutschen Wikipedia-Korpus mit rund 50.000 Artikeln trainiert. Anschlie\u00dfend wurde das Modell auf Basis der kundenspezifischen Daten des ESW nachtrainiert.<\/p>\n<p>Nach dem Training konnte unser Modell erfolgreich \u00e4hnliche W\u00f6rter identifizieren, wie aus den Beispielen ersichtlich:<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"aligncenter\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/image6-1.png\" alt=\"\" width=\"760\" height=\"453\" \/><\/p>\n<p>Es ist wichtig zu erw\u00e4hnen, dass unser Modell auch in der Lage ist, W\u00f6rter zu erkennen, die eine \u00e4hnliche semantische Bedeutung haben, aber v\u00f6llig anders geschrieben werden, wie z. B. \u201eLicht\u201c und \u201eStrahlung\u201c.<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"aligncenter\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/image17.png\" alt=\"\" width=\"598\" height=\"378\" \/><\/p>\n<h2><span class=\"ez-toc-section\" id=\"Clustering-haeufiger-aehnlicher-Beschreibungen\"><\/span>Clustering h\u00e4ufiger, \u00e4hnlicher Beschreibungen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Eine weitere Anforderung an das ISTS ist eine Filterm\u00f6glichkeit nach h\u00e4ufigen Problemen und L\u00f6sungen. Um die H\u00e4ufigkeit angeben zu k\u00f6nnen, wollen wir semantisch \u00e4hnliche Probleme\/L\u00f6sungen zusammenfassen. Die Schwierigkeit besteht darin, die \u00c4hnlichkeit von Texten zu berechnen. Da zum Beispiel \u201eVerriegelung an der T\u00fcr hinten defekt\u201c und \u201eVerriegelung reagiert nicht\u201c f\u00fcr einen Mensch als \u00e4hnliche Probleme erkennbar sind. F\u00fcr den Computer, der nur die einzelnen W\u00f6rter betrachtet, sind sie unterschiedlich. Um sie zusammenzufassen, werden Cluster mit \u00e4hnlichen Problemen oder L\u00f6sungen ben\u00f6tigt.<\/p>\n<h3>TF-IDF<\/h3>\n<p>Vor dem Clustering wird der Text in einen Vektor umgewandelt mit Hilfe des TF-IDF Vectorizer. TF-IDF (Term Frequency &#8211; Inverse Document Frequency) definiert die Wichtigkeit eines Wortes in einem Dokument. Gegeben ist ein Korpus mit mehreren Dokumenten. Der Wert gibt an, wie oft jedes Wort in dem gegebenen Dokument vorhanden ist und wie oft in den anderen Dokumenten. Das bedeutet, dass ein Wort, das oft in einem Dokument vorkommt, relevant f\u00fcr das Dokument ist. Das bedeutet im Umkehrschluss, dass das Dokument sich sehr wahrscheinlich auf das Wort bezieht. Tritt ein Wort aber h\u00e4ufig in mehreren Dokumenten auf, ist es entweder relevant f\u00fcr alle oder f\u00fcr keines der Dokumente. Das macht es schwer, ein Dokument durch dieses Wort zu finden.<\/p>\n<p>Der TF-IDF wird f\u00fcr jedes Wort im Korpus berechnet. Mit jedem Auftreten des Wortes im Dokument wird der TF-IDF Wert erh\u00f6ht und mit jedem Auftreten in den anderen Dokumenten verringert sich der Wert.<\/p>\n<p>Folgende Variablen sind wichtig:<\/p>\n<ul>\n<li>N: ist die Anzahl der Dokumente, die in einem Datensatz sind<\/li>\n<li>d: ist das gegebene Dokument aus dem Datensatz<\/li>\n<li>D: ist die Sammlung aller Dokumente<\/li>\n<li>w: ist das gegebene Wort aus einem Dokument<\/li>\n<\/ul>\n<p>TF-IDF besteht aus zwei Teilen: die Term-Frequency und die Inverse-Document-Frequency.<\/p>\n<p>Die Term-Frequency wird durch die Frequency f(w,d) berechnet und gibt die H\u00e4ufigkeit von Wort w im Dokument d an.<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/image1-5.png\" alt=\"\" width=\"420\" height=\"82\" \/><\/p>\n<p>Quelle: <a href=\"https:\/\/medium.com\/data-science\/tf-idf-explained-and-python-sklearn-implementation-b020c5e83275\">Formel der Term-Frequency<\/a><\/p>\n<p>Die Inverse-Document-Frequency idf(w,D) wird durch die Frequency f(w,D) berechnet und gibt die H\u00e4ufigkeit von Wort w in der Sammlung aller Dokument D an.<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/image15.png\" alt=\"\" width=\"458\" height=\"190\" \/><\/p>\n<p>Quelle: <a href=\"https:\/\/medium.com\/data-science\/tf-idf-explained-and-python-sklearn-implementation-b020c5e83275\">Formel der Inverse-Document-Frequency<\/a><\/p>\n<p>Um den TF-IDF Score zu berechnen, werden die zwei H\u00e4ufigkeiten multipliziert.<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/image14.png\" alt=\"\" width=\"556\" height=\"98\" \/><\/p>\n<p>Quelle: <a href=\"https:\/\/medium.com\/data-science\/tf-idf-explained-and-python-sklearn-implementation-b020c5e83275\">Formel des TF-IDF Score<\/a><\/p>\n<p>Darauf wenden wir ein dichte-basiertes Clustering an, da man keine Anzahl der Cluster vorgeben muss, wie zum Beispiel KMeans. Wir haben uns f\u00fcr OPTICS entschieden, da es weniger Parameter gibt und diese zudem noch leicht anzupassen sind. Um OPTICS zu verstehen, muss man als erstes DBSCAN betrachten, da sie aufeinander aufbauen.<\/p>\n<h3>DBSCAN<\/h3>\n<p>DBSCAN ist ebenfalls ein dichte-basiertes Clustering. Die Idee ist es, dass jedes Objekt in einem bestimmten Radius (Eps-Nachbarschaft) eine Mindestanzahl von Objekt (MinPts) enth\u00e4lt, um einem Cluster zugewiesen zu werden.<\/p>\n<p>Die Eps-Nachbarschaft NEps(p) von einem Punkt p ist somit definiert als NEps(p) = {q E D | dist(p,q) &lt;= Eps}. Daraus ergeben sich 2 Arten von Punkten in einem Cluster: Kernpunkte und Randpunkte. Kernpunkte befinden sich in einem Cluster und Randpunkte am Rand eines Clusters. Ein Kernpunkt q ist als dieser definiert wenn |NEps(q)| &gt;= MinPts gilt.<\/p>\n<p>Um die Bildung von Clustern zu verstehen, brauchen wir noch 3 weitere Begriffe, die sich auf die Beziehung zwischen den Punkten beziehen.<\/p>\n<h4>Ein Cluster wird definiert durch 3 wichtige Begriffe:<\/h4>\n<ol>\n<li>Directly density-reachable<br \/>\nEin Punkt p ist direkt density-reachable von einem Punkt q, wenn p in der Eps-Nachbarschaft von q ist, unter der Bedingung, dass q ein Kernpunkt ist.<\/li>\n<li>Density-reachable<br \/>\nEin Punkt p ist density-reachable, wenn die Punkte einer Kette von Punkten \u201edirectly density-reachable\u201c vom Vorg\u00e4nger sind.<\/li>\n<li>Density-connected<br \/>\nDie Punkte p und q sind density-connected, wenn beide von einem Punkt o \u201edensity-reachable\u201c sind.<\/li>\n<\/ol>\n<p>&nbsp;<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"aligncenter\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/image13.png\" alt=\"\" width=\"1999\" height=\"544\" \/><\/p>\n<p>Quelle: PERAF\u00c1N-L\u00d3PEZ, Juan Carlos; SIERRA-P\u00c9REZ, Juli\u00e1n. An unsupervised pattern recognition methodology based on factor analysis and a genetic-DBSCAN algorithm to infer operational conditions from strain measurements in structural applications. Chinese Journal of Aeronautics, 2021, 34. Jg., Nr. 2, S. 165-181.<\/p>\n<h4>Wann geh\u00f6rt ein Punkt zu einem Cluster?<\/h4>\n<p>Ein Punkt q geh\u00f6rt zum Cluster C, wenn er von Punkt p, der zum Cluster C geh\u00f6rt, \u201edensity-reachable\u201c ist und wenn q und p \u201edensity-connected\u201c sind. Somit ist ein dichte-basiertes Cluster eine Menge von density-connected Objekten, die maximal ist unter Ber\u00fccksichtigung der Dichteerreichbarkeit. Als Rauschen werden Punkte definiert, die zu keinem Cluster geh\u00f6ren.<\/p>\n<h3>OPTICS<\/h3>\n<p>OPTICS (Ordering Points to Identify Cluster Structure) basiert auf DBSCAN. Der Unterschied ist, dass OPTICS jedes Objekt nach ihrer Erreichbarkeitsdistanz in einer Vorrangwarteschlange einordnet. Der OPTICS-Algorithmus generiert die erweiterte Cluster-Ordnung, bestehend aus der Reihenfolge der Punkte und der Erreichbarkeitsentfernung. Diese bestimmt die Clusterzugeh\u00f6rigkeit.<\/p>\n<p>Das Festlegen von Epsilon auf einen niedrigeren Wert f\u00fchrt zu k\u00fcrzeren Laufzeiten und kann als maximaler Nachbarschaftsradius von jedem Punkt betrachtet werden, um andere potenziell erreichbare Punkte zu finden.<\/p>\n<h3>Anwendung des Modells<\/h3>\n<p>\u00c4hnliche Probleme sind durch OPTICS in Cluster eingeteilt. Wir k\u00f6nnen die H\u00e4ufigkeit bestimmen, indem wir die Probleme innerhalb eines Clusters pro AP (Arbeitsplatz) z\u00e4hlen und durch die Gesamtanzahl von Problemen am AP teilen. Die n h\u00e4ufigsten Probleme sollen vorgeschlagen werden, sobald man im Frontend einen AP ausgew\u00e4hlt hat.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Welche-r-Service-Techniker-in-ist-derdie-Richtige\"><\/span>Welche:r Service-Techniker:in ist der\/die Richtige?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Um zu verhindern, dass Maschinenf\u00fchrer:innen eine falsche Problemkategorie in das Ticket-System eintragen, wodurch dann falsche Techniker:innen gerufen werden, haben wir ein Klassifizierungsmodell auf den Daten der vergangenen Auftr\u00e4ge trainiert.<\/p>\n<h3>Training<\/h3>\n<p>Das Modell besteht intern aus f\u00fcnf verschiedenen Teilmodellen. F\u00fcr jede der Fehlerkategorien Elektronik, Mechanik, Sensorik, Hydraulik und Pneumatik wird ein eigener Algorithmus trainiert.<img loading=\"lazy\" decoding=\"async\" class=\"aligncenter\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/image16.png\" alt=\"\" width=\"428\" height=\"515\" \/><\/p>\n<p>Die Problembeschreibungen der vergangenen Tickets, die als Feature f\u00fcr das Modell dienen sollen, werden f\u00fcr das Training zun\u00e4chst mit einem TF-IDF-Vectorizer umgewandelt, damit die Algorithmen das Feature verarbeiten k\u00f6nnen.<\/p>\n<p>Nach dieser Transformation wird nun f\u00fcr jedes der f\u00fcnf Teilmodelle, aus denen das gesamte Modell am Ende besteht, der bestm\u00f6gliche Algorithmus gesucht.<\/p>\n<p>Die Algorithmen, die getestet werden, sind ein Naive Bayes Classifier und eine logistische Regression. F\u00fcr beide Algorithmen wird jeweils noch ein Grid-Search auf einige vordefinierte Hyperparameter durchgef\u00fchrt, um diese zu optimieren.<\/p>\n<p>Nachdem hierdurch f\u00fcr jede Kategorie das Modell mit der h\u00f6chsten Pr\u00e4zision gefunden wurde, werden die besten Modelle mit den besten Hyperparametern jeweils auf den Trainingsdaten trainiert. Daraufhin werden die Modelle auf Testdaten noch einmal validiert und eine durchschnittliche Pr\u00e4zision auf allen f\u00fcnf Modellen berechnet.<\/p>\n<p>Die Hyperparameter der Teil-Modelle werden dann in MLFlow gespeichert und das gesamte Modell mit dem Python-Modul pickle in eine Bytestreamdatei verpackt und als Artefakt in einem Google Cloud Storage Bucket gespeichert.<\/p>\n<h3>Anwendung des Modells<\/h3>\n<p>Zur Anwendung des Multi-Out-Modells wird die Problembeschreibung, die als Input dient, ebenfalls mit einem TF-IDF-Vectorizer in einen Wortvektor umgewandelt.<\/p>\n<p>Der Vektor wird dann als Input in das Multi-Out-Modell gegeben, das ihn jeweils an die f\u00fcnf internen Modelle weitergibt. Die einzelnen Modelle sagen dann jeweils die Wahrscheinlichkeit vorher, dass die Problembeschreibung zu der Kategorie geh\u00f6rt.<\/p>\n<p>Das Objekt der Multi-Out-Klasse f\u00fcgt diese Ergebnisse dann zusammen und gibt das Ergebnis als ein Dictionary zur\u00fcck.<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"aligncenter\" src=\"https:\/\/www.inovex.de\/wp-content\/uploads\/image7-1.png\" alt=\"\" width=\"601\" height=\"202\" \/><\/p>\n<h2><span class=\"ez-toc-section\" id=\"Outro\"><\/span>Outro<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Das intelligente Service-Ticket-System ist eine L\u00f6sung, die entwickelt wurde, um die t\u00e4glichen Arbeitsprozesse innerhalb der ESW-Gruppe zu erleichtern. Das System vereinfacht insbesondere die t\u00e4gliche Arbeit der ESW-Mitarbeiter:innen. So m\u00fcssen beispielsweise Maschinenf\u00fchrer:innen nicht mehr alle notwendigen Informationen in einen Auftrag eintragen, da viele Felder bereits vorausgef\u00fcllt sind.<\/p>\n<p>Dar\u00fcber hinaus werden Maschinenbedienenden die letzten, h\u00e4ufigsten oder \u00e4hnlichen Probleme vorgeschlagen, sodass sie keine zus\u00e4tzliche Zeit f\u00fcr das Schreiben langer Problembeschreibungen aufwenden m\u00fcssen. Zus\u00e4tzlich wird ihnen eine Problemkategorie vorgeschlagen, um die Auftragserstellung weiter zu vereinfachen.<\/p>\n<p>Techniker:innen profitieren ebenfalls von der Anwendung, da ihnen potenzielle Probleml\u00f6sungen vorgeschlagen werden, was den Prozess der Auftragsbearbeitung beschleunigt. Ein: Teamleiter:in kann mit Hilfe von benutzerdefinierten Filtern (z. B. letzte\/h\u00e4ufigste Probleme) einfach durch die Auftr\u00e4ge navigieren und erh\u00e4lt einen umfassenderen \u00dcberblick \u00fcber die erstellten Auftr\u00e4ge.<\/p>\n<p>Die ISTS App l\u00e4uft in der Google Cloud unter Verwendung von Docker Images. Der &#8222;intelligente&#8220; Teil der Anwendung ist in Form von zwei Machine-Learning-Modellen implementiert: dem intelligenten Suchmodell Word2Vec und Naive Bayes, zusammen mit logistischer Regression als Modell zur Klassifizierung von Kategorien. Zus\u00e4tzlich wurde ein Clustering \u00e4hnlicher Probleme implementiert, um \u00e4hnliche Problembeschreibungen zu gruppieren und die h\u00e4ufigsten Probleme zu identifizieren.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Literaturverzeichnis\"><\/span>Literaturverzeichnis<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>[1] SINGH, Prasoon. Deep Dive Into Word2Vec. Medium [online]. 13 September 2019 [viewed 19 October 2022]. Available from: <a href=\"https:\/\/medium.com\/analytics-vidhya\/deep-dive-into-word2vec-7fcefa765c17\">https:\/\/medium.com\/analytics-vidhya\/deep-dive-into-word2vec-7fcefa765c17<\/a><\/p>\n<p>[2] ANKERST, Mihael, et al. OPTICS: Ordering points to identify the clustering structure. ACM Sigmod record, 1999, 28. Jg., Nr. 2, S. 49-60.<\/p>\n<p>[3] BORCAN, Marius. TF-IDF Explained And Python Sklearn Implementation. Medium [online]. 08 June 2020 [viewed 23 October 2022].<br \/>\nAvailable from: <a href=\"https:\/\/medium.com\/data-science\/tf-idf-explained-and-python-sklearn-implementation-b020c5e83275\">https:\/\/towardsdatascience.com\/tf-idf-explained-and-python-sklearn-implementation-b020c5e83275<\/a><\/p>\n<p>[4]\u00a0 ESTER, Martin, et al. A density-based algorithm for discovering clusters in large spatial databases with noise. In: kdd. 1996. S. 226-231.<\/p>\n<p>[5]\u00a0 KHAN, Kamran, et al. DBSCAN: Past, present and future. In: The fifth international conference on the applications of digital information and web technologies (ICADIWT 2014). IEEE, 2014. S. 232-238.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Willkommen zum zweiten Teil der Blogserie \u201eIntelligentes Service-Ticket-System f\u00fcr die Wartung\u201c! In diesem Teil stellen wir verschiedene Komponenten vor, die auf Methoden des maschinellen Lernens basieren und das Intelligenten Service-Ticket-Systems (ISTS) auf eine gewisse Art und Weise \u201eintelligent\u201c machen. So werden Anlagenf\u00fchrer:innen wie auch Service-Techniker:innen bei der Bearbeitung von Instandhaltungsauftr\u00e4gen unterst\u00fctzt.<\/p>\n","protected":false},"author":267,"featured_media":50460,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"ep_exclude_from_search":false,"footnotes":""},"tags":[511,147,140,141],"service":[76,75],"coauthors":[{"id":267,"display_name":"Anastasiia Malyk","user_nicename":"amalyk"},{"id":346,"display_name":"Hannah Hepke","user_nicename":"hhepke"},{"id":358,"display_name":"Niklas K\u00fcchen","user_nicename":"nkuechen"},{"id":359,"display_name":"Daniel Muhammad","user_nicename":"dbinmohdkhir"},{"id":360,"display_name":"Marius Jost","user_nicename":"mjost"}],"class_list":["post-45809","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","tag-artificial-intelligence-2","tag-google-cloud","tag-machine-learning","tag-nlp","service-artificial-intelligence","service-nlp"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v26.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>KI-Optimierung in der Industrie: Intelligentes Service-Ticket-System f\u00fcr die Wartung (Teil 2) - inovex GmbH<\/title>\n<meta name=\"description\" content=\"Die ESW Group und ein inovex-Team forschen an der KI-gest\u00fctzten Optimierung von Instandhaltungsprozessen in der industriellen Produktion.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"KI-Optimierung in der Industrie: Intelligentes Service-Ticket-System f\u00fcr die Wartung (Teil 2) - inovex GmbH\" \/>\n<meta property=\"og:description\" content=\"Die ESW Group und ein inovex-Team forschen an der KI-gest\u00fctzten Optimierung von Instandhaltungsprozessen in der industriellen Produktion.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/\" \/>\n<meta property=\"og:site_name\" content=\"inovex GmbH\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/inovexde\" \/>\n<meta property=\"article:published_time\" content=\"2023-12-18T15:10:52+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2025-03-17T07:51:27+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.inovex.de\/wp-content\/uploads\/Blogheader-Ticket-System1.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1500\" \/>\n\t<meta property=\"og:image:height\" content=\"880\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Anastasiia Malyk, Hannah Hepke, Niklas K\u00fcchen, Daniel Muhammad, Marius Jost\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:image\" content=\"https:\/\/www.inovex.de\/wp-content\/uploads\/Blogheader-Ticket-System1-1024x601.png\" \/>\n<meta name=\"twitter:creator\" content=\"@inovexgmbh\" \/>\n<meta name=\"twitter:site\" content=\"@inovexgmbh\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Anastasiia Malyk\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"13\u00a0Minuten\" \/>\n\t<meta name=\"twitter:label3\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data3\" content=\"Anastasiia Malyk, Hannah Hepke, Niklas K\u00fcchen, Daniel Muhammad, Marius Jost\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/\"},\"author\":{\"name\":\"Anastasiia Malyk\",\"@id\":\"https:\/\/www.inovex.de\/de\/#\/schema\/person\/5e5726e729b0cff62d514f0308257052\"},\"headline\":\"KI-Optimierung in der Industrie: Intelligentes Service-Ticket-System f\u00fcr die Wartung (Teil 2)\",\"datePublished\":\"2023-12-18T15:10:52+00:00\",\"dateModified\":\"2025-03-17T07:51:27+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/\"},\"wordCount\":2532,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/www.inovex.de\/de\/#organization\"},\"image\":{\"@id\":\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/www.inovex.de\/wp-content\/uploads\/Blogheader-Ticket-System1.png\",\"keywords\":[\"Artificial Intelligence\",\"Google Cloud\",\"Machine Learning\",\"nlp\"],\"articleSection\":[\"Analytics\",\"Applications\",\"General\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/\",\"url\":\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/\",\"name\":\"KI-Optimierung in der Industrie: Intelligentes Service-Ticket-System f\u00fcr die Wartung (Teil 2) - inovex GmbH\",\"isPartOf\":{\"@id\":\"https:\/\/www.inovex.de\/de\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/www.inovex.de\/wp-content\/uploads\/Blogheader-Ticket-System1.png\",\"datePublished\":\"2023-12-18T15:10:52+00:00\",\"dateModified\":\"2025-03-17T07:51:27+00:00\",\"description\":\"Die ESW Group und ein inovex-Team forschen an der KI-gest\u00fctzten Optimierung von Instandhaltungsprozessen in der industriellen Produktion.\",\"breadcrumb\":{\"@id\":\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#primaryimage\",\"url\":\"https:\/\/www.inovex.de\/wp-content\/uploads\/Blogheader-Ticket-System1.png\",\"contentUrl\":\"https:\/\/www.inovex.de\/wp-content\/uploads\/Blogheader-Ticket-System1.png\",\"width\":1500,\"height\":880,\"caption\":\"Grafik: Menschen arbeiten und es sind Tickets zu sehen\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/www.inovex.de\/de\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"KI-Optimierung in der Industrie: Intelligentes Service-Ticket-System f\u00fcr die Wartung (Teil 2)\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/www.inovex.de\/de\/#website\",\"url\":\"https:\/\/www.inovex.de\/de\/\",\"name\":\"inovex GmbH\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\/\/www.inovex.de\/de\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/www.inovex.de\/de\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/www.inovex.de\/de\/#organization\",\"name\":\"inovex GmbH\",\"url\":\"https:\/\/www.inovex.de\/de\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/www.inovex.de\/de\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/www.inovex.de\/wp-content\/uploads\/2021\/03\/inovex-logo-16-9-1.png\",\"contentUrl\":\"https:\/\/www.inovex.de\/wp-content\/uploads\/2021\/03\/inovex-logo-16-9-1.png\",\"width\":1921,\"height\":1081,\"caption\":\"inovex GmbH\"},\"image\":{\"@id\":\"https:\/\/www.inovex.de\/de\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.facebook.com\/inovexde\",\"https:\/\/x.com\/inovexgmbh\",\"https:\/\/www.instagram.com\/inovexlife\/\",\"https:\/\/www.linkedin.com\/company\/inovex\",\"https:\/\/www.youtube.com\/channel\/UC7r66GT14hROB_RQsQBAQUQ\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/www.inovex.de\/de\/#\/schema\/person\/5e5726e729b0cff62d514f0308257052\",\"name\":\"Anastasiia Malyk\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/www.inovex.de\/de\/#\/schema\/person\/image\/d88d0b6a6cabd7f4505cec3f63430dad\",\"url\":\"https:\/\/www.inovex.de\/wp-content\/uploads\/1631311478369-96x96.jpeg\",\"contentUrl\":\"https:\/\/www.inovex.de\/wp-content\/uploads\/1631311478369-96x96.jpeg\",\"caption\":\"Anastasiia Malyk\"},\"sameAs\":[\"https:\/\/www.linkedin.com\/in\/anastasiia-malyk\/\"],\"url\":\"https:\/\/www.inovex.de\/de\/blog\/author\/amalyk\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"KI-Optimierung in der Industrie: Intelligentes Service-Ticket-System f\u00fcr die Wartung (Teil 2) - inovex GmbH","description":"Die ESW Group und ein inovex-Team forschen an der KI-gest\u00fctzten Optimierung von Instandhaltungsprozessen in der industriellen Produktion.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/","og_locale":"de_DE","og_type":"article","og_title":"KI-Optimierung in der Industrie: Intelligentes Service-Ticket-System f\u00fcr die Wartung (Teil 2) - inovex GmbH","og_description":"Die ESW Group und ein inovex-Team forschen an der KI-gest\u00fctzten Optimierung von Instandhaltungsprozessen in der industriellen Produktion.","og_url":"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/","og_site_name":"inovex GmbH","article_publisher":"https:\/\/www.facebook.com\/inovexde","article_published_time":"2023-12-18T15:10:52+00:00","article_modified_time":"2025-03-17T07:51:27+00:00","og_image":[{"width":1500,"height":880,"url":"https:\/\/www.inovex.de\/wp-content\/uploads\/Blogheader-Ticket-System1.png","type":"image\/png"}],"author":"Anastasiia Malyk, Hannah Hepke, Niklas K\u00fcchen, Daniel Muhammad, Marius Jost","twitter_card":"summary_large_image","twitter_image":"https:\/\/www.inovex.de\/wp-content\/uploads\/Blogheader-Ticket-System1-1024x601.png","twitter_creator":"@inovexgmbh","twitter_site":"@inovexgmbh","twitter_misc":{"Verfasst von":"Anastasiia Malyk","Gesch\u00e4tzte Lesezeit":"13\u00a0Minuten","Written by":"Anastasiia Malyk, Hannah Hepke, Niklas K\u00fcchen, Daniel Muhammad, Marius Jost"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#article","isPartOf":{"@id":"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/"},"author":{"name":"Anastasiia Malyk","@id":"https:\/\/www.inovex.de\/de\/#\/schema\/person\/5e5726e729b0cff62d514f0308257052"},"headline":"KI-Optimierung in der Industrie: Intelligentes Service-Ticket-System f\u00fcr die Wartung (Teil 2)","datePublished":"2023-12-18T15:10:52+00:00","dateModified":"2025-03-17T07:51:27+00:00","mainEntityOfPage":{"@id":"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/"},"wordCount":2532,"commentCount":0,"publisher":{"@id":"https:\/\/www.inovex.de\/de\/#organization"},"image":{"@id":"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#primaryimage"},"thumbnailUrl":"https:\/\/www.inovex.de\/wp-content\/uploads\/Blogheader-Ticket-System1.png","keywords":["Artificial Intelligence","Google Cloud","Machine Learning","nlp"],"articleSection":["Analytics","Applications","General"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/","url":"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/","name":"KI-Optimierung in der Industrie: Intelligentes Service-Ticket-System f\u00fcr die Wartung (Teil 2) - inovex GmbH","isPartOf":{"@id":"https:\/\/www.inovex.de\/de\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#primaryimage"},"image":{"@id":"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#primaryimage"},"thumbnailUrl":"https:\/\/www.inovex.de\/wp-content\/uploads\/Blogheader-Ticket-System1.png","datePublished":"2023-12-18T15:10:52+00:00","dateModified":"2025-03-17T07:51:27+00:00","description":"Die ESW Group und ein inovex-Team forschen an der KI-gest\u00fctzten Optimierung von Instandhaltungsprozessen in der industriellen Produktion.","breadcrumb":{"@id":"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#primaryimage","url":"https:\/\/www.inovex.de\/wp-content\/uploads\/Blogheader-Ticket-System1.png","contentUrl":"https:\/\/www.inovex.de\/wp-content\/uploads\/Blogheader-Ticket-System1.png","width":1500,"height":880,"caption":"Grafik: Menschen arbeiten und es sind Tickets zu sehen"},{"@type":"BreadcrumbList","@id":"https:\/\/www.inovex.de\/de\/blog\/ki-optimierung-in-der-industrie-intelligentes-service-ticket-system-fuer-die-wartung-teil-2\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.inovex.de\/de\/"},{"@type":"ListItem","position":2,"name":"KI-Optimierung in der Industrie: Intelligentes Service-Ticket-System f\u00fcr die Wartung (Teil 2)"}]},{"@type":"WebSite","@id":"https:\/\/www.inovex.de\/de\/#website","url":"https:\/\/www.inovex.de\/de\/","name":"inovex GmbH","description":"","publisher":{"@id":"https:\/\/www.inovex.de\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.inovex.de\/de\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/www.inovex.de\/de\/#organization","name":"inovex GmbH","url":"https:\/\/www.inovex.de\/de\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.inovex.de\/de\/#\/schema\/logo\/image\/","url":"https:\/\/www.inovex.de\/wp-content\/uploads\/2021\/03\/inovex-logo-16-9-1.png","contentUrl":"https:\/\/www.inovex.de\/wp-content\/uploads\/2021\/03\/inovex-logo-16-9-1.png","width":1921,"height":1081,"caption":"inovex GmbH"},"image":{"@id":"https:\/\/www.inovex.de\/de\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/inovexde","https:\/\/x.com\/inovexgmbh","https:\/\/www.instagram.com\/inovexlife\/","https:\/\/www.linkedin.com\/company\/inovex","https:\/\/www.youtube.com\/channel\/UC7r66GT14hROB_RQsQBAQUQ"]},{"@type":"Person","@id":"https:\/\/www.inovex.de\/de\/#\/schema\/person\/5e5726e729b0cff62d514f0308257052","name":"Anastasiia Malyk","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.inovex.de\/de\/#\/schema\/person\/image\/d88d0b6a6cabd7f4505cec3f63430dad","url":"https:\/\/www.inovex.de\/wp-content\/uploads\/1631311478369-96x96.jpeg","contentUrl":"https:\/\/www.inovex.de\/wp-content\/uploads\/1631311478369-96x96.jpeg","caption":"Anastasiia Malyk"},"sameAs":["https:\/\/www.linkedin.com\/in\/anastasiia-malyk\/"],"url":"https:\/\/www.inovex.de\/de\/blog\/author\/amalyk\/"}]}},"_links":{"self":[{"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/posts\/45809","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/users\/267"}],"replies":[{"embeddable":true,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/comments?post=45809"}],"version-history":[{"count":5,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/posts\/45809\/revisions"}],"predecessor-version":[{"id":61249,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/posts\/45809\/revisions\/61249"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/media\/50460"}],"wp:attachment":[{"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/media?parent=45809"}],"wp:term":[{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/tags?post=45809"},{"taxonomy":"service","embeddable":true,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/service?post=45809"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.inovex.de\/de\/wp-json\/wp\/v2\/coauthors?post=45809"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}