Sequenzielle Daten sind Informationen, die in einer spezifischen Reihenfolge organisiert sind, wobei diese Reihenfolge für das Verständnis und die Analyse der Daten entscheidend ist. Das trifft unter anderem auf natürliche Sprache in Form von Texten oder gesprochener Sprache zu, insbesondere aber auch auf Zeitreihen, die bspw. durch Sensoren erzeugt werden.
Zeitreihen spielen vor allem in technischen Zusammenhängen eine große Rolle. Sie bestehen aus Messwerten, die z.B. von Sensoren erfasst werden. Jedem Messwert ist ein eindeutiger Zeitstempel zugeordnet. Hierdurch erhalten die Daten nicht nur eine Reihenfolge, sondern implizit auch eine Information über die Zeitabstände zwischen den Messwerten. Ein Beispiel einer einfachen Zeitreihe, bei der eine Messgröße über die Dauer eines Fertigungsprozesses aufgenommen wird, könnte so aussehen:
Die Messwerte könnten etwa die Prozesskraft einer Werkzeugmaschine, den Druck eines Pressstempels oder die elektrische Leistungsaufnahme einer Anlage widerspiegeln. Anhand der Abbildung können wir mehrere charakteristische Beobachtungen feststellen:
Die festgestellten Merkmale sind typische Beispiele für Herausforderungen, die sich bei der Analyse von Zeitreihen stellen, insbesondere auch wenn eine KI dafür benutzt wird. Es handelt sich nicht um eine triviale Aufgabe, sondern um ein Feld, auf dem nach wie vor intensiv an neuen Methoden geforscht wird. Dabei werden typischerweise folgende Fragestellungen bzw. Ziele adressiert:
Geeignete KI-Modelle für Zeitreihen können beispielsweise dabei helfen, den Ausschuss zu reduzieren, fällige Wartungen vorab zu planen oder die Deckung des Energiebedarfs aus lokalen Erzeugungsanlagen zu optimieren. Indem sie zu einer schnellen und präzisen Entscheidungsfindung beitragen, haben sie das Potenzial, die betriebliche Effizienz in vielen Bereichen zu steigern.
In den nächsten Beiträgen zu dieser Serie werden wir verschiedene Analyse- und KI-Modelle für sequenzielle Daten genauer beleuchten.