Neuronale Netze können heute oft auf Basis von Rohdaten lernen. Jedoch gibt es viele Gründe dafür die Phase der Merkmalsextraktion getrennt zu betrachten. Zum einen kann dies das Fehlen von genügend annotierten Daten sein, zum anderen kann es auch Sinn machen insbesondere Sensordaten nicht nur für einen Verarbeitungszweck vorzuverarbeiten.
Insbesondere bei großen Zeitreihen, kann es extrem schwer sein robuste Merkmale zu extrahieren, welche sich im laufenden Betrieb kontinuierlich auswerten lassen und im Idealfall zu einer massiven Datenreduktion beitragen können. Sowohl die konstruktive Generierung von Merkmalen als auch die Merkmalsselektion auf Basis großer Merkmalsbibliotheken ist extrem zeitaufwändig. Außerdem sind Merkmale auf Zeitserien oft von weiteren Hyperparametern, wie einer Fensterlänge abhängig. Oft eingesetzte Bibliotheken wie tsfresh von BlueYonder sind in die Jahre gekommen.
Das KIT hat jahrelange Erfahrung sowohl im Bereich der automatischen Merkmalsselektion als auch im Engineering, hinzu kommt die Kompetenz in der Nutzung paralleler HPC Systeme. Nutzen Sie unsere Expertise um Merkmalsräume effizient auf Basis von Zeitseriendaten zu erlernen. Unsere Expertise reicht zu von Neuronalen Netzen mir Aufmerksamkeitsmechanismen zur Mustererkennung, die sowohl in der Zeit als auch in der Frequenzdomäne arbeiten bis hin zu klassischen Merkmalen, die z.B. auch elektronisch implementierbare Vorverarbeitungsketten emulieren können.
Wir können ihnen Lösungen anbieten die sich vergleichsweise recheneffizient, aber insbesondere parallelisierbar implementieren lassen und so auch mit großen Datenmengen zurechtkommen könnnen.
