Die Demokratisierung von maschinellem Lernen in der Industrie

 (Bild: Weidmüller Gruppe)

(Bild: Weidmüller Gruppe)

Industrial-Analytics-Lösungen zur Realisierung von Predictive Maintenance finden zunehmend Verbreitung. Um die Werte aus den Maschinendaten zu extrahieren, werden diese mit Hilfe von Machine Learning analysiert und entsprechende Modelle entwickelt. Machine Learning Modelle (ML-Modelle) werden heute in der Regel von Data Scientists kreiert. Ihr Expertenwissen im Bereich künstlicher Intelligenz (KI) Machine Learning (ML), Statistik und Mathematik ist notwendig, um performante ML-Modelle zu erstellen. Es gibt erste Software-Werkezeuge, um Teile des Modellbildungsprozesses zu automatisieren und den Data Scientists einen erheblichen Teil ihrer Arbeit abzunehmen. Beispiele solcher Werkzeuge werden unter anderem von Rapidminer, Kinme, DataRobot, Presenso, Microsoft oder IBM angeboten. Diese Automated Machine Learning Tools beschleunigen die Entwicklung von ML-Modellen erheblich. Zur Anwendung ist allerdings tiefgreifendes Wissen im Bereich Data Science notwendig. Darüber hinaus muss der Data Scientist immer noch mit dem Applikationsexperten sprechen, um die gefundenen Zusammenhänge in den Daten ingenieurmäßig bezüglich des Maschinenverhaltens oder des Produktionsprozesses zu interpretieren.

Automatische Erzeugung von ML-Modellen

Die Idee von Weidmüller ist ein völlig neuer Ansatz bei der Realisierung einer Automated-Machine-Learning-Software für den Maschinen- und Anlagenbau. Die Domänenexperten werden befähigt auf Basis ihres Applikationswissens eigenständig ML-Modelle zu erzeugen. Das Auto-ML-Tool besteht aus vier Modulen zur Modellbildung, -ausführung, -optimierung und zum Management der Modelle über ihren Lebenszyklus: Mit dem Modul zur Modellbildung können ML-Modelle zur Anomalieerkennung, Klassifikation und Fehlervorhersage erzeugt werden. Dabei wird der Nutzer durch den Modelbildungsprozess geführt, so dass er gezielt sein Applikationswissen einbringen kann. Auf Basis dieses Wissens werden automatisch alternative ML-Modelle erzeugt, optimiert, validiert und gegeneinander vergleichen. Am Ende des Modellbildungsprozesses kann der Nutzer das für seine Applikation am besten passende Modell nach bestimmten Kriterien wie Modellgüte oder Ausführungszeit auswählen, exportieren und speichern oder in die automatisch generierbare Ausführungsumgebung überführen. Die Ausführungsumgebung dient zum Betrieb der ML-Modelle in der Cloud oder in einer on-Premise-Anwendung. Sie ist plattformunabhängig und skaliert automatisch gemäß der Anzahl der auszuführenden Modelle. Darüber hinaus stellt die Ausführungsumgebung die Modellergebnisse verständlich dar, so dass der Nutzer konkrete Handlungen z.B. zur Fehlervermeidung umsetzten kann. Das Modul zur Optimierung der ML-Modelle im Betrieb ermöglicht es dem Anwender die Modelle kontinuierlich zu verbessern. Neue Betriebssituationen einer Maschine oder neue Ereignisse können den Modellen mit wenigen Klicks hinzugefügt werden, wodurch sich die Leistungsfähigkeit der Modelle über ihren Lebenszyklus steigern lässt. Mit dem vierten Modul werden die ML-Modelle über ihren Lebenszyklus verwaltet. Enthalten sind unter anderem Funktionen zur Versionierung, Wiederherstellung, Modellüberwachung, etc. Das Automated-Machine-Learning-Tool von Weidmüller ist der erste Software-Service, der Domänenexperten in die Lage versetzt, eigenständig ML-Modelle zu erzeugen – ohne selbst Data Scientist zu sein und ohne spezielles Wissen im Bereich KI und ML zu haben. Dabei kann ein erstes Modell bereits in 20 Minuten generiert werden, wobei die erzeugten Modelle denen einer vollständig automatisierten Lösung sowie klassischen Condition Monitoring Lösungen überlegen sind. In ersten Pilotprojekten ist nachgewiesen, dass das Einbringen des Applikationswissens die Modellgüte signifikant erhöht. Das Auto-ML-Tool generiert sogar ML-Modelle, die dem von einem Data Scientist kreierten Modell überlegen sind. Möglich ist dies durch die geschickte Kombination des Auto-ML-Ansatzes mit dem Domänenwissen.

Akzeptanz von KI und ML schaffen

Die Rückmeldung der ersten Pilotanwender bei Maschinenbauern und -betreibern ist, dass der Auto-ML-Service in seiner Funktionsweise und in der Nutzerführung optimal auf die Bedürfnisse der Anwender zugeschnitten ist. Darüber hinaus wird die intuitive und einfache Anwendung von Machine Learning betont. Durch diese sogenannte User Experience gelingt es die Datenanalyse- und Modellbildungsschritte begreifbar zu machen und eine Akzeptanz von KI und ML zu schaffen. Dazu wird der Nutzer während des Modellbildungsprozesses derart mit Informationen versorgt, dass er den Einfluss seines Wissens auf die Modellgüte nachvollziehen kann. Mit den oben skizzierten vier Software-Modulen ist das Automated-Machine-Learning-Tool vollständig durchgängig – von der Modellerstellung, über den Betrieb bis hin zur Möglichkeit der selbstständigen Weiterentwicklung bietet die Software eine Ende-zu-Ende Lösung. Dies stellt sicher, dass die einmal erzeugten Modelle auch tatsächlich in den Betrieb überführt und langfristig angewendet werden. Dass heute nur ca. 60 Prozent der initial erzeugten Modelle in die Produktivumgebung überführt und betrieben werden, zeigt das große Potenzial, dass durch das Automated-Machine-Learning-Tool erschlossen wird.Damit wird die Vision hinter dem Auto-ML-Service in beeindruckender Art und Weise umgesetzt: Die Anwendung von Machine Learning für die Industrie zu Demokratisieren. Auch deshalb hat der Auto-ML-Service als Nutzergruppe die Domänenexperten im Fokus. Im Vergleich zur Anzahl der verfügbaren Data Scientists gibt es zahlreiche Domänenexperten, so dass die Durchdringung von industriellen Anwendungen mit KI und ML beschleunigt wird.

Weidmüller Interface GmbH & Co. KG
www.weidmueller.de

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige