Software entwickeln mit Low Code, No Code und GPT-3

Domänenwissen schlägt Coding-Skills

Begrenzte IT-Expertise und Ressourcen, Fachkräftemangel: Die Digitalisierung stellt kleine und mittelständische Unternehmen vor Herausforderungen. Low-Code- und No-Code-Technologien treten an, dieses Dilemma zu lösen. Sie befähigen alle Arbeitskräfte mit Domänenwissen, eigene Anwendungen zu erstellen - ohne große IT-Abteilung dahinter.

Zwei positive Effekte

Mit der Industrial-AutoML-Lösung demokratisiert Weidmüller das Machine Learning
Mit der Industrial-AutoML-Lösung demokratisiert Weidmüller das Machine Learning – Bild: Weidmüller Gruppe

Die Umstellung auf das lernfähige No-Code-System verringert die Zeit vollautomatisierter robotergeführter Qualitätsprüfungen drastisch: Heute wird bis zu 15-mal weniger Zeit gebraucht. Zudem liegt das so generierte Wissen in einer generalisierten und kommunizierbaren Form vor, so dass die Modelle über die Cloud weltweit kollaborativ genutzt werden können.

KI-Use Case in einer Stunde

Datenbasierte Services sorgen mit steigender Tendenz für Differenzierung am Markt. Je stärker aber Daten in den Mittelpunkt rücken, desto wichtiger werden ihre unkomplizierte Analysen – im Idealfall durch die Leute mit Domänenwissen, aber ohne Programmierkenntnisse. Die Weidmüller Gruppe aus dem westfälischen Detmold hat sich mit ihrer AutoML-Lösung genau dieses Ziel gesetzt, um maschinelles Lernen (ML) in der Industrie breiter zu etablieren. Weidmüller hat die eigene Anwendung für das maschinelle Anlernen von Algorithmen so vereinfacht, dass Arbeitskräfte mit Domänenwissen ohne Hilfe von IT- oder Daten-Fachleuten KI-Lösungen eigenständig realisieren können. Diese Fachleute können in weniger als einer Stunde ein erstes Machine-Learning-Modell für ihren Use Case erstellen und auf der Maschine ausführen. Speziell für KI ausgebildete Data Scientists hatten früher für dieselbe Aufgabe mehrere Wochen bis Monate im Rahmen von speziellen Projekten gebraucht.

Technik demokratisieren

RCV-Labeltool zum einfachen Markieren der Bilder und Definieren von Kategorien
RCV-Labeltool zum einfachen Markieren der Bilder und Definieren von Kategorien Bild: Robotron Datenbank-Software GmbH

Grundlage solcher Modelle ist eine von Weidmüller entwickelte automatisierte Machine-Learning-Lösung, Industrial AutoML, die für Anwendungsfälle wie Anomalie-Erkennung, Klassifizierung und kontextbezogene Entscheidungsfindung trainiert werden kann. Weidmüller nutzt dafür eine Kombination von Services aus der Microsoft-Cloud, um Daten von jedem Ort zu sammeln, zu integrieren und zu speichern – und vor allem aber, um sie sicher in der Cloud verarbeiten zu können. Bei der Erstellung von KI- und ML-basierten Modellen führt die Weidmüller-Software über sogenannte Guided Analytics durch den Prozess, fragt Domänenwissen ab und übersetzt es in eine Machine-Learning-Anwendung. So entsteht in der Kombination von ML und Fachwissen ein qualitativ hoch angereicherter Datensatz, auf dem das Training, die Optimierung und die Validierung alternativer ML-Modelle automatisch erfolgen. Für den Start reichen normalerweise schon wenige Megabytes an Trainingsdaten, um zumindest den Use Case eines KI-Modells zu evaluieren. Wieviel Daten insgesamt für das Training der Algorithmen notwendig sind, hängt von vielen unterschiedlichen und individuellen Faktoren ab, etwa von der Abstraktheit der Daten und der Häufigkeit der Anomalien.

Seiten: 1 2 3Auf einer Seite lesen

Microsoft Deutschland GmbH

Das könnte Sie auch Interessieren

Bild: Fraunhofer IGD
Bild: Fraunhofer IGD
Software Arrange beschleunigt Absortierprozesse

Software Arrange beschleunigt Absortierprozesse

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.

Bild: Coscom Computer GmbH
Bild: Coscom Computer GmbH
Software-Plattform für KI und maschinelles Lernen

Software-Plattform für KI und maschinelles Lernen

Vermehrt interessieren sich Unternehmen dafür, auf Basis ihrer Fertigungsinformationen Verbesserungspotenziale in der Produktionsplanung und -steuerung zu heben. Maschinelles Lernen und künstliche Intelligenz (KI) kann aber nur dann wirtschaftlich sinnvoll eingesetzt werden, wenn alle relevanten Daten im Zugriff sind und deren Struktur zu den Anwendungen passen. Das Coscom-ECO-System soll eine Plattformökonomie als Basis für Business Intelligence (BI) bieten.

Bild: Benteler International AG
Bild: Benteler International AG
Produktionsfehler: KI findet die Nadel im Heuhaufen

Produktionsfehler: KI findet die Nadel im Heuhaufen

In der Qualitätsprüfung ist Zeit ein wichtiger Faktor: Wer Fehler rechtzeitig findet, kann sie effektiv und kostensparend beheben. Gemeinsam mit dem Fraunhofer IEM setzt der Automobilzulieferer Benteler dafür in der Warmumformung von Fahrzeugteilen auf Echtzeit-Sensordaten und Künstliche Intelligenz. Damit können Produktionsfehler schneller erkannt, behoben und zukünftig sogar vermieden werden.

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.