Domänenexperten erstellen eigenständig Machine-Learning-Lösungen

Machine Learning für alle!

Weidmüller setzt mit der Industrial AutoML Software auf einen einfachen KI-Einsatz im Maschinen- und Anlagenbau. Dazu hat das Unternehmen die Anwendung soweit standardisiert und vereinfacht, dass Domänenexperten ohne Spezialwissen im Bereich Data Science eigenständig Lösungen realisieren können. Das Software Tool führt den Anwender in wenigen Schritten durch Modellentwicklung und Training, weshalb der Anbieter hier auch von Guided Analytics spricht.
Bild: Weidmüller Gruppe

Der Fokus von Weidmüller liegt auch bei Machine Learning auf dem Maschinen- und Anlagenbau – damit erstreckt sich das Anwendungsgebiet aber über zahlreiche Branchen und Marktsegmente. Entsprechend reicht das Spektrum der bereits umgesetzten Referenzen von Schweißapplikationen in der Automobilindustrie über Separatoren in der Nahrungsmittelindustrie bis zu Werkzeugmaschinen.

Nur die Daten zählen

„Die Art der Maschine ist für das Industrial AutoML Tool eigentlich komplett egal“, sagt Tobias Gaukstern, VP Industrial Analytics bei Weidmüller. „Wichtig sind für uns nur die erfassten Maschinendaten bzw. Zeitreihendaten, die aus der Steuerung, der Sensorik oder der Aktorik kommen: Ströme, Spannungen, Drehmomente, Temperaturen und und und.“ Maschinenbauer und Fertigungsbetreiber stehen in der Regel vor der Herausforderung, diese Daten sinnvoll zu nutzen – etwa um Unregelmäßigkeiten oder Störungen vorherzusehen oder auch die Qualität der gefertigten Produkte in Echtzeit sicherzustellen bzw. zu dokumentieren. Mit solchen Analysemethoden lassen sich also nicht nur Stillstände vermeiden, sondern auch deutlich aufwändigere Prüfmethoden im Produktionsprozess. „Soll eine smarte Analytics-Lösung umgesetzt werden, musste bisher ein komplexer Prozess durchlaufen werden“, betont Gaukstern. Daten müssen aufbereitet und die passenden Methoden und Verfahren gewählt werden. „Es gibt eine große Vielfalt an Machine-Learning-Verfahren“. Und das ist nur der Anfang. Es warten zahlreiche weitere Fragen auf den Anwender: Passt das Verfahren zum Use Case und zur Datenlage? Welcher Teil des Datensatzes spiegelt das Normalverhalten wieder? Reichen die Rohdaten überhaupt aus? Welche Features sollten genutzt werden, um ein gutes ML-Modell zu trainieren? Solchen Fragen sind im Zuge einer Machine-Learning-Anwendung zu beantworten – normalerweise unter Zuhilfenahme von Data-Scientists. „Doch alleine können sie die Anwendung nicht umsetzen“, fährt Gaukstern fort. „Die identifizeirten mathematischen Zusammenhänge in den Daten sind immer auch ingenieursmäßig zu interpretieren.“

Bild: Weidmüller Gruppe

Domänenwissen entscheidet

Ergo: Für erfolgreiches maschinelles Lernen sind also auch Leute erforderlich, die auf Seite der Produktionsprozesse ausreichend Expertise und Erfahrung einbringen können. „Beide Personengruppen müssen zusammenarbeiten“, erklärt Gaukstern und ergänzt augenzwinkernd: „Oder etwa doch nicht?“ Denn Weidmüller hat sich das Ziel gesetzt, Machine Learning so weit zu vereinfachen, dass der Maschinenexperte diese Aufgabe alleine lösen kann. „Im ersten Schritt kaum vorstellbar“, so Gaukstern. Schließlich gebe es 1.040 Kombinationsmöglichkeiten, um eine Machine-Learning-Pipeline zu erstellen. Doch gerade diese Komplexität spreche dafür, den Prozess zu automatisieren. Nur so lasse sich Machine Learning auch in der industriellen Breite anwenden. „Es gibt letztlich viel zu wenig Data-Scientists“, unterstreicht Gaukstern, „die Domänenexperten sind hingegen viel zahlreicher und ihr Applikationswissen ist ohnehin notwendig, um eine ML-Lösung zu erarbeiten.“ Diese Erkenntnis hat Weidmüller zur Vision gebracht: „Wir wollen Machine Learning so vereinfachen, so dass Domänenexperten eigenständig Lösungen entwickeln und ihr Anwendungswissen in Mehrwert überführen können – ohne das Data Science Expertise notwendig ist“, bringt es Gaukstern auf den Punkt. Dafür hat das Unternehmen die Industrial AutoML Software geschaffen. „Den technologischen Ansatz dahinter nennen wir Automated Machine Learning – kurz AutoML.“ Ganz automatisch läuft der Prozess aber nicht ab. „Wir haben uns entschlossen, an dedizierten Stellen das Wissen der Experten abzufragen und sie somit durch die Modellbildung und das Training zu führen.“

„Man ist mit AutoML in der Lage einen Proof-of-Concept in nur rund einer Stunde umzusetzen.“ Tobias Gaukstern, Weidmüller – Bild: Weidmüller Gruppe

In vier Schritten zum passenden Modell

Den Prozess hat Weidmüller in vier Hauptschritte unterteilt. Damit gelinge Machine Learning sehr schnell „Mit dem AutoML Toll sind Ingenieure in der Lage einen Proof-of-Concept in nur rund einer Stunde umzusetzen“, versichert Tobias Gaukstern. „Ein Data Scientist braucht dafür schon mal 20 Tage oder mehr.“ Das allein zeige, welches Potenzial AutoML mitbringe. Für die gesamte Entwicklung einer Machine-Learning-Anwendung stellt der Anbieter eine Zeitersparnis von bis zu 80 Prozent in Aussicht. Durch den No-code-Ansatz muss dabei nichts programmiert werden. „Und auch sonst haben wir die Komplexität weitgehend verborgen“, erklärt Gaukstern. „Von den 1.040 Optionen bei der Modellbildung kriegt der Anwender eigentlich gar nichts mit.“ Stattdessen soll sich der Nutzer darauf konzentrieren sein spezielles Prozess- bzw. Domänenwissen einzubringen. Insgesamt sind nur vier Schritte zu durchlaufen, um ein erstes ML-Modell zu trainieren.

Seiten: 1 2Auf einer Seite lesen

Weidmüller GmbH & Co. KG

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.