(eve) Um die Herausforderungen zu überwinden und einen ML-Einsatz in der Produktion weniger aufwändig und besser handhabbar zu machen, haben Fraunhofer-Forscher unter der Federführung des Fraunhofer IOSB, Karlsruhe, im Rahmen des 2018 gestarteten Leitprojekts »ML4P – Machine Learning for Production« ein allgemein anwendbares Vorgehensmodell entwickelt. Während die Arbeiten an den zugehörigen Software-Tools noch laufen, wurde das Vorgehensmodell veröffentlicht und ist als Publikation frei verfügbar.
Ein Modell, viele Anwendungen
Das Vorgehensmodell kann unabhängig von der konkreten Anwendung breit eingesetzt werden. Es gliedert sich in sechs Phasen mit klar definierten Ergebnissen und nutzt zwei zentrale Dokumente bzw. Datenstrukturen, die den jeweils aktuellen Wissensstand über alle Phasen hinweg repräsentieren: das »Machine Learning Pipeline Diagramm« und die »virtuelle Prozessakte«.
Hinzu kommt ein Rollenmodell, das die in jeder Phase benötigten Disziplinen, Kompetenzen und Funktionen umfasst. Damit ist der Weg von der Problemstellung bis zum kontinuierlichen Betrieb des ML-basierten Systems umfassend beschrieben. Insbesondere werden das Wissensmanagement und die Schnittstellen definiert, die erforderlich sind, um die Skalierung auf große Teams zu ermöglichen. Ein wichtiger Aspekt sei, die Spezifika und Vorwissen aus der Anwendungsdomäne gezielt einzubinden, heißt es aus dem Fraunhofer-Institut.
Die beteiligten Forschungspartner
Beteiligt sind neben den Standorten Karlsruhe und Lemgo des federführenden Fraunhofer IOSB auch die Fraunhofer-Institute für Intelligente Analyse- und Informationssysteme IAIS, für Fabrikbetrieb und -automatisierung IFF, für Techno- und Wirtschaftsmathematik ITWM, für Werkstoffmechanik IWM sowie für Werkzeugmaschinen und Umformtechnik IWU.
Das Vorgehensmodell ist ausformuliert und steht als Publikation in Kurzfassung zur Verfügung. Die ausführliche Langfassung des Vorgehensmodells soll als Fachbuch im kommenden Jahr erscheinen.
Orientierung am Systems Engineering
„Im Leitprojekt ML4P entwickeln sechs Fraunhofer-Institute gemeinsam ein standardisiertes Vorgehensmodell und die zugehörigen Werkzeuge für den Einsatz von ML in der Produktion, um die Herausforderungen zu überwinden“, sagt Prof. Dr.-Ing. habil. Jürgen Beyerer, Leiter des Fraunhofer-Instituts für Optronik, Systemtechnik und Bildauswertung IOSB und Projektleiter von ML4P. „Unser Ansatz des KI-Engineerings orientiert sich in vieler Hinsicht am Systems Engineering. Die breiten Erfahrungen der beteiligten Institute ermöglichen es uns, gleichzeitig die grundlegende Methode zu detaillieren sowie die dazu passende, durchgängige Kette interoperabler Softwarelösungen zu entwickeln.“
Software-Tools bereiten Daten auf
Die Tools dienen dazu, systematisch das relevante Wissen und die Daten einer Produktionsanlage zu erfassen, zu formalisieren und für die Nutzung des ML-Methodenspektrums aufzubereiten. Weiterhin können sie vorhandene Optimierungspotenziale aufspüren und bewerten, bestgeeignete ML-Verfahren anwendungsspezifisch auswählen und diese nutzbringend einsetzen. „Anhand konkreter Verfahren und Anlagen aus der Prozess- und stückgutproduzierenden Industrie können wir die Praxistauglichkeit unserer Ergebnisse direkt überprüfen“, so Beyerer weiter.
Kontakt:
Das Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB
Fraunhoferstraße 1
76131 Karlsruhe
Telefon +49 721 6091–0
Fax +49 721 6091–413
www.iosb.fraunhofer.de
www.iosb.fraunhofer.de/ml4p