Zielsetzung:
Das Ziel des Forschungsvorhabens ist die Entwicklung eines KI-Lebenszyklus für sich selbst verbessernde
KI-Modelle zur Optimierung industrieller Prozesse. Zur Bewertung potentieller Verbesserungen wird ein
Entscheidungsmodell entwickelt, das automatisch trainierte KI-Modelle hinsichtlich Sensitivität, Spezifität,
Geschwindigkeit, Ressourceneffizienz sowie anderer für den industriellen Prozess relevanter Metriken
bewertet. Ein automatisierter Machine Learning Operation (MLOps) Prozess sorgt für zügige Bereitstellungverbesserter
KI-Modelle in Produktionsanlagen.
Stand der Technik:
Edge Computing ermöglicht den den Einsatz rechenintensiver KI-Modelle direkt vor Ort in der Produktion.
Dies erlaubt eine Datenanalyse in Echtzeit und schnelle Eingriffe mit minimalen Reaktionszeiten, wodurch die
Qualität und Effizienz der Produktionsprozesse verbessert wird. Die Güte der Modelle wird jedoch selten
kontinuierlich überwacht und ein Drift erst spät erkannt. Bei Änderungen der Umgebungsbedingungen dauert
die Aktualisierung dieser Algorithmen üblicherweise Wochen bis Monate und bindet wertvolle Ressourcen im
Unternehmen. Dies hat Auswirkungen auf die Flexibilität und Qualität des Produktionsprozesses und hemmt
die Realisierung möglicher Produktivitätssteigerung.
Projektübersicht:
Im gemeinsamen Forschungsprojekt mit dem Fraunhofer IAO und Dareto werden wir Künstliche Intelligenz
(KI) für die Optimierung industrieller Prozesse nutzen. Unser primäres Ziel ist es, einen KI-Lebenszyklus zu
entwickeln, der die KI-Modelle kontinuierlich verbessert. Ein Schlüsselaspekt unseres Ansatzes ist die
Einbindung eines automatisierten Prozesses für maschinelles Lernen (Machine Learning Operations,
MLOps), der die Entwicklung, den Einsatz und die laufende Optimierung von KI-Modellen effizient gestaltet.
Dieser ganzheitliche Rahmen erleichtert den schnellen Einsatz von verbesserten KI-Modellen in realen
industriellen Umgebungen, um die Effizienz und Produktivität erheblich zu steigern.
- Standardisiertes Framework: Im Zuge des Forschungsvorhabens wird ein standardisiertes Framework entwickelt, das bei
der Erstellung von KI-Modellen und mehrstufigen Evaluationsmechanismen unterstützt. Das Framework umfasst die
Erfassung und Vorverarbeitung
relevanter Daten, die Entwicklung von KI-Modellen, sowie die Prüfung und Validierung. Eine
Versionskontrolle und transparente Dokumentation stellt die Nachvollziehbarkeit sicher und sorgt für
Sicherheit entlang des gesamten Prozesses. Durch die Implementierung eines Standards und Best
Practice Beispielen können Unternehmen die Entwicklung ihrer eigenen Modelle beschleunigen.
- MLOPs Integration: Einer der Eckpfeiler unseres Projekts ist die nahtlose Integration eines
automatisierten Prozesses für maschinelles Lernen (MLOps). Mit diesem Prozess schaffen wir einen
schlanken und effizienten Rahmen für den Einsatz und die Pflege von KI-Modellen in realen
industriellen Umgebungen. Dazu gehören die Erstellung automatisierter Bereitstellungspipelines, die
Überprüfung auf Vertrauenswürdigkeit (Trustworthy AI) und anschließende Zertifizierung der
Modellgüte, Verfahren für Modellaktualisierungen und Rollbacks sowie die Umsetzung strenger
Sicherheits- und Compliance-Maßnahmen.
- Real-World Validierung: Durch direkte Zusammenarbeit mit Produktionsunternehmen erhalten wir
Zugang zu realen Prozessdaten und branchenspezifischen Gütekriterien. Die trainierten KI-Modelle
und der entwickelte MLOps Prozess werden unter Realbedingungen validiert und gegebenenfalls
optimiert.
- Ressourceneffizienz und Nachhaltigkeit: Das Forschungsprojekt konzentriert sich auf die
Quantifizierung greifbarer Vorteile der KI-gestützten Prozessoptimierung. Verbesserungen der
Energie-, Material- und Arbeitseffizienz werden bewertet und mögliche Kostensenkungen durch KIgesteuerte
Prozessverbesserungen aufgezeigt. Gemeinsam werden Strategien für eine langfristige
Ressourceneffizienz entwickelt.