Maschinelles Lernen auf seinem Weg in die Produktion
Für maschinelles Lernen gibt keine allgemeine Vorgehensweise und wenig Erfahrung. Sechs Institute haben durch das Projekt ML4P ein Vorgehensmodell entwickelt.
Das Wichtigste in Kürze
- Moderne Produktionsanlagen durch maschinelles Lernen zu verbessern, ist nicht einfach.
- Denn es fehlt an Erfahrungswerten und Experten in diesem Bereich.
- Sechs Fraunhofer-Institute haben nun zusammen ein Vorgehensmodell erarbeitet.
Für maschinelles Lernen (ML) gibt es weder eine standardisierte Vorgehensweise noch Experten oder Erfahrungen, auf welche zurückgegriffen werden könnte. Doch gerade in modernen Produktionsanlagen hätte diese Methode grosses Potenzial. Denn wie «Maschinenmarkt» berichtet, können Verbesserungsmöglichkeiten in den hochkomplexen Produktionsanlagen nur durch das ML erreicht werden.
Es fehlt an Methoden für maschinelles Lernen
Zudem fehlt es auch an wiederverwendbaren Komponenten im Produktionsumfeld. Auch, dass sich Rahmenbedingungen ändern können und der laufende Betrieb angepasst werden muss gewährleistet sein.
Sechs Institute arbeiten an ML4P
Für das Projekt ML4P haben sich sechs Fraunhofer-Institute zusammen getan. Durch die Zusammenarbeit und das dementsprechend breite Wissen werden grundlegende Methoden wie auch entsprechende Softwarelösungen entwickelt. Die ML-Methode analysiert anschliessend die Daten, welche die Produktionsanlage zuvor erfasst, formalisiert und aufbereitet.
Die Herausforderung sei, dass man nicht einfach ein neuronales Netzwerk über die existierenden Modelle stülpen könne. Das erklärt Julius Pfrommer, Teamleiter des Projekts ML4P. Es müsse eine tiefe Integration vorhandener Werkzeuge aus Ingenieurdisziplinen mit den KI-Verfahren erreicht werden. So sei es möglich, auch in Bereichen gute Arbeit zu leisten, wo wenig Daten und Erfahrungswerte zur Verfügung stehen.
