Im vergangenen Jahr wurden die verschiedenen Use Cases von AI4ScaDa vorgestellt - ein Projekt, das spezielle KI-Techniken erforscht, die im Kontext von Scarce Data gewinnbringend eingesetzt werden können. Im Gegensatz zu Big Data bezeichnet Scarce Data wenige oder unvollständige, aber oft präzise Daten. Die Herausforderung besteht aber gerade darin, dass KI-Systeme stark von der Qualität und Quantität der Daten abhängen. Stehen nur sehr wenige Daten zur Verfügung, können viele KI-Prozesse nicht mit menschlicher Expertise mithalten.
Erste Ergebnisse im Forschungsprojekt
In diesem Jahr standen die ersten greifbaren Ergebnisse im Mittelpunkt der Präsentation. Dank intensiver Forschungsarbeit und enger Zusammenarbeit zwischen den Industriepartnern GEA, SU BIOTEC und Miele und den Forschungseinrichtungen Institut für industrielle Informationstechnik (inIT) und Center for Applied Data Science Gütersloh (CfADS) konnten beeindruckende Fortschritte erzielt werden. Zentrale Ergebnisse sind die Entwicklung und Implementierung von raumfüllenden Versuchsplänen für die Aufnahme von Scarce Data, die neben numerischen Größen auch kategorische Parameter optimieren können sowie der Aufbau eines Datensatzes mit Unsicherheiten in den Labeln.
Während das AI4ScaDa-Projekt weiterhin seine ehrgeizigen Ziele verfolgt, bleibt eines klar: Die Zukunft der industriellen Automatisierung wird maßgeblich von künstlicher Intelligenz geprägt sein. Initiativen wie diese spielen eine entscheidende Rolle bei der Gestaltung dieser Zukunft.
Raumfüllende Versuchspläne mit kategorischen Parametern
Raumfüllende Versuchspläne ermöglichen es Unternehmen, Faktoren und ihre Wechselwirkungen effizient zu untersuchen. Durch die gleichzeitige Variation mehrerer Parameter in wenigen Experimenten können Unternehmen Ressourcen sparen, Prozesse optimieren, Kosten senken, die Produktentwicklung beschleunigen und eine bessere Entscheidungsgrundlage schaffen. Insgesamt helfen raumfüllende Versuchspläne den Unternehmen, ihre Forschungs- und Entwicklungsprozesse zu verbessern und wettbewerbsfähiger zu werden.
Häufig werden jedoch nur numerische Faktoren optimiert. Bei den Projektpartnern treten aber auch kategorische Faktoren auf, die ebenfalls optimiert werden müssen. Beim Projektpartner GEA ist dies beispielsweise die Farbe der abgetrennten Stoffe oder die Art der Produkte, die in den Separatoren oder Dekantern separiert werden sollen. Bei der SU BIOTEC ist es die Art des Düngers oder der Belichtung, die für die Pflanzenaufzucht verwendet werden, und bei Miele u. a. die Art des verwendeten Trocknerprogramms. Es besteht also ein Bedarf an raumfüllenden Versuchsplänen mit kategorischen Größen für die gezielte Aufnahme von Scarce Data.
Datensatz mit Unsicherheiten
Ein weiterer Fokus liegt darauf, die räumlich kategorische Versuchsplanung auf einen größeren Datensatz zur Produktauslegung bei GEA anzuwenden. Der Datensatz wird derzeit von Expertinnen und Experten gelabelt. Das Besondere hierbei ist, dass nicht nur statische Label, sondern auch Unsicherheiten bzw. Unschärfen erfasst werden. Die Fachleute sagen genau, wie sicher sie sich bei der Kennzeichnung fühlen oder ob sie bei einem bestimmten Beispiel unsicher sind. Diese zusätzlichen Informationen können mithilfe von KI-Verfahren zur Informationsfusion nutzbar gemacht werden. Informationsfusion bezeichnet den Prozess der Zusammenführung von Informationen aus verschiedenen Quellen, wie z. B. Sensordaten oder Fachwissen, um eine ganzheitlichere Sicht zu erhalten. Ziel ist es, die Qualität, Genauigkeit und Zuverlässigkeit von Informationen zu verbessern, um fundierte Entscheidungen treffen zu können.
Christoph-Alexander Holst, Leiter der Forschungsgruppe in der Arbeitsgruppe Diskrete Systeme von Prof. Dr. Volker Lohweg am inIT, betont die Bedeutung der Ergebnisse: "Bisher gibt es nur wenige Datensätze, die in großem Umfang Unschärfen in Labeln enthalten. Mit unserer Forschungsarbeit in AI4ScaDa schließen wir diese Lücke und ermöglichen es uns und der Forschungsgemeinschaft, KI-Verfahren hinsichtlich dieser Unschärfen zu optimieren und zu validieren".
Links:
Link letzte Strategietagung: https://www.init-owl.de/aktuelles/news/detail/ai4scada-auf-der-its-owl-strategietagung-2023/
Link ausführlichere Beschreibung der Use Cases: https://www.init-owl.de/aktuelles/news/detail/koordinationstreffen-des-its-owl-projektes-artificial-intelligence-for-scarce-data-ai4scada-im-innovationspin/