Echter Mehrwert für Unternehmen durch KI
Am 2. Dezember 2024 trafen sich die Partner des it’s-OWL-Forschungsprojektes Artificial Intelligence for Scarce Data (AI4ScaDa) zum fünften Koordinationstreffen bei Miele, um die bisherigen Ergebnisse vorzustellen und gemeinsam zu diskutieren. Das innovative Projekt vereint die Expertise der Unternehmen SU BIOTEC, GEA und Miele mit den Kompetenzen des Center for Applied Data Science (CfADS) der Hochschule Bielefeld und des Instituts für industrielle Informationstechnik (inIT) der Technischen Hochschule Ostwestfalen-Lippe (TH OWL).
Prozessoptimierung durch KI
AI4ScaDa verfolgt das Ziel, Prozesse, die mit begrenzten und kostenintensiv erzeugten Daten - sogenannten „Scarce Data" - arbeiten, durch den Einsatz von Künstlicher Intelligenz (KI) zu optimieren. Das Projekt zeichnet sich sowohl durch drei unterschiedliche Anwendungsfelder als auch einer breit gefächerten Partnerschaft aus und bietet neue Ansätze für datenbasierte Innovationen in der Industrie.
Modellierung einer Spenderpflanzenanzucht
Ein Beispiel für die Bedeutung prozesssteuernder Maßnahmen ist die Pflanzenzucht, bei der Faktoren wie die Wahl des Lichtspektrums oder Temperaturanpassungen in verschiedenen Entwicklungsstadien entscheidend für den Zuchterfolg sind. KI-Methoden unterstützen diesen Prozess, indem sie die wichtigsten Parameter und Einstellungen abschätzen und wertvolles Wissen für die Optimierung des Anzuchtprozesses liefern. Bei der SU BIOTEC wurde hierfür eine Modellierung der Spenderpflanzenanzucht entwickelt, deren generierte Daten über das Projekt hinaus aufgenommen und ausgewertet werden.
Expertenwissen bewahren
GEA, einer der weltweit größten Anbieter von Systemen zur mechanischen Klärung und Trennung von Flüssigkeiten in verschiedenen Industrien, steht vor der Herausforderung, das über Jahrzehnte aufgebaute Expertenwissen von Laboringenieurinnen und –ingenieuren zu erhalten. Im Rahmen des Projekts wurde das Expertenwissen durch Datenaugmentierung gezielt erfasst und in KI-Modellen verdichtet. Anhand der interpretierbaren Modelle waren die Expertinnen und Experten in der Lage, die Modelle zu validieren und auf Plausibilität zu prüfen. Dieses Wissen kann zukünftig anderen Mitarbeitenden zur Unterstützung zur Verfügung gestellt werden.
„Es war beeindruckend zu sehen, dass die Expertinnen und Experten in der Lage waren, die Plausibilität der Modelle zu validieren. Damit haben wir gezeigt, dass wir mit den Modellen einen echten Mehrwert für die Unternehmen erzielen können“, sind sich Julian Bültemeier, wissenschaftlicher Mitarbeiter in der Arbeitsgruppe Diskrete Systeme von Prof. Dr. Volker Lohweg, und Christoph-Alexander Holst, Forschungsgruppenleiter dieser Arbeitsgruppe, einig.
Lernen auf Scarce-Zeitreihen
Im Anwendungsfall von Miele im Projekt AI4ScaDa geht es um die Entwicklung intelligenter Wäschetrockner. Hierfür stehen insbesondere Zeitreihen aus Dauertests zur Verfügung, die zwar zahlreich vorhanden sind, aber häufig nur den „guten“ Zustand der Maschinen erfassen, wodurch die Varianz in den Daten sehr gering ist. Im Rahmen des Projektes wurden daher Verfahren zur Aufbereitung solcher Zeitreihen untersucht. Ziel ist es, eine Blaupause für das Lernen und den Umgang mit solchen Zeitreihen zu erstellen, um die Daten in Zukunft besser auswerten zu können.
Generalisierung des KI-Workflows
Im Projekt wird an der Zusammenführung der umgesetzten Lösungsbausteine in einer Software zur Generierung des KI-Workflows gearbeitet. Eine erste Live-Demonstration dieses Workflows wurde auf dem Meilensteintreffen vorgestellt. Derzeit wird an den letzten Komponenten gearbeitet. Im Konsortium wird die Usability des Workflows evaluiert, um zukünftig einen breiten Transfer und die Nutzbarkeit in der Industrie zu ermöglichen.
Mehr zu AI4ScaDa
Das it’s-OWL-Innovationsprojekt AI4ScaDa widmet sich der Erforschung spezieller KI-Techniken, die im Kontext von Scarce Data gewinnbringend eingesetzt werden können. Im Gegensatz zu Big Data bezieht sich der Begriff "Scarce Data" auf eine begrenzte Menge oder unvollständige, jedoch oft in Laboren erhobene Daten. Die zentrale Herausforderung besteht darin, dass KI-Systeme stark von der Qualität und Quantität der verfügbaren Daten abhängen. Wenn nur sehr wenige Daten zur Verfügung stehen, können KI-Prozesse häufig kaum mit menschlicher Expertise mithalten. AI4ScaDa zielt darauf ab, diese Lücke zu schließen und Unternehmen dabei zu unterstützen, auch in datenknappen Umgebungen die Vorteile der Künstlichen Intelligenz zu nutzen.