it’s owl-ML4Pro²: Maschinelles Lernen für die Produktion und deren Produkte

Motivation
Ziel des Verbundprojektes ist es, maschinelles Lernen (ML) für Intelligente Technische Systeme (ITS) nachhaltig verfügbar zu machen. Dieses erfordert den Transfer neuester ML-Methoden auf die in ITS zentralen Handlungsfelder, um ML-Technologien in die Produkte und in die Produktionsketten zu bringen, und umgekehrt das Bewusstsein der Unternehmen, wann und wie ML in agile Geschäftsmodelle und Produktionsketten integriert werden kann, zu schärfen. Das Verbundprojekt setzt auf den Digitalisierungsstrategien der beteiligten Unternehmen und der ML-Expertise der beteiligten Forschungspartner auf, um den Schritt zu einer effizienten Nutzung digitaler Daten durch ML zu realisieren.

Herausforderungen
Technische Innovationen basieren zunehmend auf maschinellem Lernen. ML hat das Potential, durch die Extraktion von Wissen aus digitalen Daten auf allen Stufen der Unternehmensprozesse Mehrwerte zu generieren. Mit den aktuellen ML-Forschungsthemen „Hybride Lernverfahren“, „Integration von Expertenwissen“, „Erklärungsfähigkeit“ und „Lernen auf Datenströmen in eingebetteten Systemen“ greift das Verbundprojekt zentrale Fragestellungen für ITS auf. Die ML-Methoden werden anwendungsübergreifend anhand von drei industriellen Anwendungsfällen betrachtet, die sowohl für die Produktion als auch für deren Produkte zukunftsweisend sind.

Forschungsaktivitäten
Die Anwendbarkeit der ML-Verfahren im industriellen Umfeld basieren zentral auf einer Interpretierbarkeit der betrachteten Modelle. Für eine breite Akzeptanz solcher Verfahren müssen Fragen der Validierung von ML-Methoden geklärt werden. Dieses verlangt nicht nur die Einsicht in die Verfahren, sondern auch die Integration von Vorwissen, um semantisch sinnvolle Erklärungen generieren zu können.
Ein weiterer Aspekt in diesem Zusammenhang ist die Bestimmung der Glaubwürdigkeit einer Informationsquelle. Es gilt zu unterscheiden, ob die von der Messtechnik bereitgestellten Daten den Systemzustand wiedergeben oder auf defekte Sensoren und Umwelteinflüsse hinweisen. Darüber hinaus ist die Qualitätsbeurteilung und anschließende Rückkopplung zur Beeinflussung des Prozesses und Erweiterung der Wissensbasis ein Themengebiet, das im Umfeld der ITS eine unzureichende Aufmerksamkeit erhält.