Motivation
Der Maschinen- und Anlagenbau macht einen großen Teil der deutschen Exporte aus, doch der Wettbewerb mit anderen Industrienationen nimmt zu. Um auf diesem Markt bestehen zu können, müssen deutsche Produkte effizienter und effektiver gefertigt werden. Ein vielversprechender Ansatz besteht darin, Industriedaten mithilfe von Künstlicher Intelligenz auszuwerten. Eine wesentliche Herausforderung ist dabei jedoch die Heterogenität der Daten bezüglich Umfang, Struktur und Geschwindigkeit, wobei jede Datenquelle stets eine eingeschränkte, teils einfältige Sicht auf die Realität darstellt. Heutige Verfahren werden in der Regel nur auf eine oder wenige Sichten angewandt. Das Vorhaben „COLIDE“ vereinfacht die Nutzung von heterogenen (Industrie-)Daten, die unterschiedliche Sichten eines Machine-Learning-Problems beinhalten (Multi-View-Learning). Gleichzeitig werden diese Verfahren mit Methoden des automatisierten maschinellen Lernens (AutoML) gekoppelt, um die komplexen Modelle effizient trainieren zu können. Dies führt zu einem zeit- und kosteneffizienteren Einsatz von Künstlicher Intelligenz.
Ziele und Vorgehen
Ziel von „COLIDE“ ist die Entwicklung von Auto-Multi-View-Learning-Verfahren (AutoMVL) für heterogene Industriedaten. Dazu werden Multi-View Learning (MVL) und automatisiertes maschinelles Lernen (AutoML) erstmals kombiniert. Damit werden insbesondere KMU in die Lage versetzt, verschiedenste Methoden auf heterogenen Datenquellen simultan und kosteneffizient zu nutzen und so innovative Lösungen vor allem in der Produktion anzubieten. Die Machbarkeit wird anhand von zwei realen Anwendungsfällen in den Bereichen der adaptiven Fertigung (3D-Druck) und der Überwachung von Produktionsanlagen aufgezeigt.
Innovationen und Perspektiven
„COLIDE“ beschleunigt die maschinellen Lernprozesse bei der Verarbeitung von großen, heterogenen Datenmengen und verspricht damit erhebliche Kostenersparnisse und weniger notwendiges KI-Wissen in der betrieblichen Praxis. Die Lösung ist branchenoffen angelegt und ermöglicht damit auch, Anwendungen und intelligente Services in anderen Wirtschaftszweigen zu entwickeln, zum Beispiel in der Biomedizin, der Energieproduktion oder im Gesundheitssektor.