Motivation
Der Maschinen- und Anlagenbau ist einer der wichtigsten Industriezweige in Deutschland. Mit der zunehmenden Automatisierung der Produktionsprozesse – auch im Kontext von Industrie 4.0 – fallen riesige Datenmengen an, die zur Steuerung und Optimierung der Abläufe genutzt werden. Für die Verarbeitung dieser Datenmengen werden verstärkt auch Verfahren des Maschinellen Lernens (ML) bzw. der Künstlichen Intelligenz (KI) eingesetzt. Jedoch basieren viele KI-Verfahren auf sogenannten Black-Box-Ansätzen, d.h. wie ein Ergebnis zustande kommt, ist für die Anwender i.d.R. nicht oder nur sehr schwer nachvollziehbar. Fehler in MLModellen zu erkennen und zu finden ist praktisch unmöglich. Darunter leidet auch die Akzeptanz solcher Verfahren bei den Anwendern. Nachvollziehbarkeit und Akzeptanz sind jedoch essentiell, wenn auf Basis der Ergebnisse kostenintensive oder sicherheitsrelevante Entscheidungen getroffen werden sollen.
Ziele und Vorgehen
Im Projekt soll eine Lösung entwickelt werden, die das Verständnis der Funktion von konkreten ML-Modellen für die Endanwender verbessert. Dazu soll auf Verfahren aufgesetzt werden, die unter dem Begriff „symbolisches ML“ diskutiert werden und auf einer bestimmten Form der Darstellung bzw. Repräsentation von Wissen, den Wissensgraphen, basieren. Da diese Wissensgraphen mit einer formalen Sprache (sogenannte Ontologien) beschrieben werden, können hieraus natürlichsprachliche Beschreibungen der Wissensgebiete erzeugt und damit eine für Menschen verständliche Rückmeldung zu den Inhalten der Wissensgraphen gegeben werden. Dies soll für die Erklärbarkeit von ML-Modellen im Bereich des Maschinen- und Anlagenbaus genutzt werden. Dafür muss jedoch ein entscheidende Herausforderung gelöst werden: die Daten aus den Maschinen und Anlagen liegen in flachen Datenstrukturen vor und müssen in einen Wissensgraphen überführt werden. Dies ist jedoch gleichbedeutend mit einer semantischen Anreicherung der Daten, d.h. der Zuordnung einer Bedeutung in einem konkreten Anwendungskontext. Hierfür sollen Methoden und Verfahren erarbeitet werden, die eine automatisierte „Semantisierung“ der Daten unterstützen und es den Nutzern ermöglichen, entsprechende Korrekturen vorzunehmen. Damit kann auch die die Qualität der Verbalisierung erheblich gesteigert und am Ende die Nachvollziehbarkeit der ML-Modelle verbessert werden. Im Vorhaben werden dazu verschiedene Ansätze aus den Bereichen Machine Learning/Regression sowie Semantik-Web/Ontologien kombiniert. Ziel ist eine prototypische Softwareplattform, die in zwei Anwendungsszenarios evaluiert wird. Im ersten Szenario sollen aus den Systemmeldungen von industriellen Druckmaschinen mit Hilfe der entwickelten Werkzeuge automatisiert, mögliche Fehlerursachen ermittelt bzw. „erklärt“ werden. Im zweiten Anwendungsfall „Produktionslogistik“ sollen aus den zugrunde liegenden Daten Vorhersagen für künftige Verbräuche getroffen und diese Annahmen auch erklärt werden.
Innovationen und Perspektiven
Der Einsatz von Machine Learning Verfahren für Assistenzsysteme ist insbesondere in den Bereichen IT Servicemanagement, Wissensmanagement oder Technischer Service im Maschinen- und Anlagenbau von zunehmender Relevanz.