Vorausschauende Wartung, Prozessüberwachung und die automatisierte Qualitätsprüfung sind Anwendungen von Künstlicher Intelligenz in der Produktion. Doch wie lange sind die auf einen spezifischen Prozess trainierten Machine-Learning (ML)-Modelle gültig? Woran erkenne ich, dass die Vorhersagen des Modells noch stimmen?
Auch mit Blick auf die erheblichen Investitionen in die Entwicklung sind ein nachhaltiger Einsatz und langfristiger Betrieb von KI-Anwendungen ein Muss. Unsere Erfahrungen zeigen jedoch, dass
Praktiker immer wieder von Schwierigkeiten überrascht werden – wie zum Beispiel die enormen Datenmengen, die für das Trainieren eines KI-Modells notwendig sind. Bei Projektplanungen werden zudem viel zu oft die Mitarbeitenden nicht berücksichtigt und die Frage, wie sie Vertrauen in die „Black Box“-Entscheidungen der KI gewinnen können.
In diesem Webinar konzentrieren wir uns daher auf Herausforderungen und entsprechende Lösungsansätze für die nachhaltige Entwicklung und den zuverlässigen und langfristigen Einsatz von Machine Learning-Anwendungen in der Fertigung. Entlang des öffentlich zugänglichen CRISP-ML Prozessmodells werden Herausforderungen bei der Implementierung von ML-Modellen vorgestellt und anhand von simulierten und realen Datensätzen demonstriert. Dazu zählt unter anderem der schleichende Drift etwa von Sensoren – insbesondere bei Luftdruckmessungen ein bekanntes Problem. Auch die Generalisierungsfähigkeit der Modelle, also ihre Anwendbarkeit auf weitere Maschinen und Anwendungsfälle ist von zentraler Bedeutung. Es werden entsprechende Lösungsansätze aus der aktuellen Forschung, wie kontinuierliches Lernen, Drifterkennung und Domänenanpassung, vorgestellt.
Das Webinar dient Unternehmen, die in ihren Fabriken robuste und zuverlässige KI-Anwendungen implementieren wollen, als Leitfaden, zeigt ihnen als Ausblick aber auch zukünftige Technologien auf.
