Kontinuierliche Verbesserung eines KI-Systems
-
Johannes Seibold
Johannes Seibold, M. Sc., geb. 1991, hat 2020 seinen Master mit Fachrichtung Informatik (IT-Sicherheit) an der Hochschule Aalen abgeschlossen und arbeitet dort seither als akademischer Mitarbeiter im Zentrum für Industrie 4.0.
,
Steffen Schwarzer
Prof. Dr. Steffen Schwarzer ist Leiter Zentrum für Industrie 4.0 an der Hochschule Aalen und lehrt in den Bereichen Technische Mechanik, Konstruktion und Fertigungstechnik.
Maximilian Hentsch (M. Eng. im Bereich Industrial Management) ist akademischer Mitarbeiter der Transferplattform Baden-Württemberg Industrie 4.0.
Abstract
Künstliche Intelligenz (KI) leistet in der Industrie einen bedeutenden Beitrag zur Automatisierung einer Vielzahl von Prozessen. Die kontinuierliche Verbesserung von KI-Modellen auch nach dem initialen Training stellt jedoch für viele Unternehmen eine große Hürde dar. Dieser Beitrag stellt ein Framework am Beispiel eines konkreten Anwendungsfalls vor, welches diese Hürde überwindet und flexibel auf eine sich ändernde Datengrundlage reagieren kann.
Abstract
Artificial intelligence significantly contributes to the automation of many industrial processes. However, requirements for adaptability and improvement of AI networks during operation are a major barrier for many companies. This paper presents a framework guided by the example of a specific use case that overcomes this barrier and reacts flexibly to a changing data basis.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
Funding statement: Die in diesem Beitrag vorgestellten Ergebnisse wurden im Rahmen der Förderung von KI-Anwendungsfällen an Hochschulen für angewandte Wissenschaften (HAW) vom Ministerium für Wissenschaft, Forschung und Kunst Baden-Württemberg finanziert. Die Transferplattform Baden-Württemberg Industrie 4.0 wird vom Ministerium für Wirtschaft, Arbeit und Tourismus Baden-Württemberg gefördert.
About the authors
Johannes Seibold, M. Sc., geb. 1991, hat 2020 seinen Master mit Fachrichtung Informatik (IT-Sicherheit) an der Hochschule Aalen abgeschlossen und arbeitet dort seither als akademischer Mitarbeiter im Zentrum für Industrie 4.0.
Prof. Dr. Steffen Schwarzer ist Leiter Zentrum für Industrie 4.0 an der Hochschule Aalen und lehrt in den Bereichen Technische Mechanik, Konstruktion und Fertigungstechnik.
Maximilian Hentsch (M. Eng. im Bereich Industrial Management) ist akademischer Mitarbeiter der Transferplattform Baden-Württemberg Industrie 4.0.
Literatur
1 Giering, O.; Fedorets, A.; Adriaans, J.; Kirchner, S.: Künstliche Intelligenz in Deutschland: Erwerbstätige wissen oft nicht, dass sie mit KI-basierten Systemen arbeiten. DIW Wochenbericht 88 (2021) 48, S. 783–789 DOI:10.18723/diw_wb:2021-48-110.18723/diw_wb:2021-48-1Search in Google Scholar
2 Jung, M.; Werens, S.; von Garrel, J.: Vertrauen und Akzeptanz bei KI-basierten, industriellen Arbeitssystemen. ZWF 117 (2022) 11, S. 781–783 DOI:10.1515/zwf-2022-113410.1515/zwf-2022-1134Search in Google Scholar
3 Wuest, T.; Weimer, D.; Irgens, C.; Thoben, K.-D.: Machine Learning in Manufacturing: Advantages, Challenges, and Applications. Production & Manufacturing Research 4 (2016) 1, S. 23–45 DOI:10.1080/21693277.2016.119251710.1080/21693277.2016.1192517Search in Google Scholar
4 Seibold, J.; Hentsch, M.; Kharitonov, A.; Eber, R.; Schwarzer, S.: Process Automation in the Area of Manufacturability Analysis Using Machine Learning. Procedia Computer Science 204 (2022), S. 196–204 DOI:10.1016/j.procs.2022.08.02410.1016/j.procs.2022.08.024Search in Google Scholar
5 Pianykh, O. S.; Langs, G.; Dewey, M.; Enzmann, D. R.; Herold, C. J.; Schoenberg, S. O.; Brink, J. A.: Continuous Learning AI in Radiology: Implementation Principles and Early Applications. Radiology (2020) Vol. 297, S. 6–14 DOI:10.1148/radiol.202020003810.1148/radiol.2020200038Search in Google Scholar PubMed
6 Schwarz, J.; Czarnecki, W.; Luketina, J.; Grabska-Barwinska, A.; Teh, J. W.; Pascanu, R.; Hadsell, R.: Progress & Compress: A Scalable Framework for Continual Learning. In: Proceedings of the 35th International Conference on Machine Learning (2018) PMLR 80: S. 4528-4537 DOI:10.48550/ARXIV.1805.0637010.48550/ARXIV.1805.06370Search in Google Scholar
7 Diethe, T.; Borchert, T.; Thereska, E.; Balle, B.; Lawrence, N.: Continual Learning in Practice. Presented at the NeurIPS 2018 Workshop on Continual Learning (2019) DOI:10.48550/ARXIV.1903.0520210.48550/ARXIV.1903.05202Search in Google Scholar
© 2023 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- Qualitätsmanagement im Wandel
- Fehlermanagement
- Datengetriebenes Fehlermanagement in der Produktion
- Qualitätsüberwachung
- Ganzheitliche und auf maschinellen Lernverfahren basierende Qualitätsüberwachung
- Fabrikplanung
- Fabrikumzüge im Rahmen von Reorganisationsprojekten
- Prozessoptimierung
- ISAK: Ein flexibler Ansatz zur Optimierung von Prozessen in KMU
- Supply-Chain-Simulation
- Catena-X – Online Steuerung und Simulation
- Agilität
- Gestaltung resilienter Produktionsnetzwerke mit Agilitätsbefähigern
- Anforderungsmanagement
- Resilient Requirements Engineering
- Diskontinuität
- Frühaufklärung produktionstechnischer Defizite
- Kundenbindung
- Neue Produkte erfordern neue Denkweisen zur Einführung
- Instandhaltung
- Systemdiagnose an haustechnischen Kompensator-Installationen
- Dämpfung
- Hochdämpfende Metall-Graphit-Verbundwerkstoffe in Werkzeugmaschinen
- Digitalisierung
- Erfolgsfaktoren digitaler Geschäftsmodelle für OEM in der Automobilindustrie
- KI und IoT – Treiber der Digitalen Transformation
- Künstliche Intelligenz
- Kontinuierliche Verbesserung eines KI-Systems
- Potenzialanalyse von KI-Anwendungen in der Produktion
- Cyber-Sicherheit
- Cyber-Security-Herausforderungen im Kontext von Engineering 4.0
- Maschinelles Lernen
- Befähigung von KMU zur Nutzung von Machine-Learning-Potenzialen
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Qualitätsmanagement im Wandel
- Fehlermanagement
- Datengetriebenes Fehlermanagement in der Produktion
- Qualitätsüberwachung
- Ganzheitliche und auf maschinellen Lernverfahren basierende Qualitätsüberwachung
- Fabrikplanung
- Fabrikumzüge im Rahmen von Reorganisationsprojekten
- Prozessoptimierung
- ISAK: Ein flexibler Ansatz zur Optimierung von Prozessen in KMU
- Supply-Chain-Simulation
- Catena-X – Online Steuerung und Simulation
- Agilität
- Gestaltung resilienter Produktionsnetzwerke mit Agilitätsbefähigern
- Anforderungsmanagement
- Resilient Requirements Engineering
- Diskontinuität
- Frühaufklärung produktionstechnischer Defizite
- Kundenbindung
- Neue Produkte erfordern neue Denkweisen zur Einführung
- Instandhaltung
- Systemdiagnose an haustechnischen Kompensator-Installationen
- Dämpfung
- Hochdämpfende Metall-Graphit-Verbundwerkstoffe in Werkzeugmaschinen
- Digitalisierung
- Erfolgsfaktoren digitaler Geschäftsmodelle für OEM in der Automobilindustrie
- KI und IoT – Treiber der Digitalen Transformation
- Künstliche Intelligenz
- Kontinuierliche Verbesserung eines KI-Systems
- Potenzialanalyse von KI-Anwendungen in der Produktion
- Cyber-Sicherheit
- Cyber-Security-Herausforderungen im Kontext von Engineering 4.0
- Maschinelles Lernen
- Befähigung von KMU zur Nutzung von Machine-Learning-Potenzialen
- Vorschau
- Vorschau
