AIAx

Ausgangssituation:
Die Wettbewerbsfähigkeit der deutschen Industrie wird heute maßgeblich durch die ingenieurtechnische Kompetenz und die Digitalisierung aller Unternehmensprozesse determiniert. Das Vorgehen und das Know-How von Ingenieuren ist stark individuell geprägt und lässt sich oft nur mit hohem Aufwand oder überhaupt nicht regelbasiert beschreiben. Die Digitalisierung und Vernetzung von Geräten und Arbeitsprozessen generiert zunehmend unüberschaubar werdende, heterogene Daten aus verschiedensten Quellen, die bislang oft nicht umfassend zur Optimierung von Unternehmensprozessen genutzt werden. Getrieben durch wissenschaftliche Fortschritte haben sich in Bereichen wie der Bild- und Sprachverarbeitung moderne Verfahren des maschinellen Lernens (ML) etabliert, die diesen Anforderungen begegnen. Eine breite Anwendbarkeit in der Industrie ist bisher durch die oft mangelnde Nachvollziehbarkeit der Verfahren und deren geringe Effizienz bei kleinen Trainingsdatenmengen (Robustheit) gehemmt.

Ziele:
In AIAx werden die bestehenden ML-Verfahren hinsichtlich Nachvollziehbarkeit und Robustheit weiterentwickelt. Verlässliche Ergebnisse bei geringen Datenmengen und eine gesteigerte Nachvollziehbarkeit schaffen vor allem bei Nutzern ohne ML-Hintergrund Akzeptanz, erleichtern den Wissenstransfer im Unternehmen und erhöhen die Qualität. Die weiterentwickelten ML-Verfahren werden in zwei Anwendungsfällen (Daimler und Endress+Hauser) anhand des Produktentstehungsprozesses (PEP) in den beiden Schlüsselbranchen Automobil und Elektrotechnik in Assistenzsysteme integriert und erprobt.

Vorgehensweise:
Um der Anforderung nach hoher Robustheit zu begegnen, werden in beiden Anwendungsfällen Ansätze zur Fusion von regel- und musterbasierten Verfahren entwickelt. Damit kann leicht formalisierbares Know-How von Ingenieuren bereits regelbasiert abgebildet und anschließend datenbasiert angereichert werden. Aus dem erlernten Vorgehen werden anschließend Assistenzsysteme abgeleitet, die kontextbasierte Vorschläge basierend auf dem jeweils aktuellen Entwicklungsstand eines Produktes generieren. Im Anwendungsfall bei Endress+Hauser stehen dabei Vorschläge zur Verbesserung einer Konstruktion hinsichtlich Ihrer Produzierbarkeit im Vordergrund. Im Anwendungsfall bei Daimler wird hingegen die automatisierte Bewertung von Simulationen mittels Deep Learning fokussiert. In beiden Anwendungsfällen werden Ansätze des Active Learning verfolgt, um über eine Einbindung der Anwender zum einen Akzeptanz zu schaffen und zum anderen eine breitere Datenbasis zu generieren. Anschließend werden Metriken für die Messung der Robustheit und Nachvollziehbarkeit erarbeitet sowie die Güte der weiterentwickelten Verfahren insgesamt unter Zuhilfenahme von Probandenstudien bewertet. Aufbauend auf bestehenden Prozessmodellen wird ein Handlungsleitfaden zur Verwendung von ML-Verfahren in der Ingenieursdomäne erstellt, der die Projektergebnisse und Best Practises aus den Anwendungsfällen abstrahiert und der breiten Öffentlichkeit zugänglich macht.

Weitere Informationen finden Sie hier.