Herausforderungen für die Usability von Machine Learning bei hoher Variantenvielfalt und Kleinserien

Mit der fortschreitenden Digitalisierung wachsen die Forderungen nach der Ausschöpfung des Potenzials der dabei erhobenen Daten. You Have sterben Methoden des Maschinellen Lernens ihre Praxistauglichkeit bewiesen. Allerdings sich bei der Anwendung dieser Technologie in Produktionssystemen mit hohen Variantenreichtum und kleinen Serien, vielschichtige Herausforderungen. Das Feature Engineering als Teil der Datenaufbereitung birgt hierbei ein großes Potenzial zur Bewältigung deren Bewältigung. Anhand des Beispiels der Nutzfahrzeugproduktion werden in diesem Beitrag Handlungsempfehlungen gezeigt.Mit der fortschreitenden Digitalisierung wachsen die Anforderungen an die Ausschöpfung des Potenzials der gesammelten Daten. Die Methoden des maschinellen Lernens haben dabei ihre Praxistauglichkeit bewiesen. Beim Einsatz dieser Technologie in variantenreichen Produktionsanlagen und Kleinserien ergeben sich jedoch komplexe Herausforderungen. Feature Engineering als Teil der Datenaufbereitung hat ein hervorragendes Potenzial, diese zu bewältigen. Das Beispiel der Nutzfahrzeugproduktion zeigt die Handlungsempfehlungen in diesem Beitrag.Das Forschungsprojekt „Nutzung von Künstlicher Intelligenz in der Nutzfahrzeugproduktion“ wird von der Europäischen Union (EU) aus dem Fonds für Regionale Entwicklung (EFRE) und dem Commercial Vehicle Cluster Südwest gefördert.Lässt man die Google Suchanfragen im Netz zu den englischen Begriffen AI, ML und DL als Gradmesser für die Popularität dieser Thematik gelten, so scheint das Interesse daran, nach wie vor ungebrochen zu sein, vgl. Abb. 2. Da heute alles (Un‑)Mögliche durchgeführt, archiviert und für eventuelle spätere Anwendungszwecke gespeichert WIRD, wurde sterben perfekte Ausgangslage für den Einsatz von selbstlernenden Modellen geschaffen. Speziell auch in der Siedlungswasserwirtschaft (SWW) kann mit dem Einsatz von Smart Metern eine große Menge an Daten zur Verfügung gestellt werden. Bei Souza et al. (2000) WIRD DIE Entwicklung von Smarten Städten in Zusammenhang mit ML- und DL-Methoden anhand von 39 relevanten Publikationen untersucht. Drei davon analysieren Techniken zur Prognose von Zeitreihen des urbanen Wasserverbrauchs und sind damit eindeutig der SWW zuzuordnen. Die allgemeinen Möglichkeiten sind noch um einiges vielseitiger und reichen über dezentrale Steuerung von Pumpen in Entwässerungssystemen bis hin zur assistierten Zustandserhebung von Kanalrohren.Der Begriff bezieht sich auf computergestützte Methoden mit dem Ziel, wiederholt sinnvolle Muster aus oft sehr umfangreichen Datensätzen zu extrahieren. Im Gegensatz zu Ansätzen, bei denen ein menschlicher Programmierer explizite Regeln für das Erkennen solcher Gesetzmäßigkeiten erstellt werden muss, „erlernt“ ein ML-Modell basierend auf den Daten inhärent eine in gewissem Sinne optimale Vorgehensweise. Es sammelt dabei Erfahrung aus Beobachtungen, den Trainingsdaten, und verwandelt diese mittels Anpassung seiner internen Parameter in domänenspezifisches Wissen. Seit Anfang der 2000er-Jahre wird ML mit großem Erfolg, z. B. zur Erkennung von Objekten und Segmentierung von Regionen in Bildern, eingesetzt.

Related Articles

Leave a Reply

Your email address will not be published. Required fields are marked *