KI-Verfahren: Transfer aus der Wissenschaft in die Praxis

© zapp2photo - stock.adobe.com

Automatisiertes Maschinelles Lernen (AutoML) für Anwendungen in der Industrie

 

Bei der praktischen Anwendung von Maschinellem Lernen (ML) gibt es ein großes Hindernis: den extrem hohen Aufwand, die beste Methode zu identifizieren und optimal zu konfigurieren, also an die vorhandene Datenlage, Prozesse und Anwendungsbedarfe anzupassen. AutoML verspricht Abhilfe: Hier kommen Systeme zum Einsatz, mit denen die Entwicklung und Konfiguration von KI-Prozessen automatisiert ablaufen. Bestehende AutoML-Systeme werden bisher eher in Wissenschaft und Forschung eingesetzt, da sie auf wenige ML-Standardverfahren und optimierte Datenlagen ausgerichtet sind. In der industriellen Praxis liegen solche optimalen Bedingungen eher selten vor, weshalb AutoML hier bisher nur begrenzt eingesetzt wird. Im Projekt wollten wir erforschen, wie gut automatisierte ML-Lösungen für den Einsatz in der Praxis geeignet sind und wie sie sich auf komplexe industrielle Anwendungen übertragen lassen.

Gemeinsam mit einem Kunden aus der Industrie untersuchten wir, ob sich AutoML-Systeme in der Industrie sinnvoll einsetzen lassen, ob Standardsysteme ausreichen und welche spezifischen Anpassungen in den Systemen vorgenommen werden müssen, damit sich der Einsatz lohnt. Dafür wurde eine genaue Analyse des Forschungsstands durchgeführt, bestehende Systeme auf ihre Grenzen und Voraussetzungen getestet und ein eigenes AutoML-System für die Qualitätsprüfung entwickelt. Dabei hat sich gezeigt, dass spezifisch konfigurierte AutoML-Systeme grundsätzlich zu einer höheren Performance und einem verbesserten Output führen können. Aus diesem Grund ist zielgerichtetes AutoML für spezielle Anwendungsbereiche ein vielversprechendes Forschungsgebiet für die Zukunft.