KI-basierte nutzerzentrierte Produktions-Assistenz-Toolbox
Moderne Produktionsanlagen werden immer flexibler und komplexer. Während früher lange gleichbleibende Produktionsprozesse von einem Fachmann überwacht werden konnten, bringen moderne Maschinen eine sehr hohe Komplexität mit sich. Dies macht sie, mit Blick auf die Produktionseffizienz, ohne technische Unterstützung nicht mehr handhabbar. So hängen Qualität und Ausschussrate der Produkte von verschiedensten Faktoren wie bspw. der Zusammensetzung der Ausgangsmaterialien, den Betriebsparametern der in früheren Prozessschritten verwendeten Maschinen und/oder den Umgebungsbedingungen während der Produktion ab. Die so entstehenden Permutationen der einzelnen Parameter spannen einen riesigen Suchraum auf. Selbst für erfahrene Spezialisten ist es oft nicht mehr möglich Kausalitäten zwischen (Produktions-)Parametern und Qualität der gefertigten Produkte zu erfassen. Deshalb ist es essenziell hier effiziente Assistenzsysteme zu entwickeln. Eine Antwort darauf ist der Einsatz von KI-basierten Assistenzsystemen. Im Gegensatz zum Menschen kann eine KI oft verdeckte Muster und Zusammenhänge identifizieren. Dies gilt besonders für zeitlich stark verteilte Zusammenhänge. In der Praxis ist die erfolgreiche, effiziente KI allein aber nicht ausreichend. Aktuell wird eine KI in den meisten Branchen noch als Unterstützungssystem und nicht als allein handelnder Akteur gesehen. Dies ist nachvollziehbar, da selbst kurzfristige Fehlentscheidungen z. B. in der Lernphase immensen wirtschaftlichen Schaden verursachen können. Als Konsequenz müssen Vorschläge der KI immer durch Menschen verstanden und validiert werden.
Projektlaufzeit: 01.09.2021 bis 31.08.2023
Fördergeber: BMBF – Fördermaßnahme KI4KMU: Erforschung, Entwicklung und Nutzung von Methoden der Künstlichen Intelligenz in KMU
Projektträger: DLR Projektträger; Gesellschaft, Innovation, Technologie; Software-intensive Systeme (GI-SIS)
KI-Systeme dringen immer weiter in die Produktion vor. Sie sind in der Lage schneller und spezifischer auf sich ändernde Anforderungen zu reagieren. Gleichzeitig kämpfen KI-Systeme aber mit dem Ruf, komplex zu sein, Mitarbeiter zu überfordern oder gar zu überstimmen. Um diesen Problemen zu begegnen soll innerhalb des Projektes eine Toolbox entstehen, die die Erstellung KI-basierter Produktionsassistenten unterstützt. Dabei werden Probleme des Designs der User-Interfaces aber auch der Nutzerakzeptanz einbezogen. Die damit entwickelten Produktionsassistenten sollen die Mitarbeiter in der Produktion bestmöglich unterstützen und ihnen zum richtigen Zeitpunkt die passenden Informationen zur Verfügung stellen. Die Kontrolle selbst soll jedoch beim Mitarbeiter verbleiben, bis er oder sie sich nach einer Gewöhnungsphase explizit entscheidet dem Produktionsassistenten in einzelnen Bereichen die Kontrolle und damit den direkten Eingriff in den Produktionsprozess zu überlassen.
Im Rahmen des Projekts liegen die Schwerpunkte des IWF in der Thematik der Datenkonsistenz und der Datenqualität mit dem Fokus auf der Datenbereinigung. Weiterer Fokus im Projekt ist die Datenvorverarbeitung und das Feature Engineering, sowie die Anwendung verschiedener Modelle und Algorithmen. Die erzielten Ergebnisse werden abschließend im Projekt evaluiert und Handlungsempfehlungen abgeleitet.
Im Projekt soll die Basis für ein Framework zur einfachen Erstellung KI-basierter, nachvollziehbar agierender Assistenzsysteme entwickelt werden. Nach heutigem Stand entwickeln viele kleine Unternehmen, Berater und Entwicklungspartner für jeden Spezialfall immer wieder neue Lösungen. Lediglich im Bereich der Implementierung der Algorithmen gibt es (sehr gute und effiziente) Vorlagen, zu denen allen voran TENSorflow aber auch Google Sonnet, Keras oder Microsofts CNTK gehören. Zentraler Inhalt dieses Projektes ist es, analog dazu, eine wiederverwendbare und erweiterbare Toolbox zur Erstellung KI-basierter, kollaborativer Produktionsassistenzsysteme zu schaffen. Konkret wollen wir ein (i) einheitliches Konzept zur semantischen Datenerfassung, (ii) generische Ansätze zur nachvollziehbaren Informations- und Interaktionsrepräsentation und (iii) für Transfer-Learning geeignete, wiederverwendbare Prädiktionsnetze/-verfahren entwickeln. Als Anwendungsszenario (und Datenquelle) fokussieren wir dabei auf den Bereich der (Aluminium) Gieß-Applikationen.
