Aufgabe des KI-Modells im Digitalisierungsprojekt mit der Pumacy Technologies AG war es, die Aktivitäten und Positionen eines Werkers zu erkennen und zu klassifizieren. Die gewonnenen Erkenntnisse bildeten die Grundlage für ergonomische Maßnahmen und Prozessoptimierungen. Darüber hinaus sollte das Digitalisierungsprojekt auch als Grundlage für zukünftige Anwendungsfälle dienen.
Im Rahmen des Projekts testeten die Experten des Mittelstand-Digital Zentrums Chemnitz mehrere Klassifikationsmodelle, um die Genauigkeit bei der Erkennung verschiedener Aktivitäten zu vergleichen. Darunter Modelle wie Logistic Regression, Random Forest und Decision Trees. Um die besten Hyperparameter für jedes Modell zu finden, wurde Grid Search verwendet. Diese Methode ermöglichte es, die Modellparameter systematisch zu durchsuchen und die optimalen Werte für eine bestmögliche Leistung zu identifizieren.
Umfangreiche Tests und Anpassungen zeigten, dass das Random Forest Modell die besten Ergebnisse erzielte; mit einer Genauigkeit von 96 Prozent. Dieses hohe Maß an Genauigkeit beweist, dass das Modell sehr zuverlässig ist und die verschiedenen Aktivitäten von Werkern präzise unterscheiden kann.
Die in Abbildung 1 dargestellte Confusion Matrix veranschaulicht die Leistung des Random Forest Modells. Die Matrix verdeutlicht, dass die meisten Aktivitäten korrekt klassifiziert wurden, was die Effektivität des Modells unterstreicht.
Das Projekt hat gezeigt, dass maschinelles Lernen effektiv zur Klassifikation von Aktivitäten eingesetzt werden kann. Diese Erkenntnisse bergen Potenzial für zukünftige Anwendungen in der Überwachung und Analyse von Aktivitäten in vielfältigen Bereichen, z. B. in der Fertigung oder in der Logistik.