Automatisiertes Maschinelles Lernen in der IndustrieAutomatisiertes Maschinelles Lernen in der Industrie

Das automatisierte Maschinelle Lernen (AutoML) bildet einen weiteren Schritt in der Entwicklung des Maschinellen Lernens. Für welche Prozesse AutoML geeignet ist und welche Herausforderungen bestehen, zeigt unser Trendradar.

Auf einen Blick

Jeder Hersteller ist bestrebt, neue Wege zu finden, Ressourcen zu sparen, Risiken zu verringern und die Produktionseffizienz zu verbessern. Hierfür sind Technologien von Industrie 4.0 der zentrale Begriff, insbesondere Innovationen basierend auf Künstlicher Intelligenz (KI) und Maschinellem Lernen (ML) [1]. Viele Unternehmen stehen noch immer vor erheblichen Hürden, wenn es darum geht, Lösungen des ML effektiv einzusetzen. Das liegt vor allem am Fachkräftemangel, begrenzter Zeit und hohen Kosten. Um die Nutzbarkeit von ML zu erhöhen und das damit verbundene wirtschaftliche Potential freizusetzen, wurden jedoch inzwischen Frameworks für automatisiertes Maschinelles Lernen (AutoML)entwickelt. Durch die Automatisierung sich wiederholender Aufgaben können sich die Experten auf andere wesentliche Aspekte der ML-Pipeline konzentrieren.

Potentiale für KMU

In letzter Zeit gewinnt das Konzept des automatisierten ML immer mehr an Bedeutung [2]. Ein typischer Prozess des ML besteht aus mehreren Schritten: Aufnahme und Vorverarbeitung von Daten, Merkmalsextraktion, Modellbildung und schließlich die Modellbereitstellung. Beim herkömmlichen ML wird jeder Schritt in dieser Pipeline von Experten überwacht und ausgeführt. AutoML-Frameworks zielen darauf ab, einen oder mehrere Schritte dieser Pipelines zu automatisieren, um die Erstellung von Modellen zu vereinfachen. Eine schnellere Generierung wird hierbei durch die Reduktion von sich wiederholenden Aktivitäten ermöglicht. Da automatisiertes Maschinelles Lernen den Großteil der immer wiederkehrenden Schritte übernimmt, können die Experten mehr Zeit für die Formulierung und das Verständnis der geschäftlichen Herausforderungen aufwenden und sich mit Themen wie Datenaufbereitung sowie Modellbereitstellung befassen.

Anwendungsbereiche von AutoML in KMU

Unternehmen können ihre ML-Prozesse für eine Vielzahl von Zwecken automatisieren. AutoML kommt für solche Unternehmen in Frage, welche in der Regel bereits die Voraussetzungen für ML wie Datenerfassungs- und Datenverwaltungssysteme geschaffen haben und ML-Methoden effizient einsetzen wollen. Damit werden Unternehmen in die Lage versetzt, automatisierte Erkenntnisse für bessere datengetriebene Entscheidungen und Vorhersagen zu gewinnen. AutoML-Frameworks ermöglichen einen schnellen und genauen automatisierten Einsatz vom ML in Anwendungsbereichen wie:

  • Anomalieerkennung
  • Defekterkennung
  • Qualitätsvorhersage
  • vorausschauende Instandhaltung

AutoML wird am häufigsten in Anwendungsszenarien eingesetzt, welche die Klassifizierung und Regression strukturierter Daten sowie die Klassifizierung von Texten und Bildern zum Ziel haben.

Herausforderungen

AutoML erfordert nach wie vor Programmierkenntnisse und wird auf Ergebnisebene von der manuellen Implementierung übertroffen. Jedoch stellt AutoML gute Resultate in kürzerer Zeit zur Verfügung. Obwohl der technologische Reifegrad von AutoML für die Modellierung hoch ist, treten noch Schwierigkeiten beim Umgang mit komplexen, hochdimensionalen Datentypen auf[3]. Darüber hinaus decken bestehende AutoML-Lösungen nicht die gesamte ML-Pipeline ab. Zusammenfassend lässt sich sagen, dass AutoML trotz vieler Vorteile die Experten nicht vollständig ersetzen kann, aber zur Optimierung ihrer Arbeit beitragen wird.

Quellen und weiterführende Informationen

  1. 17 Remarkable Use Cases of AI in the Manufacturing Industry. (2021, 1. Juli). Birlasoft. Abgerufen am 6. Januar 2023, von https://www.birlasoft.com/articles/17-use-cases-of-ai-in-manufacturing
  2. Automated Machine Learning (AutoML) Market. (2020). In ReportLinker. Abgerufen am 6. Januar 2023, von https://www.reportlinker.com/p05879068/Automated-Machine-Learning-AutoML-Market.html?utm_source=PRN
  3. Krauß, J., Pacheco, B. M., Zang, H. M. & Schmitt, R. H. (2020). Automated machine learning for predictive quality in production. Procedia CIRP, 93, 443–448. https://doi.org/10.1016/j.procir.2020.04.039