Anzeige
Anzeige
Anzeige
Beitrag drucken

Modellentwicklung mit Sharing-Economy-Ansatz

Mit Federated Learning sensible Daten sicher teilen

Beim Federated Learning-Ansatz bezieht die künstliche Intelligenz ihre Informationen aus unterschiedlichen Modellen, um den Lerneffekt zu verstärken. Gerade seltene Vorfälle wie Maschinenstörungen lassen sich so besser verstehen. Der Kniff dabei ist, dass sensible Daten etwa zu Personen keine Systemgrenzen überschreiten.

Die Industrie 4.0 braucht sie wie der Mensch die Luft zum Atmen: Daten. Doch im Unterschied zum Menschen und seiner Atemluft, produziert die Industrie 4.0 ihre Daten selbst. Doch nicht immer sind die richtigen leicht zu finden und zu erschließen. (Bild: Eoda GmbH)

Die Industrie 4.0 braucht sie wie der Mensch die Luft zum Atmen: Daten. Doch im Unterschied zum Menschen und seiner Atemluft, produziert die Industrie 4.0 ihre Daten selbst. Doch nicht immer sind die richtigen leicht zu finden und zu erschließen. (Bild: Eoda GmbH)

Daten bilden die Basis für industrielle Digitalisierungsvorhaben. Obwohl Unternehmen diese Daten selbst produzieren, leiden viele von ihnen an ‚Datennot‘. Die Ursachen dafür sind vielfältig. Eine fehlende oder unzureichende technische Infrastruktur zur systematischen Datenerfassung ist in einigen Industrieunternehmen immer noch eine der größten Hürden. Aber auch in stärker digitalisierten Unternehmen, in denen z.B. die Sensorik an Maschinen und Anlagen täglich große Datenbestände produziert, ist die Datengrundlage oft ein Stolperstein. Dieser zeigt sich beispielsweise in Form von abgeschlossenen Datensilos, die nur einzelnen Abteilungen zur Verfügung stehen. Die Themen Datenhoheit und Datenschutz als regulatorische Basis der Datenverarbeitung, sind hier ein Bremsklotz für das schnelle und umfangreiche Training von Analysemodellen. Auch Konflikte über die Nutzung der Daten zwischen Maschinen- und Komponentenbauern und den jeweiligen Betreibern der Anlagen verringern das tatsächlich vorhandene Datenpotenzial.

Begrenzte Daten

Wenn es um den Einsatz von Data Science in der Industrie geht, landet man beinahe zwangsläufig bei der vorausschauenden Instandhaltung (Predictive Maintenance). Die Prognose von Maschinenstörungen und -ausfällen auf Basis der verfügbaren Sensordaten birgt im Erfolgsfall ein enormes wirtschaftliches Potenzial. Aus Data-Science-Gesichtspunkten sind Maschinenausfälle aber oftmals seltene Ereignisse mit heterogenem Ursprung und die vorhandenen historischen Daten von Störungsfällen sehr begrenzt. Haben die relevanten Daten einen Personenbezug – z.B. zum jeweiligen Maschinenführer – erschwert dies die Nutzung zusätzlich. Die Qualität der für Predictive Maintenance eingesetzten Machine-Learning-Modelle ist aber untrennbar mit der verfügbaren Menge an relevanten Trainingsdaten verbunden. Ist sie unzureichend, kann die Vision der vorausschauenden Instandhaltung unerreichbar bleiben. Dieser Anwendungsfall ist ein prägnantes Beispiel für die Datenhoheit als Herausforderung. Die zentralen Fragen lauten: Wer hat die Hoheit über die Daten und wie können Wege gefunden werden, sodass Maschinenbauer und -betreiber wirklich von den Daten profitieren können?

Federated Learning

Eine mögliche Antwort auf diese Frage ist Federated Learning. Methodisch handelt es sich bei Federated Learning um eine spezielle Technik des maschinellen Lernens. Im Kern geht es um einen Sharing-Economy-Ansatz, der hilft, die Güte von Machine-Learning-Modellen zu verbessern und gleichzeitig Datenschutzbestimmungen einzuhalten. Dabei wird aus einer Vielzahl einzelner Analysemodelle unterschiedlicher Akteure ein zentrales Modell gebildet. Die Lerneffekte dieses Modells fließen schließlich iterativ zurück in die einzelnen Modelle der unterschiedlichen Akteure und verbessern diese dadurch. Durch diesen dezentralen Ansatz steht eine deutlich umfangreichere Datenbasis für das Training der Modelle zur Verfügung, ohne dass diese Daten dafür den Besitzer wechseln müssen – die Herausgabe sensibler Informationen entfällt. Das zentrale Analysemodell erhält nur die Lernergebnisse, also die anonymisierten Parameter der einzelnen Modelle.

Verstärkter Lerneffekt

Durch die Einbeziehung der Informationen aus dem Training einer Vielzahl unterschiedlicher Modelle, wird der entstehende Lerneffekt massiv verstärkt. Verschiedene Analysemodelle können dabei parallel zueinander trainiert werden. Im Vergleich zu einem einzigen Modell und einer begrenzten Datenbasis können Analysemodelle mit Federated Learning deutlich schneller eine höhere Genauigkeit erreichen. Predictive Maintenance ist dabei nur ein mögliches Analyseszenario, für die Verbindung der Analysemodelle unterschiedlicher Maschinenbauer und -betreiber und damit indirekt auch unterschiedlicher Datentöpfe. Durch diese Verbindung kann das Volumen an Trainingsdaten deutlich erweitert und Wissensvorsprünge generiert werden.

Die Datennot lindern

Federated Learning hat das Potenzial, die Time-to-Market sowie die Entwicklungskosten von datengetriebenen Lösungen zu reduzieren. Für Unternehmen mit begrenzter Datenbasis kann der Ansatz zudem ein Türöffner sein. Damit dies gelingen kann, braucht es neben der Infrastruktur auch die Bereitschaft von Industrieunternehmen zur Kooperation. Denn neben Herausforderungen wie der Lastenverteilung und der Modellsicherheit, ist Federated Learning vor allem eine Frage der Geisteshaltung. Umfragen unter Industrievertretern zeigen, dass Technologien wie KI in den Unternehmen angekommen sind. Jedoch hat die digitale Transformation in diesem Bereich in vielen Unternehmen erst begonnen. Alleingänge können dabei schnell an ihre Grenzen stoßen, weshalb eine Investition in eine entsprechende Federated-Learning-Infrastruktur und die Zusammenarbeit mit Lieferanten, und sogar Wettbewerbern attraktiver werden kann, um die Datennot zu lindern.

Beitrag drucken

Modellentwicklung mit Sharing-Economy-Ansatz

Mit Federated Learning
sensible Daten sicher teilen

Beim Federated Learning-Ansatz bezieht die künstliche Intelligenz ihre Informationen aus unterschiedlichen Modellen, um den Lerneffekt zu verstärken. Gerade seltene Vorfälle wie Maschinenstörungen lassen sich so besser verstehen. Der Kniff dabei ist, dass sensible Daten etwa zu Personen keine Systemgrenzen überschreiten. (mehr …)


Das könnte Sie auch interessieren:

Recalo aus Laatzen ist auf Dienstleistungen im Bereich Asset- und Ladungsträger-Management spezialisiert. Vor allem beim Pooling von Mehrwegladungsträgern richtet sich der Anbieter mit einem sehr individualisierbaren Angebot an Fertigungsunternehmen.‣ weiterlesen

Lieferkettenschwierigkeiten verursachen rund 20 Prozent der Kosten von Fertigungsunternehmen, errechnen Fachleute. Robotergestützte Prozessautomatisierung kann viele der Stolpersteine aus dem Weg räumen, die zu diesen Ausgaben führen. Denn sie machen keine Fehler, halten sich an Regeln und arbeiten pausenlos - im Büro, Lieferantenmanagement und bei der Prozessoptimierung.‣ weiterlesen

Stimmen die Artikeldaten? Sind die Stammdaten genau und rechtskonform? Diese Fragen entscheiden über die Qualität fundamentaler Datenquellen. Wenn sich Fehler in die Stammdaten eingeschlichen haben, wirken sie womöglich quer durch alle Datenbanken und Prozesse hindurch. Diese und weitere Stolpersteine fasst folgende Checkliste zusammen.‣ weiterlesen

Viele neue Produkte und Geschäftsmodelle erfahren heutzutage Geburtshilfe durch Simulation. Mit digitalen Zwillingen verschmelzen Grenzen zwischen simulierten und realen Produktwelten. Entwicklung und Fertigung lassen sich so deutlich effizienter organisieren.‣ weiterlesen

Nach ersten Schätzungen geht das Ifo-Institut von einer Stagnation der Wirtschaftsleistung im ersten Quartal aus. Erst im zweiten Quartal gehen die Experten wieder von einem Zuwachs aus.‣ weiterlesen

Die Forschungspartner Technische Hochschule Deggendorf und die Technische Universität München sowie den beiden Unternehmen Schindler & Schill (EasyLogix) und Systema haben das BMWi-ZIM-Projekt MobiCM erfolgreich abgeschlossen. Ziel war die Entwicklung eines Systems zur Zustandsüberwachung von Produktionsmaschinen.‣ weiterlesen

Die Engineering-Plattform DesignSpark von RS Components hat die Marke von einer Million Mitglieder geknackt. Seit seiner Einführung 2010 unterstützt die Plattform Ingenieure, Techniker und Studierende mit einer Vielzahl an technischen Tools und Ressourcen.‣ weiterlesen

Die Normungsorganisationen DIN und VDE DKE haben eine Kooperationsvereinbarung mit 'Enterprise Singapore' getroffen. Die Zusammenarbeit soll unter anderem die Bereiche Industrie 4.0 sowie künstliche Intelligenz umfassen.‣ weiterlesen

Als globale Krise ist die Corona-Pandemie eine besondere Herausforderung für die Automobilindustrie. Der Absatz neuer PKW ging weltweit um 23 Prozent, in Europa sogar um 27 Prozent zurück. VDA-Geschäftsführer Dr. Kurt-Christian Scheel erläutert, wie sich die Branche gegen die Krise stemmt und dabei ihre Flexibilität unter Beweis stellt.‣ weiterlesen

Pandemien gehören im aktuellen Allianz-Risiko-Barometer zu den größten Bedrohungen für Unternehmen. Die damit einhergehenden Sorgen haben sogar den Klimawandel verdrängt, der in der aktuellen Erhebung den 9. Platz belegt.‣ weiterlesen

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige