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:

Seit gut eineinhalb Jahren betreibt Simus Systems eine Online-Plattform, auf der Auftraggeber und Auftragnehmer die Metallbearbeitung von Bauteilen kalkulieren - und das Interesse am Tool ist rege. Anwender laden ihr CAD-Modell hoch und erhalten eine valide Vorkalkulation des geplanten Bauteils.‣ weiterlesen

Erst die Interoperabilität von Maschinen und Anlagen ermöglicht Unternehmen die Teilhabe an neuen digitalen Strukturen und ist Grundvoraussetzung für neue digitale Geschäftsmodelle. Durch interoperable Schnittstellen können neue Maschinen effizienter integriert werden. Die VDMA-Studie ‘Interoperabilität im Maschinen- und Anlagenbau‘ zeigt die Relevanz von interoperablen Schnittstellen und dazugehörigen Standards in den Unternehmen.‣ weiterlesen

Im Gewerbebau gehört ein differenziertes Zutrittsmanagement zum Standard der meisten Ausschreibungen. Für Betriebe lohnt es, sich mit dem Thema zu beschäftigen. Denn die Infrastruktur sollte später neue Anforderungen im Besuchermanagement ohne hohe Mehrkosten abbilden können.‣ weiterlesen

Die Vor- und Nachteile von SQL-, NoSQL- und Cloud-Datenbanken in Produktionsumgebungen werden noch immer diskutiert. Es wird höchste Zeit für ein Datenbankmanagement-System, das die Stärken aller drei miteinander verbindet.‣ weiterlesen

Predictive Maintenance, oder auch vorausschauende Instandhaltung, bildet einen der primären Anwendungsfälle im Spektrum der Industrie 4.0. Doch noch sind viele Unternehmen von den Ergebnissen enttäuscht, nachdem ihnen die technische Umsetzung gelungen ist. Eine planvolle Roadmap beugt dem vor, indem ein vorteilhafter Rahmen um das Werkzeug gezogen wird.‣ weiterlesen

Das Systemhaus Solid System Team wird von einer Doppelspitze geleitet. Neben Werner Heckl ist seit 1. April auch Torsten Hartinger mit der Geschäftsführung betraut.‣ weiterlesen

Materialise erwirbt Kaufoption von MES-Anbieter Link3D. Mögliche Übernahme könnte den Weg zum cloudbasierten Zugriff auf die 3D-Druck-Software-Plattform von Materialise ebnen.‣ weiterlesen

Ist die IoT-Infrastruktur in der Fertigung erst einmal installiert, müssen die erfassten Daten analysiert und in Nutzen überführt werden. Dabei kommt Event-Streaming-Technologie vor allem dann in Frage, wenn Anwender ihre Daten echtzeitnah verarbeiten wollen.‣ weiterlesen

Frank Possel-Dölken (Phoenix Contact) ist neuer Vorsitzender des Lenkungskreises der Plattform Industrie 4.0. Er übernimmt das Amt von Frank Melzer (Festo).‣ weiterlesen

Anzeige
Anzeige
Anzeige