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.
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? Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
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. Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen zu generieren. ‣ weiterlesen
Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise
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.
