Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Beitrag drucken

Explainability in KI- und ML-Systemen

Ohne Spezialwissen zu Ergebnissen

Gerade bei innovativen Technologien wie künstlicher Intelligenz ist die Bedienung nicht erste Priorität der Softwarehersteller. Aus Sicht der Industrie ist das bedauerlich, denn anlagennah Beschäftigte haben oft die interessantesten Impulse für werksnahe KI-Projekte. Über integrierte Explainability rücken KI-Tools nun näher an die Prozessspezialisten heran.

Bild: ©kerkezz/stock.adobe.com

Bild: ©kerkezz/stock.adobe.com

Sollen im industriellen Internet der Dinge (IIoT) Fragestellungen mit KI-Technologien wie Machine Learning beantworten werden, muss ein weiter Bogen geschlagen werden, um zu Ergebnissen zu kommen: Vom spezifischen Produktionswissen hin zu KI, Datenwissenschaft und Modellbildung und zurück zu Erkenntnissen, die im Produktionsalltag umsetzbar sind. Mit der Zahl der Projektbeteiligten steigt das Risiko für Missverständnisse, Einschränkungen und Vereinfachungen oder von zu akademischen Ergebnissen. Je selbständiger Mitarbeiter mit KI-Tools arbeiten können, die sich mit den Anlagen auskennen, umso größer sind meist die Aussichten auf greifbare Verbesserungen. Eine Voraussetzung dafür ist die sogenannte Explainability. Damit gemeint ist die Fähigkeit der Systeme, eine für Menschen interpretierbare Beschreibung der Ergebnisse bereitzustellen. Denn um Prozesse zu optimieren, gilt es nicht nur zu wissen, was passiert, sondern auch warum. Eine weitere Voraussetzung ist eine möglichst benutzerfreundliche Bedienbarkeit der KI-Systeme. So sollten diese alles, was zur Lösung der Fragestellung relevant ist und nicht von den Anwendern geliefert werden kann, selbst herausfinden.

Beispiel Textilindustrie

Ein Anwendungsbeispiel von Machine Learning in der Produktion ist die Stoffherstellung in der Textilindustrie. Neuere Maschinen liefern über unterschiedliche Sensoren qualitätsrelevante Daten – beispielsweise zur Feinheit und Qualität des Stoffbandes, zum Druck auf den Walzen, Garnfehlern, dem Fadenlauf oder zu Knoten im Garn. Um die Qualität zu verbessern kann ein KI-Modell entwickelt und trainiert werden, das auf Basis der Sensordaten die Qualität vorhersagen kann. Früher mussten für solche Projekte Dienstleister ohne Domänenwissen beauftragt werden. Neuere Software-Tools ermöglichen es nach dem Import kompletter Pools von Rohdaten, sehr verschiedene Fragestellungen zu adressieren, ohne die Daten erneut anfassen zu müssen. Das Modell zur Beantwortung generiert und trainiert sich selbst. Damit rückt KI-Technik einen großen Schritt näher an den industriellen Anwender heran.


Das könnte Sie auch interessieren:

Im Werkzeugmanagement eröffnet das Kennzeichnen von Assets mit Data Matrix Codes die Möglichkeit, Werkzeuge zu tracken und mit ihren Lebenslaufdaten zu verheiraten.‣ weiterlesen

Google Cloud gab kürzlich die Einführung der beiden Lösungen Manufacturing Data Engine und Manufacturing Connect bekannt. Mit den Tools lassen sich Assets einer Fertigungsumgebung vernetzen, Daten verarbeiten und standardisieren.‣ weiterlesen

Virtuelle multicloudfähige Plattformen können in Fertigungsbetrieben das Fundament bilden, um IT-Infrastruktur und Betriebsabläufe zu modernisieren und effizient zu betreiben. Denn das nahtlose Zusammenspiel von Cloud-Anwendungen, Softwarebereitstellung sowie Remote Work lassen sich mit digitalen Plattformen vergleichsweise einfach und global orchestrieren.‣ weiterlesen

Wibu-Systems ist Anwendungspartner im Projekt KoMiK. Im Mai wurde das Projekt abgeschlossen und der Karlsruher Lizensierungsspezialist hat zusammen mit den Projektpartnern aus Wirtschaft und Wissenschaft Empfehlungen zur Auswahl eines digitalen Kooperationssystems erarbeitet, inklusive eines Screening-Tools.‣ weiterlesen

MES-Lösungen verfügen über unterschiedliche Erweiterungsmodule, etwa für das Qualitätsmanagement. Der Ausbau der Basisfunktionen sorgt jedoch oft für Aufwand. Eine Alternative versprechen Cloudlösungen.‣ weiterlesen

Bei ihrer digitalen Transformation adaptieren Fertigungsunternehmen Technologien wie künstliche Intelligenz, Machine Learning und digitale Zwillinge. Cloud Computung hilft, dafür erforderliche Kapazitäten skaliert bereitzustellen.‣ weiterlesen

Mit mehreren neuen Partnern erweitert der Softwareanbieter ZetVisions sein Partnerangebot. Unter anderem sollen Pikon und People Consolidated das Beratungsangebot des Heidelberger Unternehmens ergänzen.‣ weiterlesen

Viele Deep-Learning- und Machine-Vision-Anwendungen stellen hohe Ansprüche an die eingesetzten Industrie-Rechner. Für den Einsatz in diesem Umfeld hat Hardware-Spezialist Spectra die PowerBox 4000AC C621A ins Programm genommen.‣ weiterlesen

Mit Hybrid Cloud-Lösungen wollen Firmen die Vorteile des privaten und öffentlichen Cloud-Betriebs erschließen. Managed Cloud Service Provider sind darin geschult, Fallstricke bei der Cloud-Nutzung solcher Infrastrukturen zu bewältigen.‣ weiterlesen

Per Low-Code-Tool können Anwender Prozesskonfigurationen selbst umsetzen. Im MES-Bereich ist dieser Ansatz noch selten zu finden, doch einige Lösungen gibt es bereits.‣ weiterlesen

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige