Industrie 4.0
Ein Turbo für Künstliche Intelligenz in der Produktion

Künstliche Intelligenz (KI) in der Industrie 4.0 stößt noch auf technologische Hindernisse, die den KI-Einsatz erschweren. Das Fraunhofer IKS entwickelt ein Framework, das den Daten- und KI-Lebenszyklus unterstützt, optimiert – und so die Wertschöpfung durch KI deutlich steigert.

mask Autos am Produktionsband

Industrie 4.0 beschreibt die fortschreitende Digitalisierung in der Produktion – Maschinen und Abläufe sind intelligent vernetzt, wodurch immer mehr Daten generiert werden können. Künstliche Intelligenz (KI) hat das Potential, aus diesen Daten Informationen zu generieren, um Produktion und Services zu verbessern. Mögliche Anwendungsszenarien sind vorausschauende Wartung (Predictive Maintenance), Optimierung und Automatisierung von Prozessen sowie Qualitätsüberprüfung. Allerdings kann dieses Potenzial in der Industrie 4.0 aktuell noch nicht komplett ausgeschöpft werden, denn: Es existieren mehrere Technologiebarrieren, die die Generierung und Verarbeitung von Informationen einschränken.

Das erste Hindernis stellt die Multi-Vendor-Landschaft in den heutigen Produktionsstätten dar, das heißt: Maschinen von unterschiedlichen Herstellern aus unterschiedlichen Technologiegenerationen mit unterschiedlichen – und oftmals proprietären – Kommunikationsschnittstellen und -protokollen. Durch diese Heterogenität ist ein einheitlicher Datenzugriff nicht möglich. Stattdessen gibt es viele technologiespezifische Insellösungen, für die Domänenwissen benötigt wird.

Unvollständige Datensätze machen Probleme

Das zweite Hindernis ist die fehlende Unterstützung für den Data Scientist. Dieser hat kein Domänenwissen, weswegen er bei der Beschaffung von Echtzeit- oder historischen Daten Unterstützung benötigt. Zusätzlich besteht das Problem von inkompatiblen, inkonsistenten und unvollständigen Datensets, sowie von fehlenden Metadaten. Folglich ist der Datenverarbeitungsprozess häufig mühsam, langwierig, manuell und koordinationsaufwendig.

Das dritte Hindernis ist der inflexible KI-Betrieb. KI-Applikationen werden oft starr in der Cloud oder auf einem lokalen Server betrieben. Dadurch haben die Applikationen nicht die Möglichkeit, die vorhandenen Ressourcen optimal zu nutzen. Zusätzlich sind Updates der KI-Applikationen notwendig – um auf Änderungen in der Produktionsstätte oder den Abläufen angemessen reagieren zu können – wofür jedoch noch keine allgemeine Lösung existiert.

KI-Hub Bayern: Präsentation des Forschungsprojekts »REMORA«

Im Rahmen des KI-Hub Bayern richtet das Fraunhofer IKS das erste Netzwerkevent aus: Am Mittwoch, den 25. Mai 2022 um 16 Uhr stellt die Autorin dieses Blogbeitrags, Hoai My Van, das Forschungsprojekt »REMORA« vor.

Mehr dazu finden Sie hier.

Die Lösung:
ein Framework für den Daten- und KI-Lebenszyklus

Um diese Probleme zu bewältigen, arbeiten Forscherinnen und Forscher des Fraunhofer-Instituts für Kognitive Systeme IKS im Rahmen des Projekts »REMORA – Multi-Stage Automated Continuous Delivery for AI-based Software & Services Development in Industry 4.0« an einem offenen, interoperablen und technologieneutralen Framework, das den Daten- und KI-Lebenszyklus unterstützt und optimiert. Ziel ist es, einen automatisierten, kontinuierlichen, und dynamischen Ablauf sicherzustellen, der besteht aus

  • Datenakquise
  • Datenaggregation
  • Datenaufbereitung
  • KI-Entwicklung
  • KI-Training
  • KI-Integration
  • KI-Betrieb
  • Datenanalyse
  • KI-Überwachung
  • KI-Update

Im Einzelnen soll das Framework folgende Ziele erreichen:

  • Unterstützung des Data Scientist,
  • automatisierte und flexible KI-Integration sowie
  • Automatisierung von KI-Prozessen.

Am Anfang steht die Entwicklung eines Interfaces für den Data Scientist, um den KI-Entwicklungsprozess zu unterstützen. Dieses Interface ermöglicht es, einfach und einheitlich Daten abzufragen, ohne dass technologiespezifische Aspekte wie Kommunikationsinterfaces und -protokolle beachtet werden müssen. Das Interface übernimmt dann – intern – die Abbildung auf die Technologien und die benötigten Datentransformationen. Zusätzlich liefert das Interface eine Übersicht über die Topologie, die Metadaten sowie eine Schnittstelle für das Trainieren und den Betrieb eines KI-Modells. Dieses Interface kann nicht nur von einem Data Scientist, sondern auch von einem Laien in Verbindung mit zum Beispiel einem AutoML-Framework verwendet werden.

Paper

Conference Paper, 2021

Nicola Franco, Hoai My Van, Marc Dreiser, Gereon Weiß: Towards a Self-Adaptive Architecture for Federated Learning of Industrial Automation Systems

Publica.fraunhofer.de Pfeil nach rechts

Am Anfang steht die Entwicklung eines Interfaces für den Data Scientist, um den KI-Entwicklungsprozess zu unterstützen. Dieses Interface ermöglicht es, einfach und einheitlich Daten abzufragen, ohne dass technologie-spezifische Aspekte wie Kommunikationsinterfaces und -protokolle beachtet werden müssen. Das Interface übernimmt dann – intern – die Abbildung auf die Technologien und die benötigten Datentransformationen. Zusätzlich liefert das Interface eine Übersicht über die Topologie, die Metadaten sowie eine Schnittstelle für das Trainieren und den Betrieb eines KI-Modells. Dieses Interface kann nicht nur von einem Data Scientist, sondern auch von einem Laien in Verbindung mit zum Beispiel einem AutoML-Framework verwendet werden.

KI-Applikationen managen

Eine Applikations-Management-Komponente ermöglicht dann die automatisierte und flexible KI­-Integration – von der Komponentenebene bis hin zur Cloud – auf Basis der benötigten Ressourcen und Optimierungsziele. Zusätzlich sorgt der KI-Applikationsmanager zusammen mit dem Dateninterface für die Vernetzung der KI-Applikationen, um den Datenfluss sicher zu stellen.

Zuletzt soll eine KI-Management-Komponente die Automatisierung von KI-Prozessen ermöglichen, also das automatische Re-Training und Re-Deployment eines KI-Modells, um die kontinuierliche Verbesserung der Datenanalyse sicherzustellen. So können zum Beispiel bei einem Austausch von Maschinen automatisch neue Trainingsdaten gesammelt werden, um ein neues KI-Modell zu trainieren. Des Weiteren können automatisiert Operationen als Reaktion auf die Datenanalyse (z.B. Abkühlen bei Überhitzung) oder zur Effizienzsteigerung der Echtzeit-KI-Analyse (z.B. Anpassung der Abtastrate) ausgeführt werden.

Einfache KI-Integration für die Industrie 4.0

Weitere Informationen zum Projekt REMORA finden Sie auf unserer Website.

Mehr Informationen Pfeil nach rechts

Für die Produktion der Zukunft heißt das: Mit diesem Framework kann das Potenzial von KI in der Industrie 4.0 besser ausgeschöpft werden – durch vereinfachten und technologieneutralen Datenzugriff, Unterstützung der KI-Entwicklung, flexible und automatisierte KI-Integration und -Updates – und dadurch die Effizienz im KI-Betrieb gesteigert werden.


Dieses Vorhaben wird im Rahmen des Projektes »REMORA – Multi-Stage Automated Continuous Delivery for AI-based Software & Services Development in Industry 4.0« durch das Bayerische Staatsministerium für Wirtschaft, Landesentwicklung und Energie gefördert und durch die Bayern Innovativ – Bayerische Gesellschaft für Innovation und Wissenstransfer mbH unterstützt.

Nächster Artikel

KI in der Medizin
Unsicherheiten in den Griff bekommen

Narges Ahmidi
Narges Ahmidi
Künstliche Intelligenz & Machine Learning / Fraunhofer IKS
KI in der Medizin