Lukas Wehinger

Die vorherigen drei Teile unserer Serie sind auf die Technologien »unter der Motorhaube« von DEEP, der Machine-Learning-Toolkette des Fraunhofer IKS, eingegangen. Hier nun folgt mit den Prozessschritten des DEEP-Verfahrens der Blick auf das »große Ganze« – wie man DEEP einsetzen kann, um die Probleme beim Einsatz von Maschinellem Lernen (ML) für zukünftige flexible Qualitätsinspektion in den Griff zu bekommen.

DEEP, die Machine-Learning-Toolkette des Fraunhofer IKS, ermöglicht die Automatisierung von Qualitätskontrollen in der Produktion, und das auch bei komplexen Anforderungen. Wesentliche Bestandteile dieser Lösung sind die ebenfalls vom Fraunhofer IKS entwickelten Technologien FAST und Robuscope.

Machine Learning (ML) gilt als Hoffnungsträger für die Automatisierung von Qualitätskontrollen in der Produktion, und das auch bei komplexen Anforderungen. Allerdings erfordern ML-Ansätze genügend große Datensätze, um das System zu trainieren, die häufig nicht zur Verfügung stehen. Die ML-Toolkette DEEP (Data Efficient Evaluation Platform) des Fraunhofer IKS schafft hier Abhilfe.

Von der medizinischen Diagnose bis hin zur Qualitätskontrolle: Visuelle Information wird häufig für wichtige Entscheidungen herangezogen. Eine Automatisierung dieser Entscheidungen kann Fachleute entlasten und Fehler vermeiden. Dafür sind komplexe KI-Systeme notwendig, für deren Entwicklung große Datenmengen benötigt werden und die in der Regel keine zuverlässigen Aussagen treffen können. FAST versucht, eine Antwort auf diese Probleme bereitzustellen: ein Framework, um zuverlässige KI-Systeme mit wenig Ausgangsdaten zu entwickeln.