Machine Learning ohne Expertenwissen
Auto-ml-tool von Weidmüller ermöglicht effizientere Produktionsprozesse und neue daten-basierte Geschäftsmodelle
Das neue Machine-learning-tool von Weidmüller bietet eine gute Grundlage für effizientere Produktionsprozesse und neue datenbasierte Geschäftsmodelle. Das Wissen des Maschinen- und Anlagenbetreibers über die Maschine, die Produktionsprozesse und die Fehlerbilder fließt direkt in die entsprechenden Machine-learning-modelle mit ein. Durch den Fokus auf die Domänenexperten im Maschinen- und Anlagenbau sowie die Betreiber macht das „Auto-ml-tool“die Verfahren der künstlichen Intelligenz sowie des maschinellen Lernens für den industriellen Nutzer einfach anwendbar.
Seit mehreren Jahren dringt die Digitalisierung immer weiter in die industrielle Produktion vor. Die Verheißungen, durch Datenerhebung und -analyse die eigene Effizienz und Produktivität zu steigern sowie neue Geschäftsmodelle zu entwickeln, klingen vielversprechend in einem Zeitalter, in dem die meisten Unternehmen auf der Suche nach neuen Wachstumsmöglichkeiten sind. Seit Jahren steht daher der Begriff Industrie 4.0 oder auch „Smart Production“stellvertretend für sämtliche Aspekte, die mit den Hoffnungen rund um die vierte industrielle Revolution verbunden sind. Auch für den Maschinen- und Anlagenbau in Deutschland liegen viele Erwartungen und Hoffnungen auf mehr Wachstum in den neuen Produktionskonzepten und dem Einsatz neuer Technologien.
Zu den Treibern dieser Entwicklung zählen unter anderem künstliche Intelligenz (KI) und Machine Learning (ML).
Zusammengefasst als „Industrial Analytics“beschreibt es den Prozess, wie Maschinendaten gewinnbringend genutzt, Maschinen intelligent gemacht und neue datenbasierte Geschäftsmodelle umgesetzt werden. Die Technologien ermöglichen eine höhere Maschinenverfügbarkeit, die Senkung der Instandhaltungskosten und die Verbesserung der Produkt- und Prozessqualität. Diese Vorteile überzeugen besonders die Unternehmen im Maschinenund Anlagebau davon, sich mit Industrial Analytics und Automated Machine Learning auseinander zu setzen.
Automated Machine Learning
Viele Unternehmen beschäftigen sich bereits intensiv mit dem Thema Automated Machine Learning. Alle bisherigen Ansätze und Machine-learning-tools haben als primäre Zielgruppe aber immer noch Spezialisten aus dem Bereich Datenanalyse – wie etwa Data Scientists. Dabei übernehmen Data Scientists die Datenanalyse und Modellbildung. Ihr Expertenwissen ist bisher meist notwendig, um die Methoden der künstlichen Intelligenz oder des maschinellen Lernens auf die Daten anzuwenden und Modelle zu entwickeln, die beispielsweise Anomalien erkennen und Fehler voraussagen können. Bei diesem Ansatz hat der Anwender keine Möglichkeit, sein Domänenwissen bei der Modellerstellung mit einzubringen und gleichzeitig die Vorteile einer automatisierten Anwendung von Machine Learning zu nutzen. Natürlich arbeitet der Data Scientist bei der Modellentwicklung eng mit dem Maschinenbauer beziehungsweise -betreiber zusammen, um die gefundenen Zusammenhänge in den Daten richtig zu interpretieren.
Kein Spezialwissen erforderlich
Weidmüller verfolgt einen anderen Ansatz mit der Automated Machine Learning Soft
ware für den Maschinen- und Anlagenbau, die genau das ermöglicht: Maschinenbauer und -betreiber können die Vorteile von künstlicher Intelligenz und Machine Learning selbstständig nutzen, und zwar ohne notwendiges Spezialwissen im Bereich Data Science. Klassische Automatisierungsund Maschinenbauexperten konzentrieren sich auf ihre Kernaufgaben. Sie verfügen in der Regel nicht über die Kenntnisse und das Expertenwissen, um die entsprechenden Modelle zu entwickeln, mit denen sich zum Beispiel Anomalien erkennen oder Fehler vorhersagen lassen. „Mit einer Automated Machine Learning Software werden Berührungsängste zu ML abgebaut und gleichzeitig Anwendungswissen aufgebaut. Zugleich behindert der Mangel an Experten zur Datenanalyse nicht mehr den Einsatz von künstlicher Intelligenz, womit wir die Anwendung von ML in der Industrie demokratisieren“, berichtet Tobias Gaukstern, Leiter Business Unit Industrial Analytics bei Weidmüller.
Der Maschinen- und Anlagenbetreiber besitzt ein tiefgreifendes Verständnis für die Maschine, die Produktionsprozesse und die Fehlerbilder. Diese Erfahrungen und das Domänenwissen wurden über Jahre aufgebaut und sind für die Modellerzeugung sehr wertvoll. Dieses Wissen macht sich das Auto-ml-tool von Weidmüller zu Nutze und integriert das vorhandene Domänenwissen – wohlwissend, das mit Domänenwissen angereicherte Modelle genauer, robuster und zuverlässiger sind als komplett automatisiert erzeugte Modelle. Das Software-tool führt den Anwender durch den Prozess der Modellentwicklung. Dadurch reduziert sich die Komplexität, und der Nutzer kann sich auf sein Wissen über das Maschinen- und Prozessverhalten fokussieren. Maschinen- und Anlagenexperten können die Erstellung und Weiterentwicklung der Modelle eigenständig vorantreiben.
Das vorhandene Wissen bleibt im Unternehmen.
Die Software hilft bei der Übersetzung und Archivierung des komplexen Applikationswissens in eine verlässliche Machine-learning-anwendung. „Stellen Sie sich vor, dass der Domänenexperte in zwanzig Minuten ein erstes Ml-modell für eine Anomalie-erkennung erzeugen kann, wofür ein Data Scientist in einem klassischen Projekt Tage bis Wochen brauchen würde“, betont Tobias Gaukstern.
Unüberwachtes und überwachtes ML
Es gilt also beides zusammenzubringen: die Möglichkeit, das Domänenwissen bei einer Modellerstellung mit einzubringen und gleichzeitig die Vorteile einer automatisierten Anwendung von Machine Learning zu nutzen. Um das Domänenwissen der Maschinen- und Prozessexperten optimal zu integrieren und gleichzeitig Modellbildungsschritte zu automatisieren, wird geschickt sogenanntes „unüberwachtes“(in den Eingabedaten Muster erkennen, die von strukturlosen Informationen abweichen) und „überwachtes“Machine Learning (die Fähigkeit Gesetzmäßigkeiten nachzubilden, die durch Expertenwissen bekannt sind) miteinander verknüpft. Tobias Gaukstern ist überzeugt: „Zukünftiger Unternehmenserfolg wird maßgeblich davon abhängen, in wieweit es den Unternehmen gelingt, künstliche Intelligenz in die Produkte und Services zu integrieren, um Wertschöpfungspotenziale zu erschließen.“
Weidmüller unterstützt diese Entwicklung mit dem Automated-machine-learning-tool für den Maschinen- und Anlagenbau, mit dem die Nutzer Modelle eigenständig erzeugen und weiterentwickeln können, ohne dabei auf die Hilfe eines Data Scientists oder eines externen Kooperationspartners angewiesen zu sein. Das vorhandene Wissen über Prozesse und Maschinen bleibt so im Unternehmen, da diese ihr Domänenwissen selbstständig einpflegen können. Das „Auto-ml-tool“demokratisiert quasi die Anwendung von künstlicher Intelligenz (KI), denn die Methoden werden einer breiten Masse zugänglich gemacht. Die Maximierung der Produktionszeiten durch Industrial Analytics steht in einem direkt messbaren Mehrwert, der sich in einer „Return-on-invest-zeit“von wenigen Monaten niederschlägt.