Warum wird Deep Learning benötigt?

Deep Learning (DL) und seine Methoden sind Repräsentationslerntechniken mit mehreren Darstellungsebenen, die durch die Zusammenstellung einfacher, aber nichtlinearer Module erreicht werden, wobei jedes die Darstellung auf einer Ebene beginnend mit der anfänglichen Eingabe in eine Darstellung auf einer höheren Ebene umwandelt. Der Hauptunterschied zwischen ML und DL besteht in der Fähigkeit, unstrukturierte Daten durch künstliche neuronale Netze zu verarbeiten.

Deep Learning kann mithilfe künstlicher neuronaler Netzeunstrukturierte Informationen, wie Text, Bilder, Audio und Video, in numerische Werte umwandeln. Die extrahierten Informationen werden dann zur Mustererkennung oder zum weiteren Lernen verwendet [4]. Deep Learning besitzt die Eigenschaft, industrielle Anwendungen zu skalieren, um leistungsstärkere Ergebnisse zu erzielen:

• Automatisierung von Funktionen: Ohne weiteren menschlichen Input können Deep-Learning-Algorithmen aus einer kleinen Sammlung von im Trainingsdatensatz vorhandenen Features neue Features erstellen. Deep Learning kann daher herausfordernde Aufgaben bewältigen, die häufig einen erheblichen technischen Aufwand erfordern.
• Anwendungen bei großen Datenmengen: Die Fähigkeit des DL, unstrukturierte Daten zu verarbeiten, ist einer seiner Hauptvorteile. Wenn man bedenkt, dass der Großteil der bei der Produktion erzeugten Daten unstrukturiert ist, ist dies in kommerziellen Anwendungen von großer Bedeutung. Da sich unstrukturierte Daten mit herkömmlichen ML Algorithmen nicht vollständig analysieren lassen, wird dieser Wissensschatz häufig nicht ausreichend genutzt. DL ermöglicht bei solchen Einsatzfällen einen erheblichen Anwendernutze.
• Gute Selbstlernfähigkeit: Tiefeneuronale Systeme umfassen zahlreiche Schichten, was es Modellen ermöglicht, anspruchsvollere Aufgaben zu erledigen und komplexere Eigenschaften zu lernen. Bei Aufgaben mit unstrukturierten Datensätzen und maschineller Wahrnehmung übertrifft es maschinelles Lernen. Dies liegt daran, dass DL-Algorithmen aus ihren eigenen Fehlern lernen können. Es verfügt über die Möglichkeit, die Genauigkeit seiner Ergebnisse zu überprüfen und die erforderlichen Korrekturen vorzunehmen. Allerdings bestimmt die Korrektheit der Ausgabe bei herkömmlichen Modellen des ML im wesentlichen Maße der Anwender.

Low-Code/No-Code-Software-Framework für industrielle Anwendungen

Intuitive Low-Code/No-Code-Software-Frameworks enthalten ML/DL-Methoden zur Datenverarbeitung durch leistungsstarke KI-Modelle. Sie sind eine bequeme und kostengünstige Möglichkeit, schnell KI-Lösungen zu erstellen. Solche Frameworks umfassen Bibliotheken und Schnittstellen, welche Anwendern aus den Fachbereichen und Datenwissenschaftlern helfen, KI-Modelle bequem zu erstellen. Dabei beziehen sich DL Anwendungen auf große Datensätze, bei denen komplexe Algorithmen daran arbeiten, ein Modell zu trainieren. DL Methoden nutzen neuronale Netze, um Computermodellen dabei zu helfen, Informationen vorherzusagen und zu klassifizieren, indem sie Eingabedaten über Schichten filtern.

Proficy CSense ist ein Low-Code/No-Code-SoftwareFramework für industrielle Anwendungen, basierend auf KI mit integrierten ML und DL-Methoden. Somit besteht die Möglichkeit, Erkenntnisse aus historischen Daten zu gewinnen und einfache Berechnungen, präskriptive und prädiktive Analysen sowie Optimierungs und Steuerungslösungen schnell zu entwickeln, zu testen und einzusetzen (Bild 2). Damit Ingenieure Prozessprobleme vorhersagen und verhindern können, wird ein digitaler Prozesszwilling erstellt. Mit diesem lassen sich auch Abläufe simulieren und optimieren.

Proficy CSense besteht aus drei Modulen, die jedes für sich verschiedene Aspekte des DL und ML abdecken. Das Ineinandergreifen der Module ermöglicht eine umfassende Unterstützung beim Analysieren, Beobachten, Vorhersagen, Simulieren, Optimieren  für die intelligente Prozessanalyse. Die Kombinationsmöglichkeiten aus Datenaufbereitung, Datenvorbereitung, künstlicher Intelligenz und Datenanalyse, die sich mit Proficy CSense bieten, bilden die Entwicklungsgrundlage für solide digitale Zwillinge für Anlagen, Netzwerke und Prozesse. All diese Möglichkeiten tragen dazu bei, die Produktivität zu steigern, Ausfallzeiten von Anlagen zu verringern und Varianzen in der Produktqualität zu reduzieren [5].

Wofür genau werden Python und ONNX verwendet?

Ziel ist es, den komplizierten Datenanalyseprozess mit den im Low Code/No-Code Software Framework Proficy CSense integrierten Verfahren zu erleichtern. Wie im Bild 3 dargestellt, sind zusätzlich zu den integrierten Verfahren zahlreiche Erweiterungen, wie Python und ONNX, integriert.

Python ist eine Computerprogrammiersprache, die häufig zum Erstellen von Software, zur Automatisierung von Aufgaben und zur Durchführung von Datenanalysen verwendet wird [6]. Seit 2018 ist Python die beliebteste Programmiersprache für Data Science, ML und DL Anwendungen. Python ist eine Allzwecksprache, das heißt, sie ist nicht auf bestimmte Probleme spezialisiert und lässt sich zum Erstellen verschiedener Programme für Forschung, Entwicklung und Produktion im kleinen und großen Maßstab verwenden. Auch Proficy CSense besitzt eine Python Schnittstelle.

ONNX oder Open Neural Network Exchange ist ein Open Source Standard zur Darstellung von DeepLearning Modellen [7]. Es wurde entwickelt, um Anwendern das Verschieben von Modellen zwischen verschiedenen Deep Learning Frameworks und Hardwareplattformen zu erleichtern. ONNX bietet außerdem eine Reihe von Tools zur Optimierung und Quantisierung von Modellen, die dazu beitragen können, den Speicher und Rechenbedarf des Modells zu reduzieren. Dies kann besonders nützlich für die Bereitstellung von Modellen auf Edge-Geräten und anderen ressourcenbeschränkten Umgebungen sein. Einer der Hauptvorteile der integrierten ONNX-Schnittstelle besteht darin, dass sich Modelle problemlos von anderen Systemen in Proficy CSense importieren lassen.