Industrie 4.0

Bild 01: Überreichung des Industrie 4.0 Innovation Award durch Chefredakteur Ronald Heinze (Mitte) an Technologievorstand Volker Bibelhausen (links) und Tobias Gaukstern (rechts) (Quelle: Weidmueller)

Herr Gaukstern, bitte geben Sie zunächst einen Einblick in die aktuelle ML-Marktsituation und Ihre Hintergründe, ein automatisiertes Machine-Learning-Tool zu entwickeln. 

T. Gaukstern: Heute ist es in der Regel so, dass die Datenanalyse und die Erstellung von ML-Modellen von Data Scientists vorgenommen werden. Dieser Prozess ist weitgehend manuell und explorativ. Dabei entsteht nicht nur das eigentliche Modell, sondern auch eine sogenannte ML-Pipeline, in der die Daten viele Verarbeitungsschritte durchlaufen und an deren Ende das Modell ausgeführt sowie das Ergebnis ausgegeben wird. Der Prozess der Modellbildung und der Erstellung der ML-Pipeline ist komplex. Insgesamt gibt es bis zu 1040 Kombinationsmöglichkeiten, um eine ML-Lösung aufzubauen. Die konkrete Ausgestaltung der ML-Pipeline ist für jeden Use Case spezifisch. Natürlich gibt es einige Softwarewerkzeuge für den Data Scientist, die den grundlegenden Aufbau der Pipeline unterstützen und damit dessen Arbeit vereinfachen. Jedoch sind die meisten Parameter für die ML-Lösung in kreativer und zugleich mühevoller Arbeit manuell zu bestimmen. Bei der Modellbildung und dem Aufbau der Pipeline diskutiert der Data Scientist kontinuierlich die anhand der Daten ermittelten Zusammenhänge mit den Maschinen- und Prozessexperten. Gemeinsam erfolgt eine ingenieurmäßige Interpretation der Ergebnisse, wodurch letztendlich die Parameter für das Modellsowie die Pipeline identifiziert und festgelegt werden. Das Applikationswissen der Domänenexperten trägt also entscheidend für den Erfolg einer guten ML-Lösung bei.

1 / 4

Ähnliche Beiträge