Interview mit Tobias Gaukstern

Auto-ML-Tool

Bild 02: Einfacher Betrieb und kontinuierliche Optimierung der Modelle – Das Auto-ML-Tool führt den Anwender durch den Prozess der Modellentwicklung und -optimierung (Quelle: Weidmueller)

Model-Builder

Bild 03: Mit dem Modellbuilder lassen sich ML-Modelle im Betrieb optimieren (Quelle: Weidmueller)

Wie bringt nun der Maschinenbauer sein Know-how in das ML- Tool ein?

T. Gaukstern: Bei der automatischen Modellbildung werden zunächst auf Basis der Struktur der Trainingsdaten der Analyseaufgabe und des Applikationswissen automatisch passende ML-Verfahren ausgewählt. Dabei werden bis zu 300 Features für jede Datenspur aus den Rohdaten erzeugt und somit ein relativ großer Lösungsraum aufgespannt. Anschließend erfolgt das Training der alternativen ML-Modelle mit unterschiedlichen Featurekombinationen und der Optimierung ihre Hyperparameter. Danach erfolgen eine Validierung der Modelle und ihre Integration in die parallel generierte ML-Pipeline. All diese Schritte laufen vollständig automatisch ab. Je nach Komplexität kann die Berechnung der Modelle Minuten oder Stunden dauern. Erste Modelle liegen schon nach wenigen Minuten vor, sodass der Nutzer schnell eine Rückmeldung zur Güte der Modelle bekommt und entscheiden kann, ob der Modellbildungsprozess fortgesetzt oder abgebrochen werden soll.

Entscheidend für den Erfolg des Modellbildungsprozesses ist nun das Applikationswissen der Domänenexperten, mit dem der Trainingsdatensatz angereichert wird. Auf Basis ihres Maschinen- und Prozesswissens können sie die Daten labeln, also zum Beispiel gewünschtes und nicht gewünschtes Verhalten der Maschine in den Daten markieren. Nach demselben Prinzip lassen sich bestimmte Prozess- oder Fertigungsschritte labeln. Ein typisches Beispiel ist das Anlaufverhalten einer Maschine. Ebenso kann der Nutzer eigene Feature erzeugen, die in den Rohdaten nicht enthalten sind aber helfen, den Fertigungsprozess zu beurteilen. Der mit dem Applikationswissen angereicherte Datensatz ist die Eingangsgröße für anschließende automatische Generierung der ML-Modelle. Dabei entstehen ML-Lösungen, die mit den von Data Scientists manuell erstellten Lösungen vergleichbar sind. Am Ende des Modellbildungsprozesses wählt der Nutzer das für seine Applikation am besten passende Modell nach bestimmten Kriterien, wie Modellgüte oder Ausführungszeit, aus. Das favorisierte Modell kann exportiert und gespeichert oder in die Ausführungsumgebung integriert werden.

Insgesamt ermöglichen wir es damit praktisch jedem Applikationsexperten in der Industrie, mit unserem Tool über ML-Modelle verschiedene Use Cases zu erstellen und einzusetzen. Es reduziert die Komplexität beim Einsatz des maschinellen Lernens und beschleunigt die Realisierung von ML-Lösungen in hohem Maß. Damit leisten wir einen Beitrag, die Industrie mit ML-Anwendungen in der Breite zu durchdringen. Diesen Aspekt sehen wir als entscheidend für den ökonomischen und ökologischen Erfolg des europäischen Wirtschaftsstandorts.

www.weidmueller.com 

Weidmüller
4 / 4

Ähnliche Beiträge