Machine Learning gemeinsam in der Industrie etablieren

Vor zirka drei Jahren hat Weidmüller sein Industrial Automated-Machine-Learning-Tool (Auto-ML-Tool) vorgestellt. Mit dieser Softwarelösung sollen gerade kleine und mittelständische Maschinenbauer befähigt werden, eigenständig ML-Modelle zu erzeugen. Das heißt, es sind keine Data Scientists erforderlich, sondern die Domänenexperten bringen ihr Fachwissen über ihre Maschinen- und Anlagenprozesse ein, bis am Ende des Modellbildungsprozesses der Experte das für seine Applika­tion geeignetste Modell auswählt.

In einem gemeinsamen Forschungsprojekt mit dem SICP wurden Fragestellungen rund um die Automatisierung des maschinellen Lernens diskutiert und damit Grundlagen für das Tool geschaffen. „Die Industrie hat großes Interesse an der Automatisierung von Künstlicher Intelligenz (KI), also an der automatisierten Weiterverarbeitung von Daten.

Hintergrund ist, dass man für eine zweckmäßige, passgenaue Anwendung von Methoden im Bereich der Künstlichen Intelligenz und des Machine Learning einerseits eine hohe methodische Kompetenz und ­andererseits die Erfahrungen im Themenfeld benötigt. Allerdings verfügen nur wenige Experten zugleich über eine solche Expertise in der Domäne und die Erfahrung in der Erstellung von KI-Lösungen. Findet man dennoch einen solchen Spezialisten, ist er in der Regel sehr kostspielig“, sagt Dr. Gunnar Schomaker, stellvertretender Geschäftsführer Software Innovation Lab und Senior ­Researcher des SICP. Er verdeutlicht: „Aus diesem Sachverhalt entstehen Hürden.“ Ein wichtiges Element, um diese abzubauen, ist aus seiner Sicht die automatisierte Verwendung von KI-Methoden. „Wir müssen Experten im Anwendungsfall eine einfache, hochwertige und automatisierte KI-Lösung an die Hand geben“, nennt er als Antrieb für die Umsetzung des Auto-ML-Tools.

Zwischenbilanz

Mittlerweile hat das Auto-ML-Tool seine Tauglichkeit und Qualität mehrfach in der Praxis unter Beweis gestellt. Unternehmen aus ­unterschiedlichen Industriesegmenten setzen das Tool ein. So ­verwenden unter anderem Boge-Kompressoren, der Separatorenhersteller Gea oder der Verpackungsmaschinenhersteller Multivac das Softwarewerkzeug, um ML-Modelle für die jeweiligen Use Cases zu trainieren.

Ziel der Zusammenarbeit mit Microsoft war und ist es, die Akzeptanz und Verbreitung von ML in der Industrie weiter auszubauen. Seit dem Herbst letzten Jahres ist das Tool über den Azure Marketplace verfügbar. Wie nah ist man nun dem gemeinsamen Ziel gekommen? Tobias Gaukstern, Leiter der Business Unit Industrial Analytics bei Weidmüller, sagt: „Unsere Kunden aus dem Maschinen- und Anlagenbau nehmen unsere Initiative und Lösungen, die wir gemeinsam anbieten, sehr positiv wahr. So gestaltet sich die Nutzung unseres Auto-ML-Tools innerhalb von Microsoft Azure sehr einfach.“ Was die gemeinsam beschlossene Demokratisierung des Themas in der Industrie anbelangt, betrachtet er vier Aspekte separat: „Wir haben es geschafft, den Auto-ML-Ansatz in verschiedenen ­Industriesegmenten zur Anwendung zu bringen – von Automo­tive über Food & Beverage, Medizintechnik bis hin zur Prozess­industrie.“ Auch hinsichtlich konkreter Applikationen sei man gut vorangekommen: „Unser Industrial Auto-ML-Tool wird im Kontext von einfachen Maschinen bis hin zu komplexen Werkzeug- und Verpackungsmaschinen eingesetzt.“ Dabei adressiert Weidmüller mit seinem Tool vor allem kleine und mittelständische Maschinenbauer. „Diese Unternehmen haben vielfach nicht die Kapazitäten, sich ein Team von Data Scientists aufzubauen und nutzen stattdessen effizienter unser Auto-ML-Tool“, verdeutlicht T. Gaukstern. Auch dieses Ziel habe man erreicht. Er fügt an: „Aber auch große börsennotierte Unternehmen gehören zu unserer Kundengruppe.“ Abschließend stellt er zur Beantwortung der Frage heraus, dass zudem der Reifegrad der ML-Lösungen in den Unternehmen betrachtet werden müsse. „Einige Kunden arbeiten bereits seit Längerem mit Microsoft-Lösungen und unserem Tool und haben es bereits geschafft, nicht nur erste Projekte erfolgreich umzusetzen, sondern datenbasierte Produkte in die Serienreife zu überführen – was entsprechende Produkt- und Geschäfts­modellinnovationen voraussetzt. Sie beginnen jetzt mit der Skalierung ihrer ML-Lösungen. Das heißt, dass unsere Auto-ML-Lösung bei diesen Kunden dazu beitragen konnte, Produkt-, Prozess- und Geschäftsmodellinnovationen sowie Umsatz- und Produktivitätssteigerungen zu realisieren“, freut sich T. Gaukstern. Als Antwort auf die Eingangsfrage fügt er an: „Mit unserem Auto-ML-Ansatz sind wir unserem Ziel der Demokratisierung von ML im Maschinenbau also einen großen Schritt nähergekommen.“

Dem fügt Oliver Niedung, IoT Spe­cialist, aus Microsoft-Sicht an: „Wir haben in gemeinsamen Gesprächen mit Kunden nur positives Feedback zum Weidmüller-Tool erhalten. Viele Kunden sind bereits in die Erprobung gegangen.“ Dennoch muss aus seiner Sicht mehr Bewusstsein rund um das Tool geschaffen werden. Er verdeutlicht: „Weidmüller hat es mit seinem Tool in einzigartiger Weise geschafft, den Data Scientist weitgehend zu ersetzen. Nun müssen wir dessen Nutzung und ­Bekanntheitsgrad weiter steigern.“ In diesem Zusammenhang verweist er auf den ­Microsoft-IoT-Signals-Report 2020, für den weltweit mehr als 3.000 Entscheidungsträger zum Thema IoT befragt wurden. „79 % der Teilnehmer gaben hier KI als wesentliches Wertschöpfungswerkzeug an“, unterstreicht Niedung unter Verweis auf das Weidmüller-Industrial-Auto-ML-Tool.