Schwerpunkte

Machine Learning

Lösungsansätze im direkten Vergleich

11. November 2019, 08:00 Uhr   |  Markus Ahorner, Jens Eickmeyer, Dr. Oliver Niggemann, Peter Seeberg

Lösungsansätze im direkten Vergleich
© Fraunhofer IOSB-INA

Das Thema Machine Learning wirft eine Reihe von Fragen auf: Welche Daten sollten mit welchen Methoden analysiert werden? Welche Rolle übernimmt der Nutzer im Datenanalyseprozess? Und wie sieht es mit Echtzeit-Fähigkeit, Erklärbarkeit und Zuverlässigkeit der Ergebnisse aus?

Machine Learning ist eines der großen Schlagworte im Bereich der industriellen Fertigung. Doch wie lässt sich die Technologie in der Praxis sinnvoll implementieren und welche speziellen Herausforderungen ergeben sich hierbei? Mit diesen Fragen beschäftigten sich Vertreter aus Industrie und Forschung Ende letzten Jahres in Baden-Baden auf der VDI-Konferenz ‚Machine Learning in der Produktion‘.

Bei der Suche nach einer geeigneten Implementierungsstrategie kristallisierten sich drei aktuelle Methoden heraus, die sich zum einen im Grad der Autonomie unterscheiden: Ist das Ziel, dass die ML-Lösung ohne Benutzer-Interaktionen – sprich autonom – funktioniert? Oder ist das Ziel eine Interaktion mit einem Data Scientist? Zum anderen spielt der Ort der Berechnung eine wesentliche Rolle: Soll die Datenanalyse in der Edge, also in den echtzeitfähigen Automationsgeräten, stattfinden? Oder liegen alle Daten in der Cloud, wo die Analyse mit viel Rechenleistung stattfindet?

Nachfolgend die stark vereinfachten Methoden im Einzelnen mit ihren jeweiligen Vor- und Nachteilen.

Seite 1 von 5

1. Lösungsansätze im direkten Vergleich
2. Methode 1: Interaktive Datenanalyse
3. Methode 2: AutoML
4. Methode 3: Generische ML-Verfahren
5. Zusammenfassung

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Verwandte Artikel

Fraunhofer IOSB (Institut für Optronik, Systemtechnik und Bildauswertung), asimovero.AI AG, Ahorner und Partner, Helmut-Schmidt-Universität d. Bundeswehr Hamburg

SPS 2019