Dateneffiziente KI

© AdobeStock

Die Grundidee des Maschinellen Lernens besteht darin, dass ein künstliches System anhand von Mustern und Zusammenhängen in Daten lernt. Eine ausreichende Datengrundlage ist daher für den Einsatz von Maschinellem Lernen essenziell. Der Begriff »ausreichende Datengrundlage« bezieht sich hier auf die Quantität, Qualität, Relevanz und Diversität der Daten.

Die hohe Datenmenge ist in der Produktion allerdings häufig herausfordernd, da die Daten im Produktionsumfeld erzeugt und aufwendig annotiert werden müssen. Darüber hinaus sind Grenzfälle in den Daten oftmals wenig bis gar nicht abgedeckt. Dies kann im produktiven Einsatz zu Fehlentscheidungen des gelernten Modells führen. Ein Lernen am realen System, wie es bei Ansätzen mit Reinforcement Learning nötig wäre (also dem Lernprinzip aus Versuch und Irrtum), ist aufgrund der hohen Kosten, Dauer und Wartungsintensität in der Regel nicht möglich.

Deshalb stellt sich die Frage, wie auch mit wenigen realen Daten ein gutes Machine-Learning-Modell trainiert werden kann. Dies ist die zentrale Fragestellung, mit der sich die dateneffiziente KI beschäftigt. Mögliche Lösungsansätze sind sehr vielfältig und reichen vom Einsatz von Simulationsumgebungen und der Nutzung digitaler Zwillinge über datensparsame Lernverfahren bis zu Ansätzen, um bereits vorhandenes Wissen zu integrieren. Die Aktivitäten zum Thema Dateneffiziente KI umfassen in erster Linie sogenanntes »Physics-informed Machine Learning« und dateneffizientes Reinforcement Learning.

 

Physics-Informed Machine Learning

Die Grundidee des Maschinellen Lernens besteht darin, dass ein künstliches System anhand von Mustern und Zusammenhängen in Daten lernt. Dieser Ansatz hat sich in den letzten Jahren, vor allem durch Entwicklungen im Bereich Deep Learning, als sehr wichtig herausgestellt.

 

Dateneffizientes Reinforcement Learning

Dateneffizientes Reinforcement Learning beschreibt eine Forschungsrichtung, die versucht, datenhungrige Algorithmen durch den Einsatz von Expertenwissen, physikalischen Gesetzen, Abstraktion oder einem Digitalen Zwilling dateneffizienter zu machen.

 

RoboGrind – Hybride KI für die flexible und hochautomatisierte Oberflächenbearbeitung mit Robotern

Ziel des Forschungsprojekts »RoboGrind« ist die Entwicklung eines flexiblen und hochautomatisierten KI-Systems zur Oberflächenbearbeitung mit Robotern, um eine wirtschaftliche Wiederaufbereitung zu erreichen.

 

Future Work Lab

Digitalisierung und Industrie 4.0 verändern die Industriearbeit deutlich. Auch der Einsatz von KI rückt zunehmend in den Fokus. Wie lässt sich das Potenzial von KI für die Produktion nutzen und wie sehen mögliche Anwendungsfälle aus? Im Future Work Lab können Sie die Industriearbeit der Zukunft live erleben.

 

KIRK

In der Produktion ergeben sich häufig hohe Anforderungen an die Genauigkeit der eingesetzten Roboter. Im Projekt »KIRK« werden neue KI-basierte Kalibriermethoden entwickelt, um die Genauigkeit von Industrierobotern deutlich zu erhöhen. Durch den Einsatz von Physics-Informed Machine Learning sind die entwickelten Kalibriermethoden nicht nur genau, sondern auch robust und in Teilen erklärbar.

 

Rob-aKademI

Für Montageaufgaben ist die Roboterprogrammierung bislang aufwendig und zeitintensiv. Im Projekt »Rob-aKademI« wird deshalb erforscht, wie sich die Programmierung durch den Einsatz von Simulationen und Maschinellem Lernen, genauer von dateneffizientem Reinforcement Learning, erleichtern und autonomer gestalten lässt.