Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
35 www computerautomation de ● smart factory 2020 machine learning Bild Fraunhofer IOSB-INA ML ist nicht gleich ML! 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 dieser Fragen beschäftigten sich Vertreter aus Industrie und Forschung Ende letzten Jahres in Baden-Baden auf der VDIKonferenz 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 Vorund Nachteilen Methode 1 Interaktive Datenanalyse Dieser Ansatz entspricht dem klassischen Vorgehen bei der Datenanalyse Ein Experte sichtet manuell die Daten und erarbeitet sich ein Verständnis bezüglich des Analyse-Problems Basierend auf diesen Informationen erfolgt eine Auswahl der AnalyseMethoden Der Experte wendet diese Methoden auf die Daten an und optimiert manuell die Parameter der Methode Am Ende werden die Ergebnisse grafisch aufbereitet und präsentiert Typisch bei diesem Vorgehen ist dass der Experte zumeist einen Informatikoder datenwissenschaftlichen Hintergrund hat und für die Analyse auf spezielle Datenanalysewerkzeuge setzt Auswahl