Chat with your data: Unternehmensdaten als Basis für einen eigenen KI-Assistenten nutzen.
Zum Angebot 

Projekt „DeKIOps“

Demokratisierung von KI mit verständlichem und einfach zugänglichem Machine Learning Operations (MLOps)

Zusammen mit der senswork GmbH, der eresult GmbH und unter der Leitung des Fraunhofer Instituts für Integrierte Schaltungen IIS arbeiten wir im DeKIOps-Projekt daran, KI-Tools für alle Unternehmen nutzbar zu machen, ohne dass sie KI-Expertise im eigenen Haus haben müssen.

Projektziele – Leitlinie und Demonstratoren

Aus der Zusammenarbeit sollen bis Ende 2025 allgemeingültige Leitlinien und zwei Demonstratoren in industriellen Anwendungen entstehen. Die Entwicklungsleitlinien für verständlich bedien- und wartbare ML-Systeme sollen die operative Nutzung dieser ML-Systeme für Endanwender:innen ohne KI-Expertise ermöglichen. Dabei ist das übergeordnete Ziel dieses Forschungsvorhabens die Demokratisierung von ML-Systemen und der niederschwellige Zugang zu ML-Lösungen. Damit will das Projekt dem Fachkräftemangel von ML-Expert:innen entgegenwirken.

Die Entwicklungsleitlinien werden auf Basis von technischen und menschlichen Anforderungen erforscht und generalisierbare Aspekte hierbei priorisiert. Das daraus entstehende generische MLOPs-Framework wird auf Basis von zwei unterschiedlichen Anwendungsfällen aus der industriellen Fertigung in Form zweier Demonstratoren evaluiert. Bei erfolgreicher Evaluierung werden diese Leitlinien als auch das Systemkonzept über Publikation und Open Sourcing zur Verfügung gestellt.

Für den Praxistest entwickelt der Bildverarbeitungs- und KI-Experte senswork ein Vision AI System, das sich künftig ohne KI-Fachwissen bedienen und warten lässt. Die Usability – Softwareergonomie als auch UX-Design – hat dabei neben dem Einsatz von innovativer KI-Technologie den Vorrang. Das Projekt soll die Zugangsschwelle zu KI im Vision-Bereich signifikant verringern. In der Folge wirkt dies zudem dem Fachkräftemangel entgegen.

Um die Allgemeingültigkeit des erarbeiteten Frameworks zu gewährleisten, untersucht inovex parallel einen zweiten Use Case im Kontext Zeitreihenanalyse und Predictive Maintenance. eresult begleitet derweil das Projekt mit seiner Usability-Expertise.

Praxisprojekt bei Zuliefer­unternehmen

In einem ersten Demonstrator soll in der Großserienfertigung eines Zulieferunternehmens ein Spektrum von Produkten geprüft werden. Bei dieser bildgebenden Qualitätssicherung liegt der Fokus auf der Untersuchung von Fehlstellen im Produkt. Es wird daher eine visuelle, automatisierte und KI-basierte Qualitätssicherung (Computer Vision) entwickelt.

Der zweite Fall betrachtet ebenfalls die Qualitätssicherung, allerdings mit Fokus auf damit verbundene notwendige prädiktive Instandhaltung. Die entwickelten Lösungen werden von den Endnutzenden der Anwendungspartner anhand verschiedener Metriken wie Benutzerfreundlichkeit, Verständlichkeit usw. bewertet.

Allgemeine Systeme aus Praxis ableiten

Um die MLOps-Systeme für die beiden betrachteten, unterschiedlichen Anwendungsfällen zu verallgemeinern, werden vor der Modellierung die Zielfunktion sowie eine geeignete Trainingsmethode, die von der Art und Menge der Daten abhängt, definiert. Anschließend werden die Ergebnisse der ML-Modelle in ein verständliches Format übertragen, so dass auch Endnutzende ohne Expertenwissen verwertbare Erkenntnisse erhalten und mit dem System gemäß ihren Anforderungen interagieren können.

Wie kann ich Sie unterstützen?

Dr. André Ebert

Machine Learning Engineer