Automatisierung
Hürden beim KI-Einsatz?
Prof. Dr.-Ing. André Stork über den Einsatz von KI und entsprechenden Herausforderungen.
In der Automatisierungstechnik konzentrieren wir uns auf die Autonomisierung und Qualitätssicherung (QS) mittels Maschinellem Lernen (ML), basierend auf Bildern und 3D-Modellen. Die Herausforderungen hierbei umfassen die Datenbeschaffung und -qualität, die Expertise im Umgang mit ML-Modellen, die Kosten bei deren Training sowie die Geschwindigkeit bei der Auswertung der Modelle, die oft prozessgerecht sein muss. Für die bildbasierte Qualitätssicherung sind große Datenmengen von semantisch angereicherten „Gut-“ und „Schlechtbildern“ nötig, um neuronale Netze zu trainieren. Die Qualität der Bilder und Annotationen ist entscheidend, da Fehler die Leistung des QS-Systems beeinträchtigen. Im aufwendigsten Fall müssen Segmentierung und manuelle Kennzeichnung relevanter Daten von Fachkräften durchgeführt werden. Dies erfordert fundierte Erfahrung und spezielles Fachwissen. Die Auswahl und das Training geeigneter neuronaler Netze erfordern spezielle Kenntnisse, was insbesondere für kleine und mittelständische Unternehmen eine Herausforderung darstellt. Hier bieten Dienstleister und Fraunhofer-Institute Unterstützung. Zudem ist das Training großer neuronaler Netze ressourcenintensiv. Wenn dafür Daten an Cloud-Ressourcen geschickt werden sollen, sind Fragen des geistigen Eigentums zu berücksichtigen. Oft genügt es aber, existierende Modelle anzupassen und lokal fein zu tunen, was Erfahrung und ML-Expertise bedarf. Die Dauer, die ein ML-Modell braucht, um einen neuen Datensatz zu klassifizieren, ist kritisch, wenn – wie häufig – eine Online-Qualitätskontrolle in Prozessgeschwindigkeit gefordert ist. Unser Ziel ist es, diese Herausforderungen in enger Zusammenarbeit mit der Industrie zu bewältigen, indem wir spezialisierte, ressourceneffiziente ML-Lösungen entwickeln. Zur Verbesserung der Datenerhebung verfolgen wir zwei Ansätze: Erstens das Training mit Bildern nur von Gutteilen, zweitens das Synthetisieren von Trainingsdaten basierend auf 3D-CAD-Modellen. Letzteres kann vor Inbetriebnahme eines neuen Fertigungssystems geschehen, um dann bei Inbetriebnahme bereits ein funktionierendes optisches QS-System verfügbar zu haben. Wir sind davon überzeugt, dass viele Hürden im Einsatz von KI in der Automatisierungstechnik abgebaut werden können, um den Einsatz wirtschaftlicher zu gestalten. Dafür sind wir unabhängiger Partner für die Industrie.
Autor: Prof. Dr.-Ing. André Stork, Branchenleiter Automotive, Fraunhofer-Institut für Graphische Datenverarbeitung IGD, Darmstadt
Bild: Fraunhofer IGD
igd.fraunhofer.de
