Die Entwicklung von KI-Lösungen in der Industrie

ist komplex, zeit- und kostenintensiv. Das hemmt Innovationen und könnte den breiten Einsatz und Erfolg von künstlicher Intelligenz (KI) in der deutschen Industrie insgesamt gefährden. Neben den reinen Kosten für eine Neuentwicklung fehlt es oft auch am nötigen Know-How und an Trainingsdaten in geeigneter Qualität und Quantität. Lösungsansätze sind z.B. die Erforschung neuer, allgemeiner einsetzbarer KI-Techniken (sog. Foundation Models) und der Einsatz von Modellsammlungen (sog. Model Hubs), die vortrainierte KI-Modelle für verschiedene Probleme, z.B. Bild-Klassifikationen und Audioverarbeitung basierend auf Standarddaten anbieten. In der Industrie werden aber oft Speziallösungen benötigt, die Spezialdaten mit spezifischen, sensorabhängigen Charakteristika verarbeiten können, z.B. ein spezielles Rauschverhalten, um spezifische Ziele zuverlässig zu erfüllen, z.B. die Vorhersage von Wartungsintervallen in der Messtechnik. Gleichzeitig stehen – je nach Zielprodukt – unterschiedliche Hardware-Ressourcen zur Ausführung der KI-Lösung zur Verfügung. Existierende KI-Lösungen können daher oft nicht direkt eingesetzt werden und es wird – selbst für ähnliche Aufgabenstellungen – für jeden Einsatzzweck und jede Produktvariante eine neue KI entwickelt und trainiert.

Die zentrale Frage dieses Projekts

ist daher, wie kann die Wiederverwendbarkeit von KI-Lösungen in der Industrie erhöht werden, um es Unternehmen so zu erlauben, eine einmal entwickelte KI schnell und kosteneffizient in neue Systeme (z.B. neue Wasserwerke oder Produktionsanlagen) und neue Produktvarianten oder -generationen (z.B. neue Messgeräte) zu übertragen? Dies bezeichnen wir als Transferierbarkeit. Hierzu sollen Ansätze und Verfahren erforscht sowie gemeinschaftlich nutzbare freie Werkzeuge zur Verfügung gestellt werden. Daneben wollen wir auch die Grenzen der Transferierbarkeit untersuchen.

Methodischer Ausgangspunkt des Projekts

sind (1) Ansätze zur Übertragung erlernten Wissens auf neue Probleme bzw. Modelle (sog. Transfer Learning) sowie (2) Ansätze zur automatisierten Optimierung von KI-Modellen (sog. AutoML). Diese sollen weiterentwickelt und für industrielle Anwender nutzbar gemacht werden.

Für die Evaluation

verwenden wir existierende KI-Lösungen und Trainingsdaten von verschiedenen Industriepartnern. Im Rahmen der Weiterentwicklung dieser Lösungen gewinnen wir wichtige Erfahrungen für die Anwendbarkeit der entwickelten Methoden in realen Projekten.

Ziel des Projekts

ist es, in einem breiten, horizontal ausgerichteten Verbund aus Wissenschaft und Wirtschaft branchenübergreifend die Transferierbarkeit von KI zu erforschen und Lösungen zum Transfer zur Anwendungsreife zu bringen. Anders als existierende Forschungsprojekte betrachten wir im Kontext der Transferierbarkeit zwei unterschiedliche Aspekte einer KI in Kombination: (1) ihre Implementierung auf einer Ausführungs-Plattform und (2) ihre Trainings- und Ausführungsdaten.