Ob im Labor, in der Kultivierung oder in der Fertigung: Viele Prozesse liefern zu wenig Daten für klassische KI-Verfahren. Die Modelle sind groß, die Anforderungen hoch, der Nutzen für kleinere Unternehmen oft gering. Hier setzt AI4ScaDa an. Das Ziel ist es, Unternehmen in die Lage zu versetzen, mit gezielten Experimenten und einem durchdachten KI-Workflow auch aus kleinen Datensätzen zu lernen und dabei sogar Expertenwissen systematisch zu sichern. Herzstück des Projekts ist eine Software, die den gesamten Prozess von der Versuchsplanung über die Modellierung bis hin zum aktiven Lernen begleitet.
„Wir wollten ein Werkzeug entwickeln, das nicht nur für KI-Expert:innen nutzbar ist, sondern ganz bewusst für kleine Unternehmen mit begrenzten Ressourcen“, sagt Julian Bültemeier, Projektpartner von der Technischen Hochschule Ostwestfalen-Lippe. „Die Bedienbarkeit war uns genauso wichtig wie die methodische Tiefe.“
Wenn Erfahrung zur Datenquelle wird
Ein Beispiel liefern die Projektbeteiligten mit der Pflanzenanzucht. Hier geht es oft um die Frage: Wann lohnt sich mehr Licht? Klassische Experimente beanspruchen Zeit, Ressourcen und Material. AI4ScaDa hilft hier, mit wenigen gezielten Versuchen herauszufinden, wann sich eine weitere Intensivierung nicht mehr lohnt. Dabei bleiben die Entscheidungen für die Anwenderinnen und Anwender nachvollziehbar. Ein Entscheidungsbaum zeigt, was warum passiert.
Ein zweiter Anwendungsfall ist das Bewahren von Expertenwissen. In vielen Unternehmen droht durch den demografischen Wandel ein Verlust von Prozess-Knowhow. Mit AI4ScaDa wollen die Projektbeteiligten hier eine Brücke schaffen. Erfahrene Mitarbeitende definieren typische Parameter und bewerten Versuchsergebnisse. Diese werden im Modell abgebildet, der Entscheidungsbaum speichert ihr Wissen für künftige Generationen. In der industriellen Bildverarbeitung stellen PC-basierte Systeme oft eine technische Hürde dar. Die Trennung von Bildaufnahme und Datenverarbeitung führt häufig zu Latenzen, erhöhtem Platzbedarf und einem komplexen Wartungsaufwand. Besonders in schnellen Produktionslinien erschwert die Synchronisation zwischen Sensor und externem Rechner eine stabile Prozesskontrolle. ‣ weiterlesen
Präzise 2D-Inspektion mit nativer Edge-Intelligenz
„In dem nächsten Jahrzehnt gehen ca. 7,3Mio. Beschäftigte in Rente. Dadurch verschwindet oft auch ein großer Teil des Prozesswissen“, sagt Marvin Schöne, Projektkoordinator von der Hochschule Bielefeld. „Mit AI4ScaDa haben wir einen Workflow geschaffen, um dieses Wissen systematisch zu erfassen und für die nächste Generation verfügbar zu machen.“
Entscheidungsbäume sorgen für Nachvollziehbarkeit
Technisch basiert der Workflow auf GUIDE-Entscheidungsbäumen, einer speziellen Form von Entscheidungsbäumen, die mithilfe statistischer Tests besonders robuste und leicht interpretierbare Modelle erzeugen und somit laut der Beteiligten ideal für kleine und unvollständige Datensätze geeignet sind. Statt mathematischer Blackbox liefern sie nachvollziehbare Regeln: „Wenn die Temperatur über 240 Grad und die Zeit unter 10 Minuten ist, dann…“.
Ergänzt wird dieser Ansatz durch Active Learning, bei dem gezielt neue, besonders aufschlussreiche Datenpunkte vorgeschlagen werden. So wird das Modell stückweise besser, ohne dass tausende Beispiele nötig wären.
Ein weiterer Faktor ist die zugrundeliegende Versuchsplanung, mit der sich ein initialer, aussagekräftiger Trainingsdatensatz erzeugen lässt. Statt auf Zufall zu setzen, sorgt ein spezielles Verfahren dafür, dass möglichst viele relevante Kombinationen von Einflussgrößen effizient getestet werden. So wird der Eingangstraum optimal abgedeckt, auch bei begrenzter Zeit und Material.
Eine KI für kleine Datenmengen
Mit AI4ScaDa wollen die Beteiligten den Unternehmen kleine Schritte mit großer Wirkung ermöglichen. „Nicht jede Herausforderung in einem Unternehmen lässt sich schnell mit ChatGPT lösen“, betont Marvin Schöne. „Eine KI wie ChatGPT ist zwar beeindruckend, aber sie arbeitet mit vorhandenen Mustern und riesigen Datenmengen. In der Industrie haben wir es oft mit wenigen, aber dafür besonders relevanten Datenpunkten zu tun, etwa aus Versuchen, Maschinen oder menschlicher Erfahrung. Unsere KI kann genau damit umgehen: Sie lernt aus wenig, aber gezielt erhobenen Daten und bindet das Wissen von Fachleuten direkt ein. Das macht sie präzise, erklärbar und für den betrieblichen Alltag extrem wertvoll“, sagt Marvin Schöne.
