Erfolgreich werden zukünftig Unternehmen sein, denen es gelingt, Mehrwert aus diesen Daten zu generieren. Einen Mehrwert erschließt sich vor allem im Bereich der Datenanalyse, so zum Beispiel bei Predictive Maintenance. Vereinfacht ausgedrückt meldet die Maschine selbständig, wann voraussichtlich ein Ersatzteil benötigt wird. So können Maschinenbauer zukünftig neue datengetriebene Services anbieten und somit neue Geschäftsmodelle etablieren. Produzierende Unternehmen erhöhen ihre Produktqualität und reduzieren Kosten.
Methoden der künstlichen Intelligenz (KI) und insbesondere des Machine Learnings (ML) sind Werkzeuge, die zur Analyse der Maschinendaten eingesetzt werden. Diese erlauben es, bisher unerschlossene Daten zu verknüpfen und unbekannte Zusammenhänge zu identifizieren. Aber was steckt genau hinter Data Science? Was versteht man eigentlich unter „Automated Machine Learning“?
Einsatz von KI mittels Automated Machine Learning Software
Das Konzept von Weidmüller ist der einfache Einsatz von KI mittels einer Automated Machine Learning Software für den Maschinen- und Anlagenbau. Dazu hat Weidmüller die Anwendung von ML für industrielle Applikationen soweit standardisiert und vereinfacht, dass Domänenexperten ohne Expertenwissen im Bereich Data Science eigenständig ML-Lösungen erzeugen können.
Das Software-Tool führt den Anwender durch den Prozess der Modellentwicklung, weshalb Weidmüller hier auch von „Guided Analytics“ spricht. Maschinen- und Prozessexperten können einfach, ohne die Hilfe von Data Scientisten, ML-Modelle erstellen, modifizieren und zur Ausführung bringen, um Ausfallzeiten und Fehler zu reduzieren, Wartungsarbeiten zu optimieren und die Produktqualität zu erhöhen. Die Software hilft bei der Übersetzung und Archivierung des komplexen Applikationswissens in eine verlässliche Machine Learning-Anwendung. Dabei fokussiert sich der Experte auf sein Wissen zum Maschinen- und Prozessverhalten und verknüpft dieses mit den im Hintergrund ablaufenden ML-Schritten.
Einfach durch die Software geführt
Für den Anwender stellt die Software im Wesentlichen zwei Module zur Verfügung. Mit dem Model Builder kann der Domänenexperte ML-Lösungen zur Anomalieerkennung, Klassifikation und Fehlervorhersage erzeugen. Entscheidend hierbei ist das Wissen der Applikationsexperten, denn sie haben die Erfahrung, wie das reguläre oder das anormale Verhalten ihrer Maschinen und Anlagen aussieht. Die Experten erkennen direkt in der übersichtlichen Darstellung der Daten Abweichungen vom „normalen” Verhalten, können diese detektieren und klassifizieren und so für die Modellbildung definieren.
Der mit dem Applikationswissen angereicherte Datensatz ist die Eingangsgröße für das anschließende automatische Generieren der ML-Modelle. Dabei entstehen ML-Lösungen, die mit den von Data Scientists manuell erstellten Lösungen durchaus vergleichbar sind.
Dem Anwender werden mehrere Modelle vorgeschlagen, die auf unterschiedlichen Algorithmen und Werteparametern beruhen. Am Ende des Modellbildungsprozesses wählt der Nutzer das für seine Applikation am besten geeignete Modell nach bestimmten Kriterien wie Modellgüte, Ausführungszeit oder seinen bevorzugten Parametern aus. Das ausgewählte Modell kann exportiert und in die Ausführungsumgebung überführt werden. Im zweiten Modul der AutoML Software erfolgt schließlich die Ausführung der Modelle an der Maschine – on premise oder Cloud-basiert – in der sogenannten Laufzeitumgebung.
Entscheidende Mehrwerte
Die Möglichkeiten des Machine Learnings werden mit dem immer breiter werdenden Spektrum größer. Das macht es nicht unbedingt einfacher, ohne spezifische Data Science Kenntnisse, die bestmögliche Erstellung und Implementierung sowie die operative Anwendung von ML zu erreichen. Mit anderen Worten: die Erstellung von ML Modellen ist in der Regel zeitaufwändig und kostenintensiv in der Umsetzung. In der klassischen Herangehensweise zur Einführung von ML werden verschiedene technische Machbarkeitsstudien, sogenannte Proof-of-Concepts (PoCs), durchlaufen, um passende ML Use Cases zu finden. Darin werden die mit ML erzielbaren Ergebnisse von Maschinenexperten validiert und deren Wirtschaftlichkeit überprüft.
Durch die ML-Automatisierung mit dem Weidmüller Industrial AutoMLTool ergibt sich eine hohe Zeitersparnis für die Erstellung und den Vergleich von Modellen und Ergebnissen, die time-to-market wird verkürzt. Die Aufgaben können deutlich rationeller umgesetzt werden, was wiederum wertvolle Ressourcen spart.
Nutzer profitiert von aktuellsten Entwicklungen
Gleichzeitig profitiert der Nutzer auch von den jeweils aktuellsten Entwicklungen aus dem Machine Learning Umfeld, die kontinuierlich in das Tool einfließen. Vor allem aber liefert das Tool einen entscheidenden Vorteil: die Analyse der Daten, die in der Regel vom einem Data Scientisten eines externen Partners oder aus dem eigenen Unternehmen durchgeführt werden muss, liefert das Tool – und wird „lediglich“ gefüttert mit dem Applikationsknowhow des Experten. Mit anderen Worten: das Know-how über die Maschine und deren Anwendung fließt unmittelbar in die Modellbildung ein.
Die Symbiose aus Fachexpertise zur Maschine und Data Science Know-how – was das Tool mitbringt – liefert so schnell und einfach Ergebnisse. Ohne umfangreiche Schulung. Ohne Zukauf von weiterem Know-how. Bereits in einer Stunde lässt sich ein Modell aufsetzen, was dann automatisiert Anomalien erkennt. Einfacher geht es kaum. (jke)
Mehr zu Automated Machine Learning von Weidmüller
Weidmüller GmbH & Co. KG
Klingenbergstraße 26
D-32758 Detmold
Tel.: +49 5231 14-280
E-Mail: weidmueller@weidmueller.com
Website: www.weidmueller.com