Die Gruppe „Data Efficient Automated Learning“ der Arbeitsgruppe für Supply Chain Services am Fraunhofer IIS besitzt ein breites Portfolio rund um das Thema Effizienz von Künstlicher Intelligenz (KI) innerhalb des Machine Learning-Lifecycles. Auf der Automatica 2023 zeigen die Forschenden hierzu einen interaktiven Demonstrator.
Der Machine Learning-Lifecycle beschreibt den Lebenszyklus eines KI-Systems. Er erstreckt sich über die Daten- und Labelbeschaffung sowie das Training des Machine Learning Modells bis hin zu Deployment und Wartung eines KI-Systems. Die Gruppe des Fraunhofer-Instituts für Integrierte Schaltungen (IIS) verfolgt das Ziel, diesen Lebenszyklus im Einsatz in Produktions- und Logistikprozessen möglichst ressourceneffizient zu gestalten. Sie forscht an Lösungen, mit denen zum einen nicht mehr so viele gelabelte Daten nötig sind und zum anderen die Personalaufwände für Training, Wartung und Instandhaltung des KI-Systems reduziert und automatisiert werden können. Hierbei liegt der Fokus auf der dateneffizienten Modellierung und dem Transfer von KI-Lösungen sowie der verständlichen Automatisierung der Modellerstellung und des Modellbetriebs.
Automatisiertes Maschinelles Lernen am Beispiel Qualitätssicherung
Ein wichtiger Teil ist Automatisiertes Maschinelles Lernen (AutoML). „Nehmen wir das Beispiel einer bildbasierten Qualitätssicherung, in dem KI zur Detektion von Defekten angewendet wird“, erklärt Dr. Paulina Sierak, Leiterin der Gruppe „Data Efficient Automated Learning“. Für das Training des KI-Modells sei es oft notwendig, unterschiedliche Methoden in unterschiedlichen Konfigurationen gegeneinander zu testen und auf den Anwendungsfall hin zu optimieren. „Ist ein solches optimiertes Modell dann im produktiven Einsatz, kann es über die Lebenszeit des KI-Systems hinweg notwendig werden, den Algorithmus neu zu trainieren“, so Sierak.
Als möglichen Grund dafür nennt Sierak, dass sich die Verteilung der Daten leicht verändert haben könnte. Dann sei nicht mehr garantiert, dass das Modell noch zu optimalen Ergebnissen führt. „Beim Training als auch bei dem skizzierten Problem kann AutoML auf einer Auswahl für den Anwendungsfall passender, eventuell sogar vortrainierter Modelle das für die neue Datenverteilung optimale Modell automatisiert trainieren. So wird die operative Nutzung von Machine Learning-Methoden für Endanwenderinnen und Endanwender mit wenig KI-Expertise ermöglicht, was auf lange Sicht eine Demokratisierung des Systems schafft“, so Sierak weiter.
Präsentation der Einsatzmöglichkeiten von AutoML auf der Automatica 2023
Auf der Automatica 2023 stellen die Expert:innen und Experten der Gruppe Data Efficient Automated Learning nun anhand eines Spieldemonstrators ihre Lösungen für einen ML-Prozess mit geringerem Wartungsaufwand und Personalbedarf vor und präsentieren zudem die vielseitigen Einsatzmöglichkeiten von AutoML für Anwendungen in der Industrie.
Die Besuchenden der Messe können die sich stellenden Herausforderungen innerhalb eines KI-Ökosystems anschaulich begreifen und verschiedene Strategien für eine ressourceneffiziente KI-Entwicklung kennenlernen. Sie erfahren interaktiv, wie sie manuelles Modelltuning durch AutoML automatisieren können, wie KI-Systeme durch MLOps nachvollziehbar werden kann, wie sie bestehende KI-Modelle mit Transfer Learning skalieren und mit Data-Centric AI das Beste aus den Daten herausgeholt werden kann. Und die Besuchenden können sich selbst als Data Scientist versuchen, indem sie ein KI-Modell optimieren und sich dabei mit der AutoML vergleichen.
Den Demonstrator können Interessierte auf dem Gemeinschaftsstand der Fraunhofer-Gesellschaft in Halle A4, Stand 321 sowie im Rahmen einer „Interaktiv Live“-Session am 29. Juni 2023 erleben. (eve)
