Zwei positive Effekte
Die Umstellung auf das lernfähige No-Code-System verringert die Zeit vollautomatisierter robotergeführter Qualitätsprüfungen drastisch: Heute wird bis zu 15-mal weniger Zeit gebraucht. Zudem liegt das so generierte Wissen in einer generalisierten und kommunizierbaren Form vor, so dass die Modelle über die Cloud weltweit kollaborativ genutzt werden können.
KI-Use Case in einer Stunde
Datenbasierte Services sorgen mit steigender Tendenz für Differenzierung am Markt. Je stärker aber Daten in den Mittelpunkt rücken, desto wichtiger werden ihre unkomplizierte Analysen – im Idealfall durch die Leute mit Domänenwissen, aber ohne Programmierkenntnisse. Die Weidmüller Gruppe aus dem westfälischen Detmold hat sich mit ihrer AutoML-Lösung genau dieses Ziel gesetzt, um maschinelles Lernen (ML) in der Industrie breiter zu etablieren. Weidmüller hat die eigene Anwendung für das maschinelle Anlernen von Algorithmen so vereinfacht, dass Arbeitskräfte mit Domänenwissen ohne Hilfe von IT- oder Daten-Fachleuten KI-Lösungen eigenständig realisieren können. Diese Fachleute können in weniger als einer Stunde ein erstes Machine-Learning-Modell für ihren Use Case erstellen und auf der Maschine ausführen. Speziell für KI ausgebildete Data Scientists hatten früher für dieselbe Aufgabe mehrere Wochen bis Monate im Rahmen von speziellen Projekten gebraucht.
Technik demokratisieren
Grundlage solcher Modelle ist eine von Weidmüller entwickelte automatisierte Machine-Learning-Lösung, Industrial AutoML, die für Anwendungsfälle wie Anomalie-Erkennung, Klassifizierung und kontextbezogene Entscheidungsfindung trainiert werden kann. Weidmüller nutzt dafür eine Kombination von Services aus der Microsoft-Cloud, um Daten von jedem Ort zu sammeln, zu integrieren und zu speichern – und vor allem aber, um sie sicher in der Cloud verarbeiten zu können. Bei der Erstellung von KI- und ML-basierten Modellen führt die Weidmüller-Software über sogenannte Guided Analytics durch den Prozess, fragt Domänenwissen ab und übersetzt es in eine Machine-Learning-Anwendung. So entsteht in der Kombination von ML und Fachwissen ein qualitativ hoch angereicherter Datensatz, auf dem das Training, die Optimierung und die Validierung alternativer ML-Modelle automatisch erfolgen. Für den Start reichen normalerweise schon wenige Megabytes an Trainingsdaten, um zumindest den Use Case eines KI-Modells zu evaluieren. Wieviel Daten insgesamt für das Training der Algorithmen notwendig sind, hängt von vielen unterschiedlichen und individuellen Faktoren ab, etwa von der Abstraktheit der Daten und der Häufigkeit der Anomalien.