Alle Beschäftigten in der Industrie sollen zukünftig in der Lage sein, KI-Tools zu bedienen, neue Prüfanwendungen einzurichten und zu warten. Ganz ohne KI-Expertenwissen. Das ist das Ziel des Forschungsprojekts „DeKIOps - Demokratisierung von KI mit verständlichem und einfach zugänglichem Machine Learning Operations“ (MLOps). Unter Leitung der Arbeitsgruppe für Supply Chain Services des Fraunhofer-Instituts für Integrierte Schaltungen IIS entwickeln Senswork, Inovex und Eresult bis Ende 2025 allgemeingültige Leitlinien und zwei Demonstratoren in industriellen Anwendungen.
Im Forschungsprojekt zur Demokratisierung von künstlicher Intelligenz durch verständliche und leicht zugängliche Machine Learning Operations sollen Entwicklungsrichtlinien für verständlich zu bedienende und zu wartende Machine Learning (ML)-Systeme erarbeitet werden, um auch Endanwendern ohne KI-Expertise die operative Nutzung dieser ML-Systeme zu ermöglichen. Damit will das Projekt auch dem Fachkräftemangel an ML-Experten entgegenwirken: Denn übergeordnetes Ziel ist es, diese Systeme zu demokratisieren und damit einen niederschwelligen Zugang zu maschinellen Lernlösungen für Endanwender zu schaffen. Der Fokus liegt dabei auf ML-Systemen in der industriellen Fertigung mit qualitätskritischen Anforderungen, beispielsweise bei Zulieferteilen für die Automobilindustrie.
Um Machine Learning-Systeme allgemein zugänglich zu machen, werden im Projekt zunächst Entwicklungsrichtlinien erarbeitet. Die Arbeitsgruppe Supply Chain Services des Fraunhofer IIS kann dabei auf bereits erarbeitete Lösungsvorschläge aus Vorgängerprojekten zurückgreifen. Diese bestehenden MLOps-(Teil-)Lösungen werden hinsichtlich ihrer Funktionalitäten und unter Berücksichtigung der gestellten Anforderungen untersucht und gegenübergestellt. Im Vorfeld ist es daher wichtig, die menschlichen Anforderungen an den Umgang mit ML-Systemen in Betrieb, Wartung und Instandhaltung genau zu erfassen. Vorhandenes Branchenwissen wird von den Experten bei der Übersetzung der Anforderungen in technische Maßnahmen berücksichtigt. Anschließend gilt es, fehlende MLOps-Module zu integrieren und die ML-(Blackbox-)Ergebnisse in Formate zu übersetzen, die für Endanwender ohne dezidierten ML-Hintergrund leicht verständlich sind. Der Praxistest der so entwickelten Richtlinien erfolgt ebenfalls im Forschungsprojekt, und zwar in zwei unterschiedlichen Anwendungsfällen.
Der erste Anwendungsfall beschäftigt sich mit der bildgebenden Qualitätssicherung: Der Fokus liegt auf der Untersuchung von Fehlstellen im Produkt, daher wird eine visuelle, automatisierte und KI-basierte Qualitätssicherung entwickelt. Als Bildverarbeitungs- und KI-Experte ist Senswork für die Entwicklung des Vision AI-Systems verantwortlich, das zukünftig ohne KI-Fachwissen bedient und gewartet werden kann. Neue Produkte werden vom Kunden an der Maschine angelernt. Umgesetzt wird dies in Form eines Demonstrators, mit dem ein Produktspektrum in der Serienfertigung eines Zulieferers getestet wird. Über die KI-Technologie hinaus steht die Benutzerfreundlichkeit im Vordergrund, sowohl hinsichtlich der Software-Ergonomie als auch des UX-Designs.
Um die Allgemeingültigkeit des entwickelten Frameworks zu sicherzustellen, gibt es parallel einen zweiten Use Case, der ebenfalls die Qualitätssicherung betrachtet und dabei den Fokus auf die damit verbundene notwendige vorausschauende Wartung legt. Dieses Anwendungsszenario wird von den IT-Experten der Inovex im Kontext der Zeitreihenanalyse und eben der Predictive Maintenance untersucht. Die entwickelten Lösungen werden von den Endanwendern der Anwendungspartner anhand verschiedener Metriken wie Benutzerfreundlichkeit, Verständlichkeit etc. bewertet. Die Evaluation wird von den Usability-Spezialisten von Eresult durchgeführt. Ziel ist es, nach der Evaluation sowohl diese Leitlinien als auch das Systemkonzept durch Veröffentlichung und Open Sourcing zur Verfügung zu stellen. Die Erkenntnisse und Ergebnisse des Projektes fließen darüber hinaus in das Forschungsfeld „MLOps - Operationalisierung von KI in Produktion und Logistik“ der Arbeitsgruppe Supply Chain Services ein.
