(openPR) Bielefeld (hsbi). Mit Hilfe von künstlicher Intelligenz (KI) analysieren große Unternehmen ihre großen Datenmengen (Big Data) und versuchen, einen Mehrwert aus diesen Daten zu schaffen. Kleine und mittlere Unternehmen (KMU) hingegen stellt der Einsatz von KI-Methoden vor Herausforderungen: Hier fehlen häufig Knowhow, die entsprechende Technologie oder die Infrastruktur. Zudem verfügen KMU im Vergleich zu großen Unternehmen oft über wesentlich kleinere Datenmengen, auch Small Data genannt. Eine Herausforderung, die die Hochschule Bielefeld (HSBI) und die Technische Hochschule OWL (TH OWL) als Chance sahen: So initiierten sie gemeinsam mit drei Unternehmen und dem Spitzencluster it`s OWL im Jahr 2022 das dreijährige Projekt „Artificial Intelligence for Scarce Data – Maschinelles Lernen und Informationsfusion zur nachhaltigen Nutzung von Labor- und Kundendaten“, kurz AI4ScaDa. Die HSBI hat das Gesamtprojekt koordiniert und gemeinsam mit der TH OWL sowohl die KI-Methoden entwickelt als auch den KI-Workflow technisch umgesetzt.
Ein Großteil etablierter und bekannter KI-Methoden sind für große Datenmengen (Big Data) konzipiert und entfaltet erst dort ihr Potenzial. Mittelständische Unternehmen, insbesondere KMU, haben jedoch im Vergleich zu großen Unternehmen meist wesentlich kleinere Datenmengen verfügbar, sogenannte Small Data. Diese oft spärlichen Datenmengen, auch Scarce Data genannt, wie beispielsweise Labordaten, Leistungsdaten von Maschinen, Personenwissen in Form von Berichten sowie Gerätenutzungsdaten, besitzen für die Unternehmen jedoch einen hohen Wert, da dort Informationen über ihre Produkte und Prozesse sowie deren Leistungsfähigkeit und Innovationspotenzial enthalten sind.
Um dieses Potenzial zu heben, wurde im Projekt AI4ScaDa eine KI-Methodik entwickelt: Diese besteht aus einer Informationsfusion und einer interpretierbaren KI in modularer Form, die zudem durch eine Rückkopplung eine weitere Datenerhebung, zum Beispiel im Labor, unterstützt. Die KI-Lösung wurde gemeinsam im Konsortium bei den Partnerunternehmen in die Anwendung überführt, wobei drei unterschiedliche Anwendungsfälle betrachtet wurden. Verfolgt wurden dabei verschiedene wirtschaftliche Ziele der Partner, darunter eine Produkt- und Verfahrensauslegung für die Pflanzenzucht, eine Produkt- und Prozessauslegung für Zentrifugen sowie eine Diagnoseunterstützung für vernetzte Haushaltsgeräte.
Die HSBI hatte im Projekt die Konsortialführung inne und fokussierte sich auf die Erforschung und Entwicklung einer KI, die aufgrund ihrer Struktur sowohl eine hohe Modellgüte bei geringen Datenmengen als auch eine gute Interpretierbarkeit (Nachvollziehbarkeit) aufweist. Neben Ergebnis und Prognose zielen diese Methoden darauf ab, den Anwender:innen auch Informationen über Güte, Datenverständnis (Extrapolations- und Interpolationsverhalten) sowie Konfidenz (Vertrauensbereiche) zur Verfügung zu stellen. Diese Informationen tragen zu mehr Transparenz, Verständnis und Vertrauen in die KI bei.
Ziel war, eine KI-Lösung aus einer Informationsfusion und einer interpretierbaren KI zu erarbeiten. Diese sollte flexibel kombinierbar und allgemein einsetzbar sein, um eine Übertragbarkeit von AI4ScaDa in verschiedene Unternehmensstrukturen zu ermöglichen. Auch Datenerhebungen durch Rückkopplung sollten so unterstützt werden.
Datenerhebung durch Rückkopplung – was ist das?
Rückkopplung beschreibt eine Datenerhebung, bei der in Abhängigkeit des Modellausgangs bzw. der Prognose zielgerichtet neue Trainingsdaten erhoben werden. Dies bedeutet, das System sammelt Daten, um sich selbst zu verbessern, was als Active Learning bezeichnet wird. Ein klassisches Beispiel hierfür ist ein Empfehlungsalgorithmus, der bei Musikplattformen wie Spotify oder dem Streamingdienst Netflix genutzt wird. Neuen Nutzenden werden zufällig Songs oder Filme vorgeschlagen. Das System merkt sich, ob ein Song angeklickt, übersprungen oder abgebrochen wurde, und kann daraus lernen, um passgenauere Vorschläge zu machen.
Pflanzenzucht optimieren, verstopfte Flusensiebe verhindern und vieles mehr
Für drei konkrete Anwendungsfälle wurde im Projekt AI4ScaDa eine KI-Lösung entwickelt und zugleich in Hinblick auf Nutzen und Übertragbarkeit überprüft: beim Hausgerätehersteller Miele in Gütersloh, der GEA Westfalia Separator Group, einem Systemanbieter für Zentrifugen und Trenntechnik mit Sitz in Oelde, und bei der Saaten Union Biotec, auch bekannt als SU BIOTEC, mit Sitz in Leopoldshöhe, einem Dienstleister im Bereich der Gewebekultur und der Markeranalyse für Pflanzenzüchtungsunternehmen. BU: Bei Miele soll die KI Verstopfungen von Flusensieben in Trocknern voraussagen. Dafür stehen Daten aus einem Dauerversuchslabor zur Verfügung, in dem die Hausgeräte strengen Belastungstests unterzogen werden.
Miele erprobte in ihrem Anwendungsfall ein datenbasiertes Modell und KI-getriebene Fehlerdiagnosen, welche Verstopfungen des Flusensiebs im Wäschetrockner vorhersagen. Durch die Analyse spärlich auftretender Fehlerdaten wurde eine robuste Zustandsdiagnose in einem Wäschetrockner ermöglicht. Die entwickelte KI analysierte spärliche Zeitreihendaten um Betriebszustände und Fehler zu identifizieren – mit dem Ergebnis einer erhöhten Systemverfügbarkeit und Kundenzufriedenheit. In diesem Zusammenhang sind neue Methoden zum Lernen auf Zeitreihen entstanden, die über das Projekt hinaus Verwendung finden, beispielsweise eine generalisierte Pipeline zur Überführung von Zeitreihen in tabellarische Daten und verschiedene Modellstrukturen und Trainingsmethoden zur Erstellung von Softsensoren in Haushaltsgeräten.
Bei GEA ging es um Wissensmanagement: Hier arbeiteten die Forschenden zusammen mit dem Unternehmen an einem KI-getriebenen Modell, das Expertenwissen über die Trennung von Flüssigkeiten sammelt. Dieses Wissen ist für die Auslegung von Separatoren und Dekantern von großer Bedeutung. Auf Basis von kundenspezifischen Anforderungen, Eigenschaften des zu separierenden Kundenprodukts und maschineninternen Leistungsdaten konnte die KI Aussagen über die Eignung und Performance verschiedener Zentrifugenarten und Auslegungsvarianten treffen – auch bei limitierten Daten. Durch synthetische und realgetreue Datensätze, die von den Laboringenieur:innen gelabelt wurden, konnte wertvolles Expert:innen-Wissen in Modelle bei minimalem Datenerhebungsaufwand verdichtet werden. Anhand der erstellten Modelle wurde der Prototyp einer digitalen Assistenz erstellt, der zukünftig die Anzahl realer Produktauslegungsprozesse reduzieren und die Angebotserstellung bei Kund:innen vor Ort beschleunigt.
Wie KI-Systeme trotz spärlicher Daten die Pflanzenzucht optimieren können, war die Fragestellung bei SU BIOTEC. Das Bild zeigt das Projektteam in einem der Gewächshäuser, wo die Pflanzen herangezüchtet werden.
Im dritten Anwendungsfall haben die Forschenden zusammen mit SU BIOTEC an der Frage gearbeitet, wie KI-Systeme trotz Scarce Data (wenigen Daten) die Pflanzenzucht optimieren können. Durch die Kombination von Labordaten und historischem Wissen konnten neue Erkenntnisse bei der Pflanzenkultivierung identifiziert werden. Die KI lieferte Vorhersagen über das Verhalten bestimmter Genotypen unter unterschiedlichen Anzucht- und Umweltbedingungen, wodurch die Effizienz in der Kultivierung zukünftig gesteigert werden kann. Zudem wurden neue Systematiken zur langfristigen Erhebung und Digitalisierung von Labordaten entwickelt. In diesem Zuge entstand unter anderem eine Versuchsanleitung inklusive eines raumfüllend optimierten Versuchsplans, mit dem SU BIOTEC in den nächsten Jahren durch gezielte Kultivierungsversuche ihren Prozess weiter optimieren kann.
KI-Workflow ist auf andere KMU übertragbar
Prof. Dr. Martin Kohlhase, Projektleiter seitens der HSBI, fasst zusammen, inwieweit die Ergebnisse des Projekts durch andere Unternehmen angewendet werden können: „Im Rahmen des Projekts ist ein KI-Workflow entstanden, der die in AI4ScaDa entwickelten und erprobten Methoden, also Versuchsplanung, Informationsfusion, Training eines interpretierbaren ML-Modells sowie Active Learning, miteinander kombiniert. Der KI-Workflow wurde soweit generalisiert, dass auch andere Unternehmen außerhalb des Projekts anhand von spärlichen Daten ein erstes prototypisches Modell ihres Produktes oder Prozesses erstellen können.“ Der KI-Workflow sei erstmal primär für experimentelle Zwecke konzipiert und nicht für eine direkte kommerzielle Anwendung geeignet, wie der Professor für Automatisierungs- und Regelungstechnik ergänzt: „Für eine breitere und effektive Nutzung in kommerziellen Umgebungen bedarf es weiterer Verfeinerung und Anpassung.“
