Der Machine-Learning-Kompass für Produktentwicklung und Produktion - Identifikation und Planung von Machine-Learning-Algorithmen in verarbeitenden Unternehmen

Alexander Jacob, Carmen Krahe, Rebecca Funk und Gisela Lanza

Aufgrund der Vielzahl verschiedener Machine-Learning-Verfahren und der Modellierungskomplexität besteht unter Ingenieuren häufig Unsicherheit gegenüber der effizienten Anwendung von Machine Learning (ML). Daher bleibt der Einsatz von ML-Anwendungen in verarbeitenden Unternehmen hinter den technischen Möglichkeiten zurück. In diesem Beitrag wird ein intuitiver Handlungsleitfaden für Ingenieure vorgestellt, der diese Unsicherheit verringern soll. Der Handlungsleitfaden führt in sechs Schritten durch ein ML-Projekt. Der ML-Kompass schlägt dem Anwender für gängige ingenieurstechnische Problemstellungen der Produktentwicklung und Produktion ML-basierte Algorithmen, die in der Praxis verwendet werden, vor. Anhand eines Industriebeispiels wird die Funktionsweise demonstriert.

Die Digitalisierung treibt die Verfügbarkeit von Daten in den Unternehmen in die Höhe. Im Sekundentakt generieren Sensoren in der Produktion neue Messdaten, die ein erhebliches Potenzial bergen. Durch intelligente Datenauswertung mit Verfahren des Machine Learning können die Daten Entscheidungen unterstützen oder Handlungen automatisieren. 52 % der Unternehmen geben aber an, Probleme bei der Datenverwertung und Erkenntnisableitung zu haben [1]. Ein Grund dafür ist die Komplexität des maschinellen Lernens mit seiner Vielzahl verschiedener Verfahren und Theorien. Insbesondere für die Domänenexperten der klassischen Ingenieursabteilungen produzierender Unternehmen stellt dies eine Barriere für die Benutzung der leistungsfähigen Verfahren des Machine Learning dar. In diesem Beitrag wird ein Handlungsleitfaden vorgestellt, der die Barrieren abbauen, ingenieurstechnisches Domänenwissen integrieren und die Durchführung von Machine-Learning-Projekten unterstützen kann. Der Handlungsleitfaden besteht aus der Integration eines Algorithmenkompass in ein Prozessmodell. Das Prozessmodell gibt konkrete Schritte für die Gestaltung eines Machine-Learning-Projekts vor. Der Algorithmenkompass fasst typische Problemstellungen der Produktlebenszyklusphasen Produktentwicklung und Produktion zusammen. Für jedes Problem werden ein oder mehrere Machine-Learning-Algorithmen als Lösung vorgeschlagen. Für sogenannte Blackbox-Modelle, deren Funktionsweise nicht nachvollziehbar ist, werden außerdem Post-Hoc-Verfahren zur Steigerung der Erklärbarkeit der Modelle empfohlen. Bei den Empfehlungen handelt es sich um Best-Practice-Verfahren, die in der Praxis angewendet werden und aus der wissenschaftlichen Literatur für das jeweilige Problem identifiziert wurden. Die Zielgruppe des Handlungsleitfadens sind Fachexperten der Produktentwicklung und Produktion mit limitierter Erfahrung auf dem Gebiet des Maschinellen Lernens. Die vorgeschlagenen Verfahren sollen der Zielgruppe Orientierung im Umgang mit Machine Learning bieten. Der Algorithmenkompass ersetzt dabei nicht die Kompetenzen eines Data Scientists zur Anwendung und Entwicklung von Algorithmen.

Prozessmodelle in Machine-Learning-Projekten

Dass der Einsatz von Prozessmodellen in Machine-Learning-Projekten für eine strukturierte Durchführung notwendig ist, wurde schon früh erkannt. Momentan gilt der Cross-Industry Standard Process for Data Mining (CRISP-DM) als de facto Standard unter den existierenden Prozessmodellen [2]. Der CRISP-DM wurde als praxisnahes werkzeug- und anwendungsneutrales Prozessmodell entworfen und begleitet den Anwender in sechs Phasen durch das Projekt. In den letzten Jahren wurden in wissenschaftlichen Veröffentlichungen einige Weiterentwicklungen des CRISP-DM vorgeschlagen, um auf Unzulänglichkeiten des Modells zu reagieren. Das in diesem Beitrag veröffentlichte Prozessmodell basiert auf CRISP-DM und wurde unter Berücksichtigung der Kritikpunkte und der Anpassungen aus [3] erweitert. Es trägt den Namen Industrial Standard Process Model for Machine Learning (ISPM-ML). Die Besonderheit des ISPMML ist die Unterstützung einzelner Aufgaben durch einen Algorithmenkompass. Dieser wird im Folgenden beschrieben.

Algorithmenkompass


Bild 1: Algorithmenkompass [4-33].
 

Der Algorithmenkompass kann zum einen als Inspirationsquelle für das Finden von Anwendungsmöglichkeiten von Machine Learning in der Produktentwicklung und Produktion genutzt werden. Zum anderen dient er als Auswahlhilfe auf der Suche nach einem geeigneten Verfahren. Der Kompass fungiert dabei als Strukturierung und stellt einen aktuellen Ausschnitt der Anwendung von ML-Algorithmen in verschiedenen, ingenieurstechnischen Domänen dar. Eine Gesamtdarstellung des Algorithmenkompasses ist in Bild 1 visualisiert. Während des Auswahlprozesses wird beginnend mit der Menge aller verfügbaren Algorithmen eine Differenzierung in sechs Stufen vorgenommen. In der Darstellung des Algorithmenkompasses korrespondiert jede Stufe mit einem Ring von innen nach außen. Auf diese Entscheidungsstufen in Form von Ringen wird nachfolgend eingegangen. Zunächst wird im innersten, lilafarbenen Ring nach Produktlebenszyklusphasen unterschieden, wobei hier nur die Phasen Produktentwicklung und Produktion betrachtet werden. Anschließend erfolgt im blauen Ring die Aufgliederung der Phasen in Domänen. Domäne meint in diesem Kontext bestimmte Themengebiete innerhalb der Phase. Die Domänen bilden in ihrer Reihenfolge den Produktentwicklungs- beziehungsweise den Produktionsprozess ab. In jeder Domäne existieren domänenspezifische Probleme, die aus der wissenschaftlichen Literatur gesammelt und im grünen Ring des Algorithmenkompasses dargestellt sind. Das nächste Differenzierungskriterium sind die zur Problemlösung verwendeten Eingangsdaten im orangefarbenen Ring. Als Eingangsdaten sind die Rohdaten angegeben, die jeweils im gewählten Best-Practice Beispiel verwendet wurden.

Zum Weiterlesen hier klicken