Operationalisierung von KI in Produktion und Logistik

© Gorodenkoff - stock.adobe.com

KI-Methoden wie Maschinelles Lernen, erfahren in Produktion und Logistik einen rasanten Aufschwung, von einfachen explorativen Datenauswertungen bis hin zu komplexen Systemen zur Entscheidungsunterstützung innerhalb der Betriebe. Dabei ist für die Erstellung, Inbetriebnahme und die anschließende Operationalisierung von komplexen Machine Learning-Lösungen eine hohe technische Expertise notwendig. Insbesondere für den täglichen Betrieb, also das Monitoring, Wartung und Instandhaltung dieser Systeme, auch Machine Learning Operations (MLOps) genannt, ist der Aufwand, der von Expertinnen und Experten durchgeführt werden muss, nicht unerheblich.

Auch wenn für den Betrieb von MLOps bereits eine hohe Anzahl an Tools und Methoden auf dem Markt vorhanden ist, fehlt es vor allem in kleinen und mittleren produzierenden Unternehmen oft an den Kompetenzen, wie sie für die Umsetzung vieler Anwendungsfälle benötigt würde, denn die Systeme richten sich an Expertinnen und Experten aus dem Bereich Data Science. Auch die bereits vorhandenen Methoden zur Erklärung von KI-Modellverhalten befassen sich vorangig mit der Modellperformance und sind darauf beschränkt KI-Expertinnen und -Experten zu unterstützen. 

Daher werden im Forschungsfeld Entwicklungsleitlinien für verständliche bedien- und wartbare KI-Systeme (MLOps) entwickelt, welche die operative Nutzung von Machine Learning Methoden für Endanwenderinnen und Endanwender ohne KI-Expertise ermöglichen. Dabei ist das übergeordnete Ziel die Demokratisierung von KI-Systemen und der niederschwellige Zugang zu ML-Lösungen, um dem Fachkräftemangel von KI-Expertinnen und -Experten entgegenzuwirken.

Entwicklung von KI-Systemarchitekturen, die durch Nicht-KI-Experten genutzt, betrieben und gewartet werden können

Das übergeordnete Ziel unserer Forschung ist die Demokratisierung von KI-Systemen für Anwendungsfälle in der Produktion und Logistik, damit auch Endandwendende diese Systeme verwenden können. Dabei ist es wichtig, die menschlichen Anforderungen an den Umgang mit ML-Systemen in Betrieb, Wartung und Instandhaltung und insbesondere die Übersetzung dieser in technische Maßnahmen zu untersuchen. Daher ist ein technisches Ziel die Umwandlung von KI-(Blackbox-)-Ergebnissen in Formate, die von Endnutzerinnen und Endnutzern, welche meist keinen ML-Hintergrund besitzen, leicht verstanden werden.

Die Operationalisierung von KI-Systemen ist zentraler Bestandteil vieler Analytics-Projekte der Arbeitsgruppe für Supply Chain Services, insbesondere bei Industriekooperationen. Daher entwickeln unsere Expertinnen und Experten in diesen Projekten bereits kontinuierlich Lösungsvorschläge für einfache bedien- und wartbare KI-Systeme. Die Herausforderung ist es nun, die Erfahrungen aus den unterschiedlichen Projekten zu abstrahieren und soweit möglich zu generalisieren, um allgemeine Entwicklungsleitlinien für KI-Systeme in der Produktion und Logistik abzuleiten, die Domänenexpertinnen und -experten ohne KI-Kompetenz den Zugang zu ML-Systemen und deren Einsatz und Nutzung ermöglichen.

Ein wichtiger Erfolgsfaktor bei der Operationalisierung von Software und insbesondere KI-Systemen ist die präzise Erfassung der Anforderungen und das Einbeziehen von vorhandenem Branchenwissen. Um dies für KI-Systeme für Domänenexpert:innen im besonderen Maße zu gewährleisten, werden die Anforderungen an KI-Systeme in Produktions- und Logistikbetrieben sowohl mittels systematischer Nutzungskontextanalysen als auch technischen Recherchen erhoben. Darauf basierend wird ein konsequent menschzentrierter Technik-Designprozess durchgeführt. Anschließend werden durch alle gewonnenen Erkenntnisse Leitlinien für die Entwicklung von MLOps-Systemen auf Basis menschlicher und technischer Anforderungen und des aktuellen Stands der Forschung entwickelt. Die Leitlinien werden in einem exemplarischen KI-System umgesetzt und seitens UI/UX-Expert:innen in Studien mit Domänenexpert:innen evaluiert.

 

Unsere Forschung im Kontext MLOps

Die Arbeitsgruppe für Supply Chain Services des Fraunhofer IIS verfügt über langjährige Erfahrung in der Entwicklung von intelligenten Algorithmen und entwickelt in der anwendungsnahen Forschung, vor allem in Industrieprojekten, die Operationalisierung von KI-Systemen mit. Beispielsweise geht es in der Industriekooperation mit BSH (2018–2022) um Ersatzteilbedarfsprognose zur Endeinlagerung, welche in die bestehenden IT-Landschaft integriert wurde und fortlaufend automatisiert gewartet werden soll. In einem internen Forschungsprojekt »MLOps für Demand Forecasting« (2022) wurde ein MLOps Stack implementiert, also eine Reihe von aufeinander aufbauenden Softwarekomponenten, die als Plattform die Ausführung einer gemeinsamen Anwendung unterstützen – in diesem Fall, den Betrieb von ML-Modellen zur Bedarfsprognose.