Demokratisierung von KI mit verständlichem und einfach zugänglichem Machine Learning Operations (MLOps)

Im Rahmen dieses Forschungsvorhabens sollen Entwicklungsleitlinien für verständlich bedien- und wartbare ML-Systeme entwickelt werden, welche die operative Nutzung dieser ML-Systeme für Endanwender:innen ohne KI-Expertise ermöglichen. Dabei ist das übergeordnete Ziel dieses Forschungsvorhabens die Demokratisierung von ML-Systemen und der niederschwellige Zugang zu ML-Lösungen für Endanwendende, um dem Fachkräftemangel von ML-Expertinnen und -Experten entgegenzuwirken. Die Entwicklungsleitlinien werden auf Basis von technischen und menschlichen Anforderungen erforscht und generalisierbare Aspekte hierbei priorisiert. Basierend auf den Anforderungskategorien wird ein technisches Systemkonzept in Form eines generischen MLOps-Frameworks im Kontext der industriellen Fertigung geschaffen. Das entwickelte Framework wird auf Basis von zwei unterschiedlichen Anwendungsfällen aus der industriellen Fertigung in Form zweier Demonstratoren evaluiert. Bei erfolgreicher Evaluierung werden diese Leitlinien als auch das Systemkonzept über Publikation und Open Sourcing zur Verfügung gestellt.

Das übergeordnete Ziel des Projekts DeKIOps ist die Demokratisierung von ML-Systemen in industriellen Fertigungen mit qualitätskritischen Anforderungen, wie beispielsweise bei Zulieferteilen für die Automobilindustrie. Dafür werden zum einen allgemeine Leitlinien für die Zugänglichmachung von ML-Systemen für Domänenexpertinnen und -experten entwickelt, wobei die menschlichen Anforderungen an den Umgang mit ML-Systemen in Betrieb, Wartung und Instandhaltung (MLOps) und insbesondere die Übersetzung dieser in technische Maßnahmen untersucht werden. Zum anderen wird anschließend an der Umwandlung der ML-(Blackbox-) Ergebnisse in Formate, die von Endnutzenden, welche meist keinen ML-Hintergrund besitzen, leicht verstanden werden, gearbeitet. Die entwickelten Leitfäden werden zur Erstellung von Demonstratoren für zwei verschiedene Anwendungsfälle herangezogen:

• Der erste Anwendungsfall betrachtet die bildgebende Qualitätssicherung: Der Fokus liegt auf der Untersuchung von Fehlstellen im Produkt, daher wird eine visuelle, automatisierte und KI-basierte Qualitätssicherung (Computer Vision) entwickelt.
• Der zweite Fall betrachtet ebenfalls die Qualitätssicherung, allerdings mit Fokus auf damit verbundene notwendige prädiktive Instandhaltung

Die entwickelten Lösungen werden von den Endnutzenden der Anwendungspartner anhand verschiedener Metriken wie Benutzerfreundlichkeit, Verständlichkeit usw. bewertet.