Gruppe Data Efficient Automated Learning

© photon_photo-stock.adobe.com / Fraunhofer IIS

Die Gruppe »Data Efficient Automated Learning« beschäftigt sich mit dem Thema der Effizienz von KI innerhalb des Machine Learning Lifecycles. Der Machine Learning Lifecycle beschreibt den Lebenszyklus eines KI-Systems und erstreckt sich über die Daten- und Labelbeschaffung sowie das Training des Machine Learning Modells bis hin zu Deployment und Wartung des KI-Systems. Die Gruppe verfolgt das Ziel, durch die Reduktion der Notwendigkeit gelabelter Daten und der Personalkapazität innerhalb des Machine Learning Lifecycles den Einsatz von KI-Lösungen innerhalb von Produktion und Logistik niederschwelliger zu gestalten. Hierbei legen wir den Fokus auf die dateneffiziente Modellierung und Transfer von KI-Lösungen und die verständliche Automatisierung der Modellerstellung und des Modellbetriebs.

Dateneffizienz – hoher Output trotz geringem Input

Eine Herausforderung beim Einsatz von KI, sowohl innerhalb produzierender Betriebe als auch in der Logistik ist die Beschaffung von vielen hochqualitativen Daten. Insbesondere der Aufwand die Daten zu labeln, das heißt mit Zustandsinformationen zu versehen, ist zeit- und kostenintensiv. Je höher die Anzahl der Informationen und deren Qualität, desto besser das später trainierte KI-Modell. Um hier den Prozess möglichst effizient zu gestalten, forschen wir einerseits an der Anwendung von Methoden aus dem Bereich Data Centric AI, um die Qualität der Daten und der Label zu erhöhen sowie zusätzliche Label effizient zu generieren. Andererseits nutzen wir Methoden des Semi-Supervised Learning, um mit wenigen Label-Informationen trotzdem gute KI-Modelle trainieren zu können. Um diese KI-Modelle auf weitere ähnliche Anwendungen skalieren zu können, forschen wir an unterschiedlichen Herangehensweisen, um vorhandene Modelle mit möglichst wenigen zusätzlichen Daten wiederverwerten zu können. Ein Beispiel hierfür sind Methoden des Transfer Learning.

Kompetenzen und Methoden zur effizienten Nutzung von Daten

 

  • Data-centric AI
    • Multi-Annotator Pipelines für effiziente Daten-Annotation
    • Confident Learning zur modellbasierten, iterativen Verbesserung der Annotations-Qualität
    • Kombination verschiedener Annotations-Quellen und -Tools
  • Data-efficient Learning
    • Semi-supervised Learning
    • Weakly-supervised Learning
    • Domain Adaptation
    • Active Learning

Personaleffizienz – mit nachvollziehbarer KI gegen den Fachkräftemangel

Neben der Dateneffizienz ist auch ein effizienter Umgang im Training, der Wartung und der Instandhaltung der KI-Modelle essenziell. Insbesondere dem Fachkräftemangel wirken wir durch Forschung an verständlichen und automatisierten Lösungen entgegen. Der hohe manuelle Aufwand von immer wiederkehrenden Prozessen, zum Beispiel der Erstellung und Optimierung von KI-Modellen, kann durch die sinnvolle Anwendung von Automatischem Maschinellem Lernen (AutoML) reduziert werden. Aber auch im Bereich der Operationalisierung, also dem Betrieb der ML-Lösung, Machine Learning Operations (MLOps), können automatisierte Prozesse, wie Automated Testing & Monitoring, die Personaleffizienz erhöhen.  

Bei der Automatisierung spielt auch der Rechenaufwand eine wichtige Rolle, um nachhaltige Lösungen zu generieren. Aus diesem Grund forschen wir beispielsweise an ressourceneffizienten Optimierungsmethoden und dem Einsatz von vortrainierten Modellen.

Derzeit wird der Machine Learning Lifecycle nur von hochqualifiziertem Personal betreut, also in Betrieb genommen, gewartet und instandgehalten. Um dem Fachkräftemangel entgegenzuwirken forschen wir an verständlichen Methoden im Bereich MLOps, um die Wartung und Instandhaltung der Modelle zu vereinfachen und damit einen niederschwelligen Zugang zu der Nutzung von KI zu generieren.

Kompetenzen und Methoden für effiziente Automatisierung und Betrieb von KI-Lösungen

 

  • AutoML
    • Kontinuierliches Online AutoML
    • Neural Architecture Search
    • AutoML mit mehreren Evaluationskriterien
  • MLOps
    • Nutzerfreundliches Deployment und Monitoring von KI-Lösungen
    • ModelOps und Reproduzierbarkeit
    • Continuous Integration (CI/CD) von Machine Learning Pipelines

Forschung in der Anwendung

Die Gruppe »Process Intelligence« befasst sich mit aktuellen Forschungsfragen in den folgenden Forschungsschwerpunkten:

 

Forschungsschwerpunkt

Supply Chain AI

Wir entwickeln moderne KI-Methoden zur Lösung komplexer Analyse-, Prognose- und Optimierungsaufgaben für Prozesse innerhalb und zwischen Unternehmen: Für mehr Effizienz im Wertschöpfungsnetz durch Künstliche Intelligenz!

 

 

Forschungsschwerpunkt

Intelligentes Ressourcenmanagement

Wir entwickeln KI-basierte Algorithmen, mit denen der Verbrauch endlicher Ressourcen verringert werden kann - seien es natürliche Stoffe, Menschen oder Daten: Für maximale Wirtschaftlichkeit und Resilienz bei minimalen Auswirkungen auf Umwelt und Mensch

Das könnte Sie auch interessieren

 

ADA Lovelace Center für Analytics, Daten und Anwendungen

Neues Kompetenzzentrum für Data Analytics und KI in der Industrie

Das ADA Lovelace Center verbindet auf einzigartige Weise KI-Forschung mit KI-Anwendungen der Industrie. Hier können sich die Partner untereinander vernetzen, vom Know-how des anderen profitieren und an gemeinsamen Projekten arbeiten.

 

Maßgeschneiderte MLOps-Lösungen für die Industrie

Der Markt für ML-Lösungen in der Industrie bietet viele Tools, aber die Auswahl ist komplex aufgrund von spezifischen Anforderungen wie Lizenzvereinbarungen und Datensicherheit. Fraunhofer IIS entwickelt maßgeschneiderte MLOps-Lösungen für die Supply Chain, die die spezifischen Anforderungen unserer Industriepartner optimieren und einfach anzuwenden und zu warten sind.

 

DeKIOps: Demokratisierung von KI mit MLOps

Ziel des Forschungsvorhabens ist die Demokratisierung von ML-Systemen und der niederschwellige Zugang zu ML-Lösungen für Endanwendende, um dem Fachkräftemangel von ML-Expertinnen und -Experten entgegenzuwirken. Dazu werden Entwicklungsleitlinien für verständlich bedien- und wartbare ML-Systeme entwickelt werden, welche die operative Nutzung dieser ML-Systeme für Endanwender:innen ohne KI-Expertise ermöglichen.