01/25/2022

Drittes Netzwerktreffen: Pre-Proof of Concept

3. Netzwerktreffen Willkommen und WarmUp

Unternehmen und Interessierte trafen sich zum dritten Netzwerktreffen unseres KI-Hubs in der virtuellen Welt von Gather.Town. Am 20. Januar um 16:00 Uhr gab es zunächst eine kurze Einführung in die virtuelle Umgebung und einem ersten Austausch zwischen den Teilnehmenden. Danach folgte ein Vortrag von Markus Friedrich zum Thema „Pre-Proof of Concept bei KI-Projekten“. Anschließend stellte das Projektteam zwei Anwendungsbeispiele mit Daten der Netzwerk-Unternehmen Memo AG und KLT Hummel Plastic GmbH vor. Der Abend endete mit guten Gesprächen und einer Runde Poker im simulierten Spielzimmer.

Willkommen und WarmUp

Das dritte Netzwerktreffen startete mit einer Führung von Niklas Reuther durch die virtuelle Welt von Gather.Town. Die virtuelle Umgebung bestand aus einem großen Konferenzsaal, zwei Themenräumen, einer Cafeteria und einem Spielezimmer. Der erste Themenraum diente dem Austausch über Eigenpotenziale für KI in den Unternehmen. Für Diskussionen über digitale Herausforderungen in den Unternehmen stand der zweite Themenraum zur Verfügung. Die Cafeteria und das Spielezimmer standen für jegliche Themen frei zur Verfügung. Nach ersten Erkundungstouren und Diskussionen trafen sich alle Teilnehmende für den Vortrag von Markus Friedrich im Konferenzsaal.

Pre-Proof of Concept bei KI-Projekten

In dem Impulsvortrag von Markus Friedrich vom Lehrstuhl Umweltgerechte Produktionstechnik der Universität Bayreuth wurde das Pre-Proof of Concept bei KI-Projekten näher erläutert.

Die Motivation hinter dem Konzept ist, dass Daten mittlerweile als Produktionsfaktor anerkannt sind und Studien beweisen, dass Daten enorme Potenziale bergen. Umfragen ergeben, dass 84% der Unternehmen über die Datennutzung diskutieren, jedoch nur 25% der Unternehmen Projekte mit Daten umsetzen.

Markus Friedrich stellte drei Schritte für das Umsetzen von Projekten mit Daten vor. Erstens die Smarte Datengewinnung; dazu gehört die Erfassung, die Integration und die Aufbereitung von relevanten Daten in der Produktion. Dabei wird den Daten eine Struktur gegeben. Zweitens die Intelligente Datenwertschöpfung; hierbei soll das Wissen aus Daten erzeugt werden über bspw. KI-Modelle. Der dritte Schritt ist die Effiziente Datenverwertung. Denn es ist wichtig, das durch Daten erzeugte Wissen auch entsprechend verfügbar zu machen und in der Produktion direkt bereitzustellen. Dabei zeigt die Wissenstreppe von North die einzelnen Stufen auf dem Weg von Daten bis hin zum erreichten Wettbewerbsvorteil.

Das Pre-Proof of Concept im Bereich von KI-Projekten basiert darauf, dass ein großes Projekt auf ein Pilotprojekt herunter skaliert wird, um die Effizienz des Gesamtprojektes abzuschätzen und die Machbarkeit zu überprüfen. Dabei gibt es vier wesentliche Ziele des Pre-Proof of Concepts.

  1. Den unmittelbaren Mehrwert ermitteln und aufzeigen.
  2. Alle Beteiligten bereichsübergreifend ins Boot holen.
  3. Fähigkeiten erlernen und Erfahrungen sammeln.
  4. Schwach-/ und Engstellen (Bottlenecks) identifizieren.

Die Methodik für das Proof of Concept unterteilt sich in drei Phasen. In der ersten Phase „Vorbereitung“ geht es vor allem darum das Problem zu definieren. Viele Projekte scheitern nämlich daran, dass nicht klar ist, was das Problem wirklich ist. Es ist entscheidend, dass alle dieselbe Vorstellung davon haben. Insbesondere zwischen Ingenieuren und der Management Ebene kann es hier zu unterschiedlichen Auffassungen kommen. Um dem entgegenzuwirken, muss das Problem konkret definiert werden und es müssen Hypothesen formuliert werden. Des Weiteren ist in der ersten Phase die Datenauswahl wichtig. Es muss geprüft werden, welche Daten zur Verfügung stehen und welche Daten noch erzeugt werden müssen. Nach der Datenauswahl müssen die Daten so vorbereitet werden, dass sie für das Modell genutzt werden können. In der Phase 2 „Entwicklung“ geht es um die Modellierung des KI-Algorithmus, der Zusammenarbeit der unterschiedlichen Ebenen, der Durchführung von Tests und des Ausprobierens. In Phase 3 „Validierung“ werden schließlich erste Ergebnisse erzeugt und validiert sowie präsentiert. Es werden Erkenntnisse gesammelt und Empfehlungen daraus abgeleitet.

Ein klassischer KI-Workflow kann wie folgt aussehen:

3. Netzwerktreffen Bild 2.png

Insbesondere die Schritte Explorative Analyse, Vorverarbeitung und Feature Engineering sind entscheidend, damit ein gutes Modell entsteht. Eine Faustregel besagt, dass 80% der Projektzeit für die Phase Proof of Concept benötigt wird. Im Durchschnitt sollte ein Vierteljahr für ein Proof of Concept eingeplant werden.

Fallstricke beim Pre-Proof of Concept sind:

  • Technische Machbarkeit
  • Mangelnde Datenqualität / Fehlende Datenquantität
  • Business Value nicht gegeben
  • Vermeintlich schlechte Ergebnisse
  • Fehlende Zeit

Markus Friedrich stellte zur Veranschaulichung seines Vortrags ein Beispiel eines Pre-Proof of Concept zu Qualitäts- und Verschleißüberwachung an Drehmaschinen vor sowie Beispiele zur Komponentendimensionierung, Betriebsparameteroptimierung, Predictive Maintenance, Anomaliedetektion und Edge Analytics. Diese Beispiele verdeutlichten, welche Inhalte zu einem Gesamtkonzept gehören, wie die Fallstricke in der Praxis aussehen und wie wichtig die Datenbasis ist.

UseCases

In Kleingruppen wurden zwei Anwendungsbeispiele vorgestellt.

In der Vorstellung des ersten UseCase der Memo AG beschreibt Philipp Väth sein bisheriges Vorgehen bei der Bearbeitung. In diesem Beispiel wurde geprüft, ob das Wetter (z.B. Minustemperaturen) oder die Covid-19 Pandemie in einem Zusammenhang mit Reklamationen stehen. Neben den bereitgestellten Daten zu Reklamationen im Wareneingang und Warenausgang, verwendete Philipp Väth für die Bearbeitung Pandas, ein bekanntes Data Science Tool für Python, sowie Meteostat für den Zugriff auf Wetterdaten und Cov19dh für Covid-19-Daten. Anhand der aus den Daten erstellten Graphen und einem Korrelation Plot ließ sich schlussfolgern, dass über das Jahr 2021 die Reklamationen aller Artikel weder mit den lokalen Wetterdaten noch mit den Covid-19-Daten korrelieren. Die nächsten Schritte in diesem UseCase sind nun, sich bestimmte Artikelgruppen näher anzuschauen und zu prüfen, ob hier eine Korrelation vorhanden ist.

3. Netzwerktreffen Bild 3.png

Den zweiten UseCase über einen Spritzgussdatensatz der KLT Hummel Plastic GmbH stellten Niels Baunach und Niklas Reuther vor. Die Ausgangslage bestand darin, dass eine neue Spritzgussmaschine Daten aufzeichnet und die Messwerte für die fertigen Spritzgussteile mit den Maschinendaten verknüpft werden sollen, um eine Vorhersage über die Qualität der Teile vor der Vermessung treffen zu können. Dabei sind die Abweichungen für ein Gutteil definiert. Für die Analyse der Daten erstellte Niklas Reuther in RapidMiner eine Korrelationsmatrix. Dabei sind alle Korrelationswerte kleiner gleich 0,65 für die Analyse interessant, da alle Werte über 0,65 das Modell „überlernen“ würden. Mit dem Operator „Principal Component Analysis“ werden Richtungsvektoren der Datenpunkte aufgenommen und somit kann der gesamte Datensatz mit drei Parametern dargestellt werden. Aus diesen drei Parametern kann mit Hilfe einer 3D-Datenwolke der Datensatz geclustert werden. Zu erkennen ist, dass sich Gutteile und Schlechtteile sehr mischen. Daraus folgt, dass man mit einer Clusteranalyse nur bedingt weiterkommt. Allerdings wird deutlich gezeigt, dass sich der Einsatz von KI-Methoden lohnen könnte.

3. Netzwerktreffen Bild 4.png

Nach anschließenden Diskussionen zu den Anwendungsbeispielen ging es wieder zum freien Netzwerken in unserer virtuellen Umgebung.

Wir bedanken uns bei allen Teilnehmenden für den regen Austausch und freuen uns auf die nächste Veranstaltung! Wenn Sie auch Teil unseres Netzwerks werden wollen, melden Sie sich gerne bei uns.