Aufgrund von Covid-19 wurde das einstündige Seminar über Machine Learning im Industrie-Bereich virtuell durchgeführt. Als Referent stand uns Dr. Christian Spindler, CEO bei Data Ahead Analytics, über ZOOM zur Verfügung. Das Seminar zeigt praktische Aspekte von Machine Learning in der Industrie. Dabei wurde wert darauf gelegt, weder die Thematik nur oberflächlich anzukratzen, noch zu sehr in die linear algebraischen Herleitungen zu versinken.

Es soll klar werden, wo in der Industrie durch Machine Learning Wert geschöpft werden kann und wie man die Anforderungen in ein Machine Learning Problem übersetzt. Die wichtigsten Punkte des Vortrag haben wir Ihnen hier kurz zusammengefasst:

Wann ist es sinnvoll, Machine Learning zu nutzen?

Wenn die Lösung eines Problems durch den Einsatz von einfachen Regeln, Berechnungen, Anwendung von Physik oder Technik bestimmt werden kann, dann lohnt es sich nicht, Machine Learning zu nutzen.

Machine Learning eignet sich besonders bei Problemen, wenn die Regeln nicht einfach programmiert werden können oder wenn das Problem nicht gut skalierbar ist. Beispielsweise in folgenden Fällen:

• Berechnungen beinhalten eine grosse Zahl von verrauschten, voneinander abhängigen Faktoren (Bsp. 500 gleichzeitig gemessene Sensordaten, wovon man nicht weiss, welche für das momentane Problem relevant sind)
• Es existieren keine guten Modelle (Bsp. Soft Physics) 

Wofür kann Machine Learning genutzt werden?

Zwei typische Beispiele für den Einsatz von Machine Learning in der Fertigung:

• Predictive Maintanence: Machine Learning wird genutzt, um Anomalien zu entdecken. Dazu kann zum Beispiel Density Based Clustering (DBSCAN) oder ein Autoencoder Neural Network genutzt werden.
• Optische Qualitätskontrolle: Machine Learning wird genutzt, um unterschiedliche Fehlermodi aus einem Bild vom Produkt zu messen. Durch eine regelmässige Nachkontrolle kann man das trainierte System kontinuierlich verbessern.

Erste Machbarkeitsschätzung für ein Projekt

Um die wirtschaftliche Durchführbarkeit eines Machine Learning Projekts zu untersuchen, sollten folgende Fragen beantwortet werden:

• Wie hoch sind die zusätzlichen Einnahmen, wenn das Modell korrekt ist?
• Was sind die zusätzlichen Kosten, wenn das Modell-Ergebnis falsch ist?
• Was sind die Kosten für den Betrieb des Modells (Daten Subskription, Entwicklung und Wartungspersonal, …)?

Dazu kann man eine Wahrheitsmatrix (Confusion Matrix) erstellen, um den Wert des jeweiligen Resultats zu schätzen. Durch das Berechnen der Summe der Erwartungswerte kann man eine erste Abschätzung der Kosten/Nutzen machen, die durch den Einsatz von Machine Learning erzielt werden.

Machbarkeit: ∑ Erwartungswert (Kosten/Nutzen) > 0

Beispiel «True negatives»

Zusätzliche Einnahmen: 0 $
Opportunitätskosten: 0 $
Laufende kosten: -10 $

Totale Kosten/Nutzen: -10 $

Umsetzungsschritte anhand vom Data Science Lifecycle

Der Data Science Lifecycle ist grundsätzlich in zwei Bereiche unterteilt. Auf der einen Seite ein relativ langer Vorbereitungsteil, in dem der Use Case definiert und das Ziel des ganzen Projekts betrachtet wird. Eine wichtige Frage dabei ist natürlich, ob sich das Problem überhaut eignet, um mit Data Science gelöst zu werden.

Falls man sich entscheidet, dass Data Science für das Problem genutzt werden soll, kommt man in den zweiten Bereich des Zyklus'. Dieser Bereich besteht aus einer Pipeline, die bei der Daten-Sammlung startet, dann folgt der Schritt 4 mit der Daten-Sondierung, Prozessierung und Visualisierung. Der Schritt 4 ist mit Abstand der kognitiv schwierigste Schritt, da dieser nicht gut automatisierbar ist. Die darauffolgenden Schritte sind Modellierung & Testen und zum Schluss wird das Modell eingesetzt.

Themenüberblick bei einem Predictive Maintenance Projekt

Wie man auf folgender Grafik sieht, ist die eigentliche Machine Learning Komponente für die industrielle Anwendung relativ klein. Damit Machine Learning überhaupt zum Tragen kommt, braucht es eine Sammlung von qualitativ guter Daten, saubere Datenaufbereitung, Verifikation, Infrastruktur, usw. Deshalb ist eine Checkliste ganz nützlich, die Anhaltspunkte gibt, welche Komponenten noch unzureichend sind und wo noch mehr Zeit investiert werden muss.

Quelle: https://papers.nips.cc/paper/5656-hidden-technical-debt-in-machine-learning-systems.pdf

Checkliste: Machine Learning Projekt

Zum Schluss gab uns Dr. Christian Spindler noch eine kleine Checkliste auf den Weg, die einen guten Einstieg für ein zukünftiges Machine Learning Projekt darstellt. Die einzelnen Punkte sind Fragen oder Massnahmen, welche zum jeweiligen Schritt im Data Science Lifecycle gestellt werden können.

1. Business-Anwendungsfall verstehen
   1. Welches Problem wollen wir lösen?
   2. Ist das Problem durch die Analyse von Daten lösbar?
   3. Erhöht ML den Wert der Datenanalyse?
   4. Den status-quo und messbare Ziele definieren
   5. Kann die Lösung modularisiert werden in Make and Buy?
   6. Human in the loop oder völlig autonome Lösung?
      
      
2. Data Governance definieren / anwenden
   1. Welche Daten sind erforderlich?
   2. Wie erhält man einen stetigen Datenstrom?
   3. Wie wird die Stabilität der Datenqualität sichergestellt?
   4. Was kostet die Datenerfassung in der Produktion?
   5. Wenn es sich um personenbezogene Daten handelt, wie wird die Einhaltung des Datenschutzes gewährleistet?
   6. Benutzerrollenmodell und UI-Authentifizierungsschema entwerfen
      
      
3. Saubere, stabile Datenerfassung
   1. Einrichtung von Schnittstellen, bevorzugt. REST-APIs
   2. Wie wird sichergestellt, dass der Datenstrom robust gegen Netzwerkausfälle ist?
      
      
4. Datenexploration, -verarbeitung, -visualisierung
   1. Einrichtung einer standardisierten Datenverarbeitungspipeline
   2. Visualisierungsstrategie für das Entwurfsmodell
   3. Entwurfsmodell Interaktionsstrategie
      
      
5. Modellentwicklung und -prüfung
   1. Identifizierung eines gültigen Modellierungsansatzes (un-/supervised, time series, Algorithmen etc.)
   2. Ein einfaches Benchmark-Modell erstellen
   3. Erstellen Sie eine automatisierte Pipeline, um eine optimale Modell-/Feature-Kombination im Suchraum zu finden
   4. Manuelles Feintuning des Modells
      
      
6. Modell / UI zum Modell bereitstellen
   1. Modell- und Daten Versionierung einrichten
   2. Containerisierung der Konstruktion
   3. Bereitstellung auf Vor-Ort-/Cloud-Server
   4. Visualisierungs- und Interaktionsstrategie als webbasierte Schnittstelle implementieren
      
      
7. Integration der Ergebnisse
   1. Einrichtung einer Modell-Ergebnisüberwachung und eines Aktionsplans für den Fall einer Leistungsverschlechterung
   2. Definieren Sie einen regelmäßigen Wartungsprozess für die Softwarelösung
      
      
8. Der Mehrwert
   1. Überwachung der Verbesserung im Vergleich zum Status-quo
   2. Eintragen von Erkenntnissen, Erfahrungen und Verbesserungspotential der Lösung in den Wartungsrückstand
   3. Ähnliche Prozesse in der Organisation zu erreichen, die von KI-Unterstützung profitieren können

Download Checkliste 

Melden Sie sich bei uns, wenn Sie Fragen dazu haben oder wir Sie bei Ihren Projekten unterstützen können.