Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Maschinelles Lernen in der Produktion. Anwendungsgebiete und frei verfügbare Datensätze

Machine Learning in Production - Application Areas and Freely Available
 
: Krauß, Jonathan; Dorißen, Jonas; Mende, Hendrik; Frye, Maik; Schmitt, Robert H.

:

Industrie 4.0 Management 35 (2019), No.4, pp.39-42
ISSN: 2364-9208
ISSN: 1434-1980
Bundesministerium fur Wirtschaft und Energie BMWi (Deutschland)
01165626/1; FFEkT
Energie- und ressourceneffiziente Prozesskette zur Fertigung komplexer Glasoptiken
German
Journal Article
Fraunhofer IPT ()
machine learning; Produktionstechnologie; Anwendungsgebiet; use cases; data analytics; Künstliche Intelligenz; Big Data

Abstract
Steigende Rechenleistungen und bessere Datengrundlagen bei gleichzeitig sinkenden Kosten für Rechen- und Speicherkapazitäten stellen die Basis für den Einsatz von Machine Learning (ML) in der Produktion dar. Herausforderungen bestehen in der Identifizierung aussichtsreicher Anwendungsgebiete, dem Erkennen der mit diesen verbundenen Learning Tasks sowie dem Aufdecken passender Datensätze. In diesem Beitrag werden daher folgende Fragen beantwortet: Welche Anwendungsgebiete in der Produktion bieten das größte Potenzial für den Einsatz von ML? Welche frei zugänglichen Datensätze eignen sich, um eigene Erfahrungen zu sammeln und welche Learning Tasks sind damit verbunden? Was sind Best Practices für die Anwendungsgebiete?

 

Data Sets increasing data bases and computing power as well as decreasing costs for computing and storage capacities form the basis for the use of Machine Learning (ML) in production. The challenges are the identification of promising application areas, the recognition of the assiciated learning tasks as well as the uncovering of suitale data sets. This article therefore answers the following questions: Which application areas in production offer the greatest potential for the use of ML? Which freely accessible data sets are suitable for gaining experienc and which learning tasks are associated with them? What are best practices for the application areas?

: http://publica.fraunhofer.de/documents/N-622065.html