2023
,
Frey, Christian
,
Goßmann, Ann-Kathrin
,
Hasterok, Constanze
,
Hertweck, Philipp
,
Kühnert, Christian
,
Pfrommer, Julius
,
Usländer, Thomas
,
Ernis, Gunar
,
Hecker, Dirk
,
Poretschkin, Maximilian
,
Schulz, Daniel
,
Wegener, Dennis
,
Wirtz, Tim
,
Zimmermann, Alexander
,
Usländer, Thomas
,
Schulz, Daniel
Um Methoden der künstlichen Intelligenz (KI) in IT-Systemen der industriellen Produktion nachhaltig und operativ einzusetzen, bedarf es der Methodik des KI-Engineering. KI-Engineering adressiert die systematische Entwicklung und den Betrieb von KI-basierten Lösungen als Teil von Systemen, die komplexe Aufgaben erfüllen. Ziel ist es, das Innovations- und Optimierungspotenzial von KI-Verfahren in der industriellen Produktion nutzen zu können. Die Studie spannt die Dimensionen für KI-Engineering-Anwendungen auf, umreißt die qualitativen Anforderungen in der Entwicklung und im Betrieb unter dem Blickwinkel des Anwenders und Entscheiders. Verschiedene Anwendungsfälle werden in vier Autonomiestufen eingeordnet: von KI-basierten Assistenzfunktionen bis hin zu autonomen und adaptiven Systemen. Zudem werden passende Lösungsmethoden aufgezeigt. Ein Kapitel widmet sich den technischen und organisatorischen Schulden beim Einsatz von KI-Methoden. Hierin wird als Antwort das KI-Engineering-Vorgehensmodell PAISE® im Kontext bestehender Modelle aus dem Data Mining und dem Software-Engineering erläutert. Im Anschluss werden relevante Initiativen und Projekte beschrieben und anstehende Entwicklungen umrissen.
2022
,
Eisenträger, Marlene
,
Frey, Christian
,
Herzog, Andreas
,
Moghiseh, Ali
,
Morand, Lukas
,
Pfrommer, Julius
,
Stephani, Henrike
,
Stoll, Anke
,
Wessels, Lars
Im Leitprojekt Machine Learning for Production (ML4P) gehen wir davon aus, dass die Leistung in modernen Produktionsanlagen - sowohl in der Prozess- als auch in der stückgutproduzierenden Industrie - mithilfe von Maschinellem Lernen optimiert werden kann. Unter der Schirmherrschaft und Koordination des Fraunhofer IOSB bündeln mehrere Fraunhofer-Institute ihre Anwendungserfahrung und Kompetenzen im Maschinellen Lernen zur Erarbeitung von Lösungen für die Industrie. In ML4P werden intelligente Methoden zur Bedarfsdeckung der Industrie formuliert werden und der Weg zu flexiblen, schnell lernenden Anlagen vorbereitet. Eine »lernende Maschine« könnte zum Beispiel den Einbau intelligenter Komponenten oder einen effizienten, ganzheitlichen Umgang mit sehr großen Datenmengen beinhalten.