Now showing 1 - 7 of 7
No Thumbnail Available
Publication

Bridging the Gap Between IDS and Industry 4.0 - Lessons Learned and Recommendations for the Future

2024 , Alexopoulos, Kosmas , Bakopoulos, Emmanouil , Larrinaga Barrenechea, Felix , Castellvi, Silvia , Firouzi, Farshad , Luca, Gabriele de , Maló, Pedro , Marguglio, Angelo , Meléndez, Francisco , Meyer, Tom , Orio, Giovanni di , Pethig, Florian , Ruíz, Jesús , Treichel, Tagline , Usländer, Thomas , Volz, Friedrich , Watson, Kym , Stojanovic, Ljiljana

The Plattform Industrie 4.0 (PI4.0) and the International Data Spaces Association (IDSA) are two independent, parallel initiatives with clear focuses. While PI4.0 addresses communication and interaction between networked assets in a smart factory and/or supply chain across an asset or product lifecycle, IDSA is about a secure, sovereign system of data sharing in which all stakeholders can realize the full value of their data. Since data sharing between companies requires both interoperability and data sovereignty, the question emerges regarding the feasibility and rationality of integrating the expertise of PI4.0 and IDSA. The IDS-Industrial Community (IDS-I) is an extension of IDSA whose goal is to strengthen the cooperation between IDSA and PI4.0. Two fields of expertise could be combined: The Platform's know-how in the area of Industrie 4.0 (I4.0) and the IDSA's expertise in the areas of data sharing ecosystems and data sovereignty. In order to realize this vision, many aspects have to be taken into account, as there are discrepancies on multiple levels. Specifically, at the reference architecture level, we have the RAMI4.0 model on the PI4.0 side and the IDS Reference Architecture Model (IDS-RAM) on the IDSA side. While the existing I4.0 and IDS specifications are incompatible e.g. in terms of models (i.e., the AAS metamodel and the IDS information model) and APIs, there is also the issue of interoperability between I4.0 and IDS solutions. This position paper aims to bridge the gap between IDS and PI4.0 by not only analyzing how their existing concepts, tools, etc. have been "connected" in different contexts. Rather, this position paper makes recommendations on how different technologies could be combined in a generic way, independent of the concrete implementation of IDS and/or I4.0 relevant technology components. This paper could be used by both the IDS and I4.0 communities to further improve their specifications, which are still under development. The lessons learned and feedback from the initial joint use of technology components from both areas could provide concrete guidance on necessary improvements that could further strengthen or extend the specifications. Furthermore, it could help to promote the IDS architecture and specifications in the industrial production and smart manufacturing community and extend typical PI4.0 use cases to include data sovereignty by incorporating IDS aspects.

No Thumbnail Available
Publication

Quantum Optimization: Potential, Challenges, and the Path Forward

2023 , Abbas, Amira , Ambainis, Andris , Augustino, Brandon , Bärtschi, Andreas , Buhrman, Harry , Coffrin, Carleton , Cortiana, Giorgio , Dunjko, Vedran , Egger, Daniel J. , Elmegreen, Bruce G. , Fratini, Filippo , Franco, Nicola , Fuller, Bryce , Gacon, Julien , Gonciulea, Constantin , Gribling, Sander , Gupta, Swati , Hadfield, Stuart , Heese, Raoul , Kircher, Gerhard , Kleinert, Thomas , Koch, Thorsten , Korpas, Georgios , Markov, Vanio , Mazzola, Guglielmo , Mensa, Stefano , Lenk, Steve , Marecek, Jakub , Mohseni, Naeimeh , Nannicini, Giacomo , O’Meara, Corey , Peña Tapia, Elena , Pokutta, Sebastian , Proissl, Manuel , Rebentrost, Patrick , Sahin, Emre , Symons, Benjamin C. B. , Tornow, Sabine , Valls, Víctor , Woerner, Stefan , Wolf-Bauwens, Mira L. , Yard, Jon , Zechiel, Dirk , Yarkoni, Sheir , Zhuk, Sergiy , Zoufal, Christa

Recent advances in quantum computers are demonstrating the ability to solve problems at a scale beyond brute force classical simulation. As such, a widespread interest in quantum algorithms has developed in many areas, with optimization being one of the most pronounced domains. Across computer science and physics, there are a number of algorithmic approaches, often with little linkage. This is further complicated by the fragmented nature of the field of mathematical optimization, where major classes of optimization problems, such as combinatorial optimization, convex optimization, non-convex optimization, and stochastic extensions, have devoted communities. With these aspects in mind, this work draws on multiple approaches to study quantum optimization. Provably exact versus heuristic settings are first explained using computational complexity theory - highlighting where quantum advantage is possible in each context. Then, the core building blocks for quantum optimization algorithms are outlined to subsequently define prominent problem classes and identify key open questions that, if answered, will advance the field. The effects of scaling relevant problems on noisy quantum devices are also outlined in detail, alongside meaningful benchmarking problems. We underscore the importance of benchmarking by proposing clear metrics to conduct appropriate comparisons with classical optimization techniques. Lastly, we highlight two domains - finance and sustainability - as rich sources of optimization problems that could be used to benchmark, and eventually validate, the potential real-world impact of quantum optimization.

No Thumbnail Available
Publication

ML4P - Vorgehensmodell Machine Learning for Production

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.

No Thumbnail Available
Publication

Piloten 2022 der Initiative Digitale Standards (IDIS) - Praktische Nutzung von Smart Standards

2023 , Both, Maximilian , Franke, Markus , Mummel, Jan , Redeker, Magnus , Bergander, Sven , Bülow, Gilles , Lindenstruth, Theresa

Nach Laufzeiten von 12 bis 18 Monaten wurden vier Piloten der Initiative Digitale Standards (IDiS) erfolgreich abgeschlossen und haben ihre Projektergebnisse und Zwischenstände überreicht. Anhand identischer Fragen wurden die Projektteilnehmer gebeten, in einer Retrospektive ihre Einschätzungen zu den Erkenntnissen und Herausforderungen in den Piloten zu übermitteln. Ziel ist einerseits, weitere Stakeholder mit den Chancen und Möglichkeiten von digitalen Standards in Kontakt zu bringen, die nicht unmittelbar die Möglichkeit haben, in IDiS aktiv mitzuarbeiten. Andererseits sollen die Erfahrungen mit weiteren Partnern und Normungsorganisationen geteilt werden, wie z.B. auf europäischer Ebene, wo sie Einzug in das bei CEN/CENELEC gehostete Backlog zur Erfassung von europäischen Anwendungsszenarien digitaler Normen und deren Assets erhalten haben.

No Thumbnail Available
Publication

Information Model for Capabilities, Skills & Services

2022-11-08 , Diedrich, Christian , Belyaev, Alexander , Bock, Jürgen , Grimm, Stephan , Hermann, Jesko , Klausmann, Tobias , Köcher, Aljosha , Meixner, Kristof , Peschke, Jörn , Schleipen, Miriam , Schmitt, Siwara , Schnebel, Boris , Volkmann, Magnus , Watson, Kym , Winter, Michael

Das Diskussionspapier stellt ein neues Informationsmodell zu Fähigkeiten, Fertigkeiten und Dienstleistungen (engl. Capabilities, Skills and Service Model (CSS-Modell)) vor. Es schafft ein Verständnis dafür, wie diese drei Elemente optimal für neue Produktionskonzepte (z. B. Shared Production) und als Basis für künftige Standardisierungsaktivitäten genutzt werden können. Sie erhalten in dem Diskussionspapier der Arbeitsgruppe „Semantik und Interaktion von I4.0-Komponenten“ der Plattform Industrie 4.0 tiefe Einblicke in das Modell, seine Funktionsweise, sein Potenzial und die Herausforderungen, die damit für „Smart Production“ einhergehen. Smart Production bedeutet vor allem Anpassung, Effizienz und Flexibilität. Um diesen Anforderungen gerecht zu werden, bedarf es einer maschinenlesbaren Beschreibung von Fertigungsfunktionen. Diese Beschreibung muss auf einem klar definierten Modell basieren. Das Capabilities Skills and Service Model (CSS-Modell) leistet einen signifikanten Beitrag, diesen Herausforderungen zu begegnen. Das Modell kombiniert die industriellen Anforderungen mit den ersten Praxiserfahrungen, dem aktuellen Status der Industrieforschung und der möglichen technologischen Implementierung.

No Thumbnail Available
Publication

KI-Engineering in der Produktion

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.

No Thumbnail Available
Publication

KI-Systeme schützen, Missbrauch verhindern

2022-03-24 , Beyerer, Jürgen , Müller-Quade, Jörn

Künstliche Intelligenz wird bereits in einer Vielzahl von gesellschaftlichen Bereichen eingesetzt, sei es im Gesundheitsbereich, in der Arbeitswelt, im Straßenverkehr oder in öffentlichen Räumen. Trotz der vielfältigen Chancen, die die KI-Technologie mit sich bringt, wie etwa eine verbesserte Gesundheitsversorgung oder eine attraktive, individuelle Arbeitsplatzgestaltung, sollte das Potenzial für Missbrauch von KI-Systemen nicht aus den Augen verloren und realistisch eingeschätzt werden. Auf diese Weise können frühzeitig passende Schutzmaßnahmen gegen missbräuchliche Angriffe strategisch ergriffen werden. Die Expertinnen und Experten unter Federführung der beiden Arbeitsgruppen Lebensfeindliche Umgebungen sowie IT-Sicherheit, Privacy, Recht und Ethik der Plattform Lernende Systeme gehen im Whitepaper der Frage nach, welche Schritte unternommen werden sollten, um Missbrauch von KI-Systemen mit geeigneten Maßnahmen vorzubeugen. Dies vorrangig unter technologischen Aspekten. Hierzu empfehlen sie, Szenarien durchzudenken, um frühzeitig Einfallstore aufzudecken und daraus erforderliche Schutzvorkehrungen abzuleiten, die eingebettet in einer Gesamtstrategie Missbrauch verhindern können. Zur Veranschaulichung werden die theoretischen Überlegungen in realistischen Anwendungsszenarien aus dem Bereich Gesundheit, Freizeit, Mobilität oder Arbeitswelt eingebettet. Diese machen in der in der Gegenüberstellung zwischen „worst case“ und „best case“ deutlich, welchen Ausgang geeignete Maßnahmen im konkreten Missbrauchsfall letztlich begünstigen - dies im Sinne einer sicheren und zuverlässigen KI-Technologie.