Konzeptualisierung als Kernfrage des Maschinellen Lernens in der Produktion

Die Mehrheit der Projekte zur Überwachung und Diagnose Cyber-Physischer Systeme (CPS) beruht heute auf von Experten erstellten Modellen. Diese Modelle sind jedoch nur selten verfügbar, sind oft unvollständig, schwer zu überprüfen und zu warten. Datengetriebene Ansätze sind eine viel versprechende Alternative: Diese nutzen die großen Datenmengen die heutzutage in CPS gesammelt werden. Algorithmen verwenden die Daten, um die zur Überwachung notwendigen Modelle automatisch zu lernen. Dabei sind mehrere Herausforderungen zu bewältigen, wie zum Beispiel die Echtzeit-Datenerfassung und Speicherung, Datenanalyse, Mensch-Maschine Schnittstellen, Feedback- und Steuerungsmechanismen. In diesem Beitrag wird eine kognitive Referenzarchitektur vorgeschlagen, um diese Herausforderungen in Zukunft einfacher zu lösen. Anhand dieser Referenzarchitektur wird eine Schlüsselfrage diskutiert: Der Übergang von subsymbolische Informationen wie sie für das maschinelle Lernen typisch sind und symbolischen Informationen, welche von Menschen einfacher verstanden werden, d. h. die Frage der Konzeptualisierung. Anwendungsfälle aus unterschiedlichen Branchen werden schematisch dargestellt und untermauern die Richtigkeit und den Nutzen der Architektur.