Schlussbericht IML4E-D

Die wachsende Bedeutung von Künstlicher Intelligenz und maschinellem Lernen in industriellen Anwendungen führt zu einem stetig steigenden Bedarf an zuverlässigen, nachvollziehbaren und auditierbaren MLOps-Prozessen. Insbesondere wächst die Nachfrage nach praxistauglichen Methoden und Werkzeugen, mit denen sich die Qualität von KI- und ML-Systemen kontinuierlich prüfen und zertifizieren lässt. Genau diesen Bedarf adressierte das inzwischen erfolgreich abgeschlossene ITEA Forschungsprojekt IML4E (Industrial Machine Learning for Enterprises).
Im Projektverlauf wurden systematische Ansätze für die kontinuierliche Qualitätsprüfung, Zertifizierung und vertrauenswürdige Nutzung von KI- und ML-Systemen in industriellen Umgebungen entwickelt. Ziel von IML4E war es, die Sicherheit und Zuverlässigkeit von KI-Anwendungen nachhaltig zu erhöhen - insbesondere durch neue Methoden, Werkzeuge und Rahmenwerke für die kontinuierliche Zertifizierung von ML-Systemen. Gleichzeitig wurden durch MLOps-Automatisierung kosteneffiziente und skalierbare Lösungen geschaffen, die den Betrieb komplexer KI-Anwendungen deutlich vereinfachen.
Im europäischen IML4E-Projekt bündelten Partner aus Deutschland, Finnland und Ungarn ihre interdisziplinäre Expertise und Technologiekompetenz. Das deutsche Teilprojekt IML4E-D bestand aus der Forschungseinrichtung Fraunhofer FOKUS (FOKUS) sowie den Industrieunternehmen Software GmbH (SAG) 1, Spicetech GmbH (Spicetech) und Siemens AG (Siemens). Die Projektergebnisse wurden entlang praxisnaher Fallstudien entwickelt und validiert, wobei insbesondere die Integration großer Sprachmodelle (LLMs) und die Gestaltung robuster MLOps-Pipelines im Mittelpunkt standen.
Zu den innovativen Ergebnissen des IML4E-D Projekts zählen unter anderem:
•Test- und Qualitätssicherungswerkzeuge und -methoden zur Prüfung von Daten und Modellen im MLOps Lebenszyklus,
•die Entwicklung der CABC-Methodik (Continuous Audit-based Certification) und -werkzeuge zur kontinuierlichen Zertifizierung von ML-Systemen,
•drei US-Patentanmeldungen (von SAG eingereicht) zur automatischen Fehlererkennung in tabellarischen Daten, zur Lokalisierung und Erweiterung fehlerhafter Daten und zur Auswahl optimaler Datenbereinigungsstrategien auf der Grundlage der Leistung des ML-Zielmodells, sowie die Bereitstellung des IML4E Frameworks sowie der IML4E OSS Plattform als Grundlage für eine schrittweise Einführung und Skalierung effizienter MLOps-Prozesse, die sowohl für Einsteiger als auch für große Unternehmen mit komplexen, heterogenen Infrastrukturen geeignet sind.
Die Überführung von ausgewählten Projektergebnissen in die Prozesse und Arbeitsweisen der industriellen Partner und in Standardisierungsaktivitäten bei der ETSI (z. B. ETSI MTS TS 6756 und ETSI DTR/MTS-103910) sorgten für eine nachhaltige Konsolidierung und Verfügbarkeit der Projektergebnisse. Darüber hinaus ermöglichten direkte Anschlussprojekte sowie die Anpassung an neue Anforderungen, wie beispielsweise die Integration großer Sprachmodelle, die gezielte Weiterentwicklung besonders vielversprechender Forschungsschwerpunkte.
Dieser Schlussbericht dokumentiert die Ergebnisse des deutschen Teilprojekts IML4E-D. Im Projekt wurden Fallstudien zu MLOps und industriellen KI-Anwendungen bearbeitet, die entscheidend zum Gesamterfolg von IML4E beigetragen haben. Als Teil des europäischen Projektverbunds leistete das deutsche IML4E-D Projekt einen maßgeblichen Beitrag zur Entwicklung sicherer und vertrauenswürdiger KI-Systeme für industrielle Einsatzszenarien.