Daten sind das neue Öl, sagt man – denn nichts zuletzt sind sie der Treibstoff, der den Motor der Künstlichen Intelligenz antreibt. Doch was tun, wenn die nötigen Daten fehlen, um KI-basiert Prognosemodelle, zum Beispiel im industriellen Bereich, effizient nutzen zu können? Hier kann unter anderem eine Methode namens „Transfer Learning“ eingesetzt werden. Beim Transfer Learning bedient man sich vortrainierter Modelle aus anderen Kontexten, wodurch ein Mangel an Trainingsdaten kompensiert und die KI daher günstiger und leichter eingesetzt werden kann. Eingesetzt wird dies in Österreich zum Beispiel beim Software Competence Center Hagenberg (SCCH).

Transfer Learning: Anschaulich illustriert

Links: Klassisches Machine Learning from Scratch bei dem für jeden Datensatz mit unterschiedlicher statistischer Charakteristik (z.B. Bilder einer Inspektionskamera für einen speziellen Bauteil) ein eigenes Modell gelernt wird (z.B. um einen Defekt im Bauteil zu erkennen). Das kann bei einem neuen Bauteil welcher nur in kleiner Menge produziert wird zu Problemen führen, da klassische Machine Learning Modelle sehr datenhungrig sind und schlechte Ergebnisse liefern, wenn zu wenige Daten vorhanden sind.

Rechts: Transfer Learning ist eine Erweiterung des klassischen Machine Learning Ansatz, die darauf abzielt Informationen neuer Daten mit Informationen alten Daten derart zu kombinieren, sodass das Problem von zu wenig Information (z.B. zu wenige Inspektionsbilder eines neuen Bauteils) gelöst werden kann.

Industrie als Vorreiter des Transfer Learning

„Seit 2010 setzen wir im Bereich Data Science Methoden des Transfer Learning ein. Vorbild waren Ansätze, mit denen bestehende Daten zur Problemlösung A mittels Künstlicher Intelligenz (KI) auf ein verwandtes Problem B übertragen werden können“, sagt Bernhard Freudenthaler, Area Manager Software Science am SCCH.

Da es kaum Forschung mit Industriedaten gab, hat das SCCH mit Wirtschaftspartnern Testreihen durchgeführt, um Prozessdaten zu generieren, mit denen KI-Systeme schrittweise trainiert werden, korrekte Werte vorherzusagen und damit den Verarbeitungsprozess zu steuern. „Der Vorteil für Industriebetriebe liegt in der Zeiteinsparung. Denn ohne Transfer Learning muss für jede Maschinenkonfiguration das Training der KI wieder von Neuem begonnen werden.

Transfer Learning ist auch Thema im COMET-Projekt Deepred (Deep Learning based Predicictive Analytics and Optimization). Ein Schwerpunkt ist die Unterstützung vieler ähnlicher Prozesse mit dem Ziel, die richtige Lösung ohne teure, umfassende und prozessspezifische Datensammlung zu finden. Dadurch können KI-basierte Produktionsprozesse flexibler gestaltet und Trainingszeiten des KI-Modells im besten Fall ganz vermieden werden“, so Freudenthaler.

Künstliche Intelligenz für die Blechfertigung

In einer Forschungskooperation arbeitet das SCCH außerdem mit dem oberösterreichischen Maschinenbauunternehmen TRUMPF Maschinen Austria zusammen. „Wir sehen diese Entwicklung als große Chance“, sagt dazu Bernhard Fischereder, Leiter Forschung und Entwicklung bei TRUMPF: „Ziel der langfristigen Zusammenarbeit ist es, die Erkenntnisse der aktuellen Forschung zur Künstlicher Intelligenz und Industrie 4.0 in der Blechbearbeitung zu verankern.“