18.09.2020

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

Transfer Learning kann helfen, wenn nicht genug Daten für den Einsatz von KI-Anwendungen zur Verfügung stehen.
/artikel/wie-man-auch-mit-wenig-daten-ki-losungen-nutzen-kann
(c) TRUMPF Maschinen Austria

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

(c) SCCH

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.”

Deine ungelesenen Artikel:
14.06.2024

Spin-off-Nation Österreich?

Österreich hat einige herausragende universitäre Spin-offs hervorgebracht. Dabei herrscht breiter Konsens, dass es noch viel Luft nach oben gibt.
/artikel/spin-off-nation-oesterreich
14.06.2024

Spin-off-Nation Österreich?

Österreich hat einige herausragende universitäre Spin-offs hervorgebracht. Dabei herrscht breiter Konsens, dass es noch viel Luft nach oben gibt.
/artikel/spin-off-nation-oesterreich
Spin-off-Nation Österreich? aws-Geschäftsführer Bernhard Sagmeister, Magdalena Hauser und Wolfgang Lechner (beide ParityQC-Co-Founder) und FFG-Geschäftsführerin Henrietta Egerth | (c) aws/Inge Prader / brutkasten / FFG/Einzenberger
vlnr.: aws-Geschäftsführer Bernhard Sagmeister, Magdalena Hauser und Wolfgang Lechner (beide ParityQC-Co-Founder) und FFG-Geschäftsführerin Henrietta Egerth | (c) aws/Inge Prader / brutkasten / FFG/Einzenberger

*Dieser Artikel erschien zuerst in der aktuellen Ausgabe unseres Printmagazins. Eine Downloadmöglichkeit findet sich am Ende des Artikels.

Einige der weltweit erfolgreichsten Unternehmen sind Uni-Spin-offs, nicht zuletzt etwa Google. Der Grund dafür scheint klar: Die universitäre Forschung bringt tatsächlich neue Erkenntnisse und Technologien, die dann am Markt eine Disruption bewirken können. Vor allem im Hightech-, aber etwa auch im Medizinbereich ist jahrelange Forschung schließlich eine unabdingbare Voraussetzung für Innovation.

Auch in Österreich gibt es einige herausragende Spin-offs. Eines davon ist das Innsbrucker Quantencomputing-Unternehmen ParityQC. Es lizenziert Baupläne für Quantentechnologie und sieht sich damit als “einziges Quantenarchitektur-Unternehmen der Welt”. Kürzlich holte ParityQC sich ein Investment zu neunstelliger Bewertung und zog damit mit mehreren börsennotierten US-Konkurrenten gleich.

“Wir sind in Österreich rund 50 Jahre hinterher”

Doch trotz dieses Erfolgs und obwohl Österreich weltweit seit Jahren zu den Spitzenreitern bei Forschungsausgaben zählt, sieht ParityQC-Co-Founder Wolfgang Lechner das Land nicht als Spin-off-Nation. “Wir sind in Österreich ca. 50 Jahre hinterher”, meint er und bringt Harvard, Cambridge und die ETH Zürich als internationale Vorbilder, die schon seit Jahrzehnten aktiv ein Spin-off-Ökosystem aufbauen.

Teil des besagten Ökosystems in Cambridge war und ist auch der Tiroler Unternehmer und Investor Hermann Hauser, der mit ARM einen der weltweit führenden Mikroprozessor-Hersteller mitgründete. Er unterstützt ParityQC nicht nur direkt als Mentor, sondern engagiert sich in den vergangenen Jahren umfassend in der Förderung der heimischen Spin-off-Landschaft. Dazu startete er gemeinsam mit dem Grazer Unternehmer und Investor Herbert Gartner die Initiative Spin-off Austria.

“Obwohl wir hierzulande auf eine lange Tradition exzellenter Forschung und Bildung zurückblicken können, bleiben im internationalen Vergleich dennoch viele unternehmerische Potenziale ungenutzt”, meinte Hauser anlässlich der letzten Spin-off Austria Conference im vergangenen Herbst. “Der Erfolg universitärer Spin-offs beruht auf einem großen Netzwerk, das Forscher:innen, Unternehmer:innen, Universitätsprofessor:innen, Investor:innen und viele weitere Akteure umfasst“, ist er überzeugt.

“Zum richtigen Zeitpunkt beide Welten zusammenbringen”

Einer dieser Akteure im Spin-off-Ökosystem ist die Austria Wirtschaftsservice (aws), die als Förderbank der Republik Österreich gemeinsam mit der Forschungsförderungsgesellschaft FFG einen entscheidenden Beitrag zur Frühfinanzierung von Spin-offs leistet. Für aws-Geschäftsführer Bernhard Sagmeister ist die Überführung von Forschungsergebnissen in Unternehmen die große Herausforderung, die es zu meistern gilt.

“Die Forschungswelt und die Unternehmenswelt sind doch zwei unterschiedliche Welten. Ich halte nicht sehr viel von dem Ansatz, aus sehr guten Forscher:innen schlechte Unternehmer:innen zu machen, sondern ich glaube, es ist wichtig, zum richtigen Zeitpunkt beide Welten zusammenzubringen. Da braucht es dann oft Mediation, weil sie nicht dieselbe Sprache sprechen“, meint Sagmeister gegenüber brutkasten.

ParityQC-Gründer Lechner erkennt in diesem Zusammenhang auch eine “Mentalitätssache in Österreich”: Man sei hierzulande entweder an der Uni oder nicht – “und das dazwischen ist etwas, das ein bisschen skeptisch betrachtet wird. Hier wollen wir auf jeden Fall eine Vorreiterrolle spielen”, meint Lechner. Die in Österreich traditionell starke Trennung von “Grundlagenforschung” und “angewandter Forschung” sieht er skeptisch. “Ich persönlich unterscheide nicht so zwischen diesen beiden Dingen”, meint er.

Und sein Feld, das Quantencomputing, sei ein Beispiel, warum man nicht so unterscheiden sollte. “Das, was wir machen, ist teilweise reine Mathematik. Das ist ja die unterste Grundlagenforschung, die man überhaupt machen kann. Es geht darum, eine neue Form von Computer zu bauen; und wir haben es irgendwie geschafft, daraus ein Geschäft zu machen”, sagt Lechner. Auch hier wolle man eine Vorreiterrolle spielen, diese Trennlinie etwas weicher zu sehen.

“Spin-off nicht killen, bevor es überhaupt einen ersten Schritt getan hat”

Wenn die Frage der Bereitschaft, zu gründen, geklärt ist, geht es freilich um die Finanzierung. Während Österreich im Förderwesen, unter anderem durch die genannten aws und FFG, im internationalen Vergleich gut aufgestellt ist, liegt das Land im Bereich Risikokapital mit 0,04 Prozent Venture-Capital-Investitionen gemessen am BIP weit zurück.

ParityQC-Co-CEO Magdalena Hauser ortet zudem ein weiteres Problem heimischer Spin-offs darin, dass Universitäten und FHs häufig hohe bürokratische Hürden für Ausgründungen haben und dann große Anteile an den Unternehmen halten. “Man sollte nicht das Spin-off killen, bevor es überhaupt einen ersten Schritt getan hat, indem man es jahrelang in Verhandlungen verstrickt, bevor man es ausgründen lässt”, meint Hauser. Auch Patente sollten aus ihrer Sicht beim Unternehmen liegen und nicht bei den Unis. “Hier braucht es klare Richtlinien”, mahnt die Gründerin ein und sieht den Staat in der Pflicht.

Doch auch finanziell sollte vom Staat noch mehr kommen, ist FFG-Geschäftsführerin Henrietta Egerth im Gespräch mit brutkasten überzeugt: “Das Wichtigste wäre, dass die Politik tatsächlich F&E, Innovation und Forschung als prioritäres Thema sieht. Es ist entscheidend, es nicht nur in Sonntagsreden zu erwähnen, sondern tatsächlich dem politischen Willen durch entsprechendes Budget Ausdruck zu verleihen.” Denn obwohl Österreich, wie oben erwähnt, zu den globalen Spitzenreitern bei Forschungsausgaben zählt, gelte es, weiter mitzuhalten – “weil jeder Euro, den wir in Forschung und Entwicklung investieren, über gesteigerte Umsätze, Lizenzerlöse und dergleichen einen Return on Investment von nachweislich acht Euro hat”, so Egerth.

Sichere dir das brutkasten-Magazin in digitaler Form!

Trag dich hier ein und du bekommst das aktuelle brutkasten-Magazin als PDF zugeschickt und kannst sofort alle Artikel lesen!

Du erhältst mit der Anmeldung künftig auch Zugang für unseren Startup-Newsletter, den wir drei Mal pro Woche verschicken. Du kannst dich jederzeit unkompliziert wieder abmelden.
Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • 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).
  • 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.

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • 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).
  • 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.

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • 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).
  • 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.

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • 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).
  • 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.

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • 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).
  • 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.

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • 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).
  • 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.

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • 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).
  • 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.

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • 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).
  • 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.

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Wie man auch mit wenig Daten KI-Lösungen nutzen kann

  • 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).
  • 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.