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.
/wie-man-auch-mit-wenig-daten-ki-losungen-nutzen-kann/
(c) TRUMPF Maschinen Austria
Der Summary Modus bietet einen raschen
Überblick und regt zum Lesen mehrerer
Artikel an. Der Artikeltext wird AI-basiert
zusammengefasst mit der Unterstützung
des Linzer-Startups Apollo AI.

  • 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.

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:
vor 5 Stunden

Dirk Linzmeier wird neuer CEO bei TTTech Auto

1998 in Wien gegründet, zählt die österreichische Softwareschmiede TTTech Auto in Sachen autonomes Fahren zu den Vorreitern in Europa.
/dirk-linzmeier-wird-neuer-ceo-bei-tttech/
(c) Helmut Mitter

Erst im Frühjahr 2022 lukrierte das Hightech-Unternehmen TTTech eine Finanzierungsrunde über 250 Millionen Euro durch Aptiv und Audi und erreichte damit eine Milliardenbewertung (brutkasten berichtete). TTTech Autos Hauptprodukt MotionWise, eine Fahrzeug-Softwareplattform für das hochautomatisierte Fahren, ist bereits in rund zwei Millionen Fahrzeugen in Europa, Asien und Amerika im Serienbetrieb.

Nun kommt es zu einem personellen Wechsel an der Unternehmensspitze. Dirk Linzmeier wird CEO und Mitglied des Vorstands der TTTech Auto AG. Der 45-Jährige folgt auf Gründer Georg Kopetz, der nach erfolgreicher Etablierung des Unternehmens am Markt sowie der Erreichung des “Unicorn”-Status in den Aufsichtsrat wechseln wird.

Kopetz wird in den Aufsichtsrat von TTTech Auto wechseln und bleibt unverändert CEO der TTTech Computertechnik AG, dem größten Anteilseigner von TTTech Auto, deren Mitgründer er ebenfalls ist.

So fügt sich Dirk Linzmeier ins TTTech Auto-Führungsteam ein

Linzmeier weist über 20 Jahre Erfahrung in der Automobilindustrie vor. Vor seinem Eintritt bei TTTech Auto war Dirk Linzmeier fünf Jahre lang CEO von OSRAM Continental und etablierte das Joint Venture mit 1.500 Mitarbeiter:innen an 16 Standorten in der Automotive-Industrie. Zuvor war er rund elf Jahr in leitender Position bei der Robert Bosch GmbH tätig.

Der Automotive-Experte arbeitet künftig eng mit dem Führungsteam von TTTech Auto zusammen, das aus Mitgründer und Chief Technology Officer Stefan Poledna, Chief Financial Officer Harald Triplat sowie Chief Growth Officer Friedhelm Pickhard besteht. Der frühere CEO der Bosch-Tochter ETAS, Friedhelm Pickhard, ist seit 2021 ebenfalls Teil des Vorstands von TTTech Auto.

TTTech Auto plant Übernahmen

Geplant ist der weitere Ausbau des Asien- und USA-Geschäfts. Mögliche Firmenakquisitionen und Partnerschaften sind zudem Teil der Wachstumsstrategie, heißt es in einer Presseaussendung.

“Derzeit gibt es in der Automobilindustrie keine größere Herausforderung als die Transformation zum Software-Defined-Vehicle“, betont Linzmeier. “Autonomes Fahren wird das beherrschende Thema der kommenden Jahre. In beiden Bereichen spielt TTTech Auto als Innovationsführer eine zentrale Rolle. Mein Ziel ist es, die Vision vom autonomen Fahren gemeinsam mit dem Team und unseren Kunden Wirklichkeit werden zu lassen. Darauf freue ich mich.”

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

(c) TRUMPF Maschinen Austria

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.

Summary Modus

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.

Es gibt neue Nachrichten

Auch interessant