ITS.ML - In­tel­li­gen­te Tech­ni­sche Sys­te­me der nächs­ten Ge­ne­ra­ti­on durch ma­schi­nel­les Ler­nen

1. Motivation

In der wirtschaftlichen Praxis verfügbare ML-Technologien können viele Anforderungen der Praxis nicht erfüllen: Datenakquise und -analyse erfolgen zumeist durch Experten in einem Offline-Prozess. In technischen Systemen wird in vielen Fällen jedoch eine Echtzeitreaktion auf Prozessänderungen benötigt. Physikalische Zusammenhänge technischer Systeme erfordern eine explizite Integration von Domänenwissen. Hohe Datendimensionalität, Heterogenität und Dynamik der Systeme, die Umsetzung in verteilten Hardwaretopologien und die Notwendigkeit einfach wartbarer und verlässlicher Komponenten gehen mit weiteren Herausforderungen einher. Obschon moderne MLTechnologien, insbesondere Deep Learning, in letzter Zeit Bereiche wie Bild- oder Spracherkennung revolutioniert haben, sind diese Verfahren durch ihre Black-Box-Charakteristik, die Notwendigkeit großer Datenmengen zum Training der Verfahren und den oft erheblichen zentralen Rechenaufwand limitiert: sie genügen nicht den Anforderungen von KMUs hinsichtlich Nachvollziehbarkeit, Verlässlichkeit, Wartbarkeit, und Agilität, und sie sind oft angesichts hoch individualisierter Prozesse in der Industrie 4.0 sowie eingeschränkter Rechenressourcen nicht anwendbar. Statt zentraler Black-Box-Verfahren werden hier dezentrale und schlanke ML- Methoden benötigt, die direkt in den Produkten und Produktionsanlagen angesiedelt werden können, und die ingenieurwissenschaftlichen Modellierungen nahtlos integrieren.

Umgekehrt stellt der Einsatz von ML-Technologien in agilen Produktionsprozessen Hersteller technischer Systeme vor neue Herausforderungen: Neue Produktentwicklungs- und Engineeringansätze werden benötigt, welche Raum für Adaptivität lassen. Auch die Einführung neuer, datenbasierter Geschäftsmodelle erfordert komplexe Anpassungsprozesse. Diese überfordern gerade KMUs oft, denn es sind keine standardisierten Verfahren zur erfolgreichen Kommerzialisierung von lernenden technischen Systemen verfügbar. Gerade für Unternehmen ohne eigene Forschungsabteilung ist das schnelle Fortschreiten theoretischer, technischer und technologischer Lösungen im Fachgebiet des ML eine große Hürde beim Einsatz von ML-Technologien.

2. Ziele und Vorgehen

Ziel des Forschungsvorhabens ist es, maschinelles Lernen (ML) für Intelligente Technische Systeme (ITS) entlang der gesamten Wertschöpfungskette nachhaltig verfügbar zu machen und ML als Service insbesondere für kleine und mittlere Unternehmen (KMUs) zu etablieren. Dieses erfordert Entwicklung und Transfer neuester ML-Innovationen auf die in ITS zentralen Handlungsfelder, um ML-Technologien in die Produkte und in die Produktionsketten zu bringen, und um- gekehrt das Bewusstsein der regionalen Unternehmen, wann und wie ML in agile Geschäftsmodelle und Produktionsketten integriert werden kann, zu schärfen. Das Vorhaben kann auf von den regionalen KMUs hervorragend initiierten technischen Digitalisierungsstrategien und die ausgewiesene Exzellenz der beteiligten Partner in ML aufbauen, um den Schritt zu einer inhaltlichen Nutzung digitaler Daten durch ML zu realisieren.

3. Innovation und Perspektiven

ITS.ML integriert langjährige Expertise aus dem maschinellen Lernen im Bereich der Grundlagenforschung mit der Expertise der industriellen Anwendungen von ML, und kombiniert dieses mit ergänzenden Kompetenzen im Bereich angrenzender Ingenieurdisziplinen. Diese Expertisen schlagen sich in Forschungs- und Transferleistungen ebenso nieder wie in einem Netzwerk von Instituten, Einrichtungen und Labs. Die Hochschulen und Universitäten haben langjährige Erfahrung in der Ausbildung von nationalen und internationalen Studierenden im Bereich des ML und der ITS.