Der Machine-Learning-Lifecycle beschreibt den Lebenszyklus eines KI-Systems. Er erstreckt sich über die Daten- und Labelbeschaffung sowie das Training des Machine-Learning-Modells bis hin zu Deployment und Wartung eines KI-Systems. Die Gruppe verfolgt das Ziel, diesen Lebenszyklus im Einsatz in Produktions- und Logistikprozessen möglichst ressourceneffizient zu gestalten.
Sie forscht an Lösungen, mit denen zum einen nicht mehr so viele gelabelte Daten nötig sind und zum anderen die Personalaufwände für Training, Wartung und Instandhaltung des KI-Systems reduziert und automatisiert werden können. Hierbei liegt der Fokus auf der dateneffizienten Modellierung und dem Transfer von KI-Lösungen sowie der verständlichen Automatisierung der Modellerstellung und des Modellbetriebs.
Ein wichtiger Teil ist hierbei Automatisiertes Maschinelles Lernen (AutoML). Dr. Paulina Sierak, Leiterin der Gruppe „Data Efficient Automated Learning“, erklärt: „Nehmen wir das Beispiel einer bildbasierten Qualitätssicherung, in dem KI zur Detektion von Defekten angewendet wird. Für das Training des KI-Modells ist es oft notwendig, unterschiedliche Methoden in unterschiedlichen Konfigurationen gegeneinander zu testen und auf den Anwendungsfall hin zu optimieren. Ist ein solches optimiertes Modell dann im produktiven Einsatz, kann es über die Lebenszeit des KI-Systems hinweg notwendig werden, den Algorithmus neu zu trainieren, da sich die Verteilung der Daten möglicherweise leicht verändert hat und damit nicht mehr garantiert ist, dass das Modell noch zu optimalen Ergebnissen führt. Beim Training als auch bei dem skizzierten Problem kann AutoML auf einer Auswahl für den Anwendungsfall passender, eventuell sogar vortrainierter Modelle das für die neue Datenverteilung optimale Modell automatisiert trainieren. So wird die operative Nutzung von Machine Learning-Methoden für Endanwenderinnen und Endanwender mit wenig KI-Expertise ermöglicht, was auf lange Sicht eine Demokratisierung des Systems schafft.“
Spannung, Spiel und „Efficient.AI“
Auf der Automatica 2023 stellen die Expertinnen und Experten der Gruppe „Data Efficient Automated Learning“ nun anhand eines Spieldemonstrators ihre Lösungen für einen ML-Prozess mit geringerem Wartungsaufwand und Personalbedarf vor und präsentieren zudem die vielseitigen Einsatzmöglichkeiten von AutoML für Anwendungen in der Industrie.
Die Besucherinnen und Besucher der Messe können die sich stellenden Herausforderungen innerhalb eines KI-Ökosystems anschaulich begreifen und verschiedene Strategien für eine ressourceneffiziente KI-Entwicklung kennenlernen. Sie erfahren interaktiv, wie sie manuelles Modelltuning durch AutoML automatisieren können, wie KI-Systeme durch MLOps nachvollziehbar werden kann, wie sie bestehende KI-Modelle mit Transfer Learning skalieren und mit Data-Centric AI das Beste aus den Daten herausgeholt werden kann. Und die Besuchenden können sich selbst als Data Scientist versuchen, indem sie an einem KI-Modell arbeiten und sich dabei mit der AutoML vergleichen.
„Interaktiv Live“ zur „Demokratisierung von KI mit verständlichem und einfach zugänglichem Machine Learning Operations (MLOps)“
Vom 27. bis 29. Juni 2023 finden am Messestand zwei Mal täglich Live-Interviews mit Expertinnen oder Experten statt. Die Gespräche mit verschiedenen Unternehmensvertretern und Kunden drehen sich rund um den erfolgreichen Technologietransfer mit Fraunhofer.
Am Donnerstag, 29. Juni 2023, 14:00 bis 14:30 Uhr sprechen Dr. Henning Frechen, Senior Engineer der Arbeitsgruppe für Supply Chain Services des Fraunhofer IIS, mit Markus Schatzl vom Projektpartner Senswork im Interview über die „Demokratisierung von KI mit verständlichem und einfach zugänglichem Machine Learning Operations (MLOps)“.
Treffen Sie unseren Experten Dr. Henning Frechen beim „Interaktiv Live“:
Donnerstag, 29. Juni 2023 | 14:00 Uhr-14:30 Uhr | Halle A4, Stand 321
