Institutsteil für industrielle Automation INA 
Herausforderung
Die Herausforderung des Verbundprojekts „ML4Pro^2" besteht darin, maschinelles Lernen (ML) für Intelligente Technische Systeme (ITS) nachhaltig verfügbar zu machen. Dieses erfordert den Transfer neuester ML-Methoden auf die in ITS zentralen Handlungsfelder, um ML-Technologien in die Produkte und in die Produktionsketten zu bringen, und umgekehrt das Bewusstsein der Unternehmen, wann und wie ML in agile Geschäftsmodelle und Produktionsketten integriert werden kann, zu schärfen. Das Verbundprojekt setzt auf den Digitalisierungsstrategien der beteiligten Unternehmen und der MLExpertise der beteiligten Forschungspartner auf, um den Schritt zu einer effizienten Nutzung digitaler Daten durch ML zu realisieren. Technische Innovationen basieren zunehmend auf maschinellem Lernen.
Lösungsansatz
ML hat das Potential, durch die Extraktion vonWissen aus digitalen Daten auf allen Stufen der Unternehmensprozesse Mehrwerte zu generieren. Mit den aktuellen ML-Forschungsthemen „Hybride Lernverfahren“, „Integration von Expertenwissen“, „Interpretierbarkeit“ und „Lernen auf Datenströmen in eingebetteten Systemen“ greift das Verbundprojekt zentrale Fragestellungen für ITS auf. Die ML-Methoden werden anwendungsübergreifend anhand von drei industriellen Anwendungsfällen betrachtet, die sowohl für die Produktion als auch für deren Produkte zukunftsweisend sind.
- Das Verbundprojekt kombiniert ausgewiesene Forschungseinrichtungen für das ML mit praktischem Erfahrungswissen der Unternehmen.
- Die Projektpartner integrieren fachliche Expertise sowie Management- und Umsetzungserfahrung im ML und dessen Anwendung für ITS.
- Die Forschungspartner bringen ihre Forschungsergebnisse zu den MLGrundlagen und die Unternehmen ihr ML-Anwendungswissen sowie ihre Problemkompetenz ein.
- Der Transfer der Ergebnisse und die Übertragbarkeit auf Dritte werden durch den Aufbau einer ML-Plattform gewährleistet.
- Diese Plattform umfasst Referenzimplementierungen von evaluierten ML-Verfahren, Methoden zur Datenhaltung, Datenvorverarbeitung, Datenvisualisierung und expliziertes Anwendungswissen über typische Abläufe beim Einsatz der ML-Methoden.
- Die bereits bestehenden ML-Labs an den Forschungsinstitutionen in OWL demonstrieren den Stand der ML-Technik und werden ML erlebbar machen.