Referenzmodell für Machine Learning Operations in der Fertigung: Eine skalierbare Blaupause für industrielle KI
In der datenintensiven industriellen Welt von heute sammeln Unternehmen mehr Maschinen-, Prozess- und Qualitätsdaten als je zuvor. Dennoch bleibt das Potenzial dieser Daten weitgehend ungenutzt. Die Vision der intelligenten Fertigung zeigt, dass maschinelles Lernen (ML) mehr leisten sollte als nur Pilotprojekte – es sollte einen echten Mehrwert in großem Umfang liefern.
Um diese Vision zu verwirklichen, brauchen Unternehmen eine MLOps- Plattform, die auf ihre individuellen Anforderungen zugeschnitten ist. Generische Tools, die für IT-Unternehmen entwickelt wurden, werden den Anforderungen der industriellen Fertigung oft nicht gerecht. Hier kann ein domänenspezifisches Referenzmodell für MLOps in der Fertigung helfen – skalierbar, modular und bereit für den industriellen Einsatz.
In diesem Blogbeitrag werden die wichtigsten Komponenten eines fertigungsspezifischen MLOps-Referenzmodells skizziert. Es wird erläutert, wie es auf die Herausforderungen der Industrie eingeht und wie es einen skalierbaren, effizienten Einsatz von KI in der Fertigung ermöglicht.
Zur Notwendigkeit eines domänenspezifischen MLOps-Referenzmodells
m Gegensatz zum traditionellen Software-Engineering werden ML-gesteuerte Anwendungen in der Regel auf explorative und iterative Weise entwickelt. Mit der zunehmenden Verbreitung von ML wurden spezielle Lebenszyklusmodelle entwickelt. Trotz nuancierter Unterschiede zwischen den Arbeitsabläufen zeichnet sich eine gemeinsame Sichtweise auf den ML-Lebenszyklus ab. Der typische ML-Lebenszyklus besteht aus den folgenden vier Phasen, wobei eine kontinuierliche Rückkopplungsschleife die Verfeinerung des Daten- oder Modelldesigns auf der Grundlage von betrieblichen Erkenntnissen und Leistungsbewertungen ermöglicht [1]:
- Anforderungsphase: Definiert Ziele und Probleme und legt damit die Grundlage für die Datenauswahl, den Modellentwurf und die Systemziele.
- Datenorientierte Phase: Umfasst das Sammeln, Bereinigen und Aufbereiten von Daten, einschließlich Feature-Engineering, Annotation und Aufteilung zwischen Training-, Test- und Validierungsdaten.
- Modellorientierte Phase: Umfasst die Modellauswahl, das Training, die Optimierung (unter Verwendung von Validierungsdaten) und die abschließende Bewertung anhand von Testdaten zur Beurteilung der Leistung.
- Betriebsphase: Konzentriert sich auf den Einsatz des Modells im Betrieb, die Integration in die Fertigungsumgebung und die kontinuierliche Überwachung der Leistung, um Probleme wie die Modellabweichung zu beheben.
Die Implementierung von maschinellem Lernen (ML) in der Fertigung ist ein komplexes Unterfangen, das durch eine Reihe von technischen und nichttechnischen Faktoren beeinflusst wird. Unter dem Gesichtspunkt der Integration sind Fertigungsumgebungen durch räumlich und zeitlich verteilte Assets, heterogene Kommunikationsprotokolle, unterschiedliche Fertigungsprozesse und die Notwendigkeit, potenziell kurze Taktzeiten einzuhalten, gekennzeichnet. Diese Faktoren stellen die Datenerfassung, -speicherung und die architektonische Integration vor erhebliche Herausforderungen, insbesondere wenn ML-Modelle in bestehende Systeme eingebettet werden sollen.
Was die Modellierung betrifft, so erhöht die Vielfalt der Anwendungsfälle in modernen Maschinen und Anlagen – von Überwachung und Optimierung bis hin zur autonomen Anpassung – den erforderlichen Modellierungsaufwand erheblich. Diese Komplexität wird durch Probleme im Zusammenhang mit Datenqualität, -quantität und -ungleichgewicht sowie durch die Verbreitung multimodaler sensorischer Daten wie Skalarwerte, Prozesskurven, Zeitreihen, Bilder und Punktwolken noch verstärkt. Es ist für die Leistung von ML-Modellen entscheidend, dass diese Daten in ausreichender Menge und Qualität zur Verfügung stehen. Darüber hinaus muss der Datenschutz während der gesamten Datenverarbeitung und Modellierung berücksichtigt werden.
Sobald ML-Modelle in der Fertigung eingesetzt werden, wird die Aufrechterhaltung ihrer Leistung zu einer ständigen Herausforderung. Die Beobachtung der Fertigungsumgebung ist unerlässlich, um Änderungen zu erkennen, die durch Konzeptdrift, Prozessdrift, menschliche Eingriffe oder die große Variantenvielfalt und kleinen Losgrößen verursacht werden, die für die moderne Fertigung typisch sind. Diese Faktoren machen es oft erforderlich, Modelle neu zu trainieren und bereitzustellen, um Leistungseinbußen zu vermeiden.
Neben den technischen Herausforderungen spielen auch nicht-technische Aspekte eine wichtige Rolle. Es gibt einen deutlichen Mangel an qualifiziertem Personal, das in der Lage ist, ML-Systeme zu entwickeln und zu verwalten, und die mangelnde Interpretierbarkeit von probabilistischen Black-Box-Modellen erschwert das Vertrauen und die Akzeptanz bei den Beteiligten. Die Bewältigung dieser Herausforderungen erfordert eine robuste und skalierbare MLOps-Plattform, die auf die spezifischen Anforderungen der Fertigungsindustrie zugeschnitten ist. [2]
Bislang sind die meisten MLOps-Plattformen für Anwendungsfälle im Finanzwesen, im E-Commerce oder in SaaS-Bereichen konzipiert, in denen die Systeme größtenteils cloudbasiert sind, die Daten homogen sind und das Nachtrainieren von Modellen einfach ist. Wie beschrieben, ergeben sich in der Fertigung jedoch ganz andere Herausforderungen.
In der Fertigung ergeben sich folgende Anforderungen:
Diese Komplexität bedeutet, dass Unternehmen ein maßgeschneidertes Referenzmodell benötigen, das diese Beschränkungen berücksichtigt und eine effiziente Skalierung von KI ermöglicht.
Hauptmerkmale eines MLOps-Referenzmodells für die Fertigung:
Industrieunternehmen brauchen andere Werkzeuge als Technologieunternehmen.
Eine modulare Architektur für die Fertigung
Um Skalierbarkeit, Flexibilität und Wartungsfreundlichkeit zu erreichen, basiert das Referenzmodell auf einer modularen Architektur [3].
Jeder Teil des MLOps-Lebenszyklus – Datenverarbeitung, Training, Inferenz, Bereitstellung, Überwachung – ist in Komponenten abstrahiert, die wiederverwendet und für verschiedene Anwendungsfälle angepasst werden können.
Diese architektonische Strategie umfasst:
Dieser Ansatz ermöglicht nicht nur die Skalierung über mehrere Werke oder Maschinen hinweg, sondern vereinfacht auch die Verwaltung, Auditierbarkeit und Leistungsüberwachung.
Kernpunkte der Architektur:
Das Referenzmodell ist wie ein Werkzeugkasten –
leicht zu kombinieren, zu ändern sowie über Maschinen und Werke hinweg wiederverwendbar.
Skalierbare KI in der Fertigung ermöglichen
Unsere tensoryze core Lösung wurde nach diesem MLOps-Referenzmodell entwickelt und ermöglicht es Unternehmen, KI effizient zu skalieren – über Proof of Concepts und Piloten hinaus bis hin zur Produktion.
tensoryze core verfolgt einen Engineering-First-Ansatz und nutzt etablierte Software-Architekturmuster wie Modularität, Separation of Concerns und serviceorientiertes Design, um Robustheit und Skalierbarkeit zu gewährleisten. Die Architektur ist hochgradig konfigurierbar und modular, was eine nahtlose Anpassung an heterogene Fertigungsumgebungen mit unterschiedlichen Infrastrukturbeschränkungen ermöglicht. Entwickelt für die Automatisierung unterstützt tensoryze core deklarative Paradigmen für die Bereitstellung, Konfiguration und Überwachung, was die Reproduzierbarkeit und Integration in CI/CD-Pipelines erleichtert. Im Hinblick auf die Benutzerfreundlichkeit konzipiert, minimiert es den operativen Aufwand durch intuitive Schnittstellen und Abstraktionen, wodurch der Bedarf an umfassenden MLOps-Kenntnissen während der Bereitstellungs- und Wartungsphasen reduziert wird.
Das bietet Ihnen tensoryze core:
Ganz gleich, ob Sie mit einem Anwendungsfall beginnen oder ML auf mehrere Fertigungslinien ausweiten möchten, unsere Plattform gibt Ihnen die Werkzeuge an die Hand, um erfolgreich zu sein – schneller und zuverlässiger.
Quellen
[1] M. Schlegel & K.-U. Sattler: „Management of Machine Learning Lifecycle Artifacts: A Survey“ (2023)
[2] T. Raffin, T. Reichenstein, D. Klier, A. Kühl, J. Franke: „Qualitative assessment of the impact of manufacturing-specific influences on Machine Learning Operations“ (2022)
[3] T. Raffin, T. Reichenstein, J. Werner, A. Kühl, J. Franke: „A reference architecture for the operationalization of machine learning models in manufacturing“ (2022)
Möchten Sie Ihre ML-Modelle operationalisieren?
Kontaktieren Sie uns für eine Demo!
Click here to change this text. Lorem ipsum dolor sit amet, consectetur adipiscing elit. Ut elit tellus, luctus nec ullamcorper mattis, pulvinar dapibus leo.