Industrial-AutoML

Andrea Gillhuber,

Machine Learning einfach umsetzen

Mit der Software Industrial Automated Machine Learning lassen sich Machine-Learning-Modelle eigenständig erstellen. Ziel des Tools ist es, möglichst vielen Unternehmen die eigenständige Umsetzung von Machine-Learning-Anwendungen zu ermöglichen.

Das Tool ermöglicht es, Machine-Learning-Modelle selbst zu erstellen. © Weidmüller

Die digitale Transformation ist in vollem Gang und die aktuelle Entwicklung ist gekennzeichnet durch Fortschritte bei digitalen Geschäftsmodellen, IIoT-Plattformen sowie technologischen Impulsen durch maschinelle Lernverfahren und künstliche Intelligenz bei der Nutzung von Daten. Viele Unternehmen sehen datenbasierte Mehrwertdienste als entscheidend für das zukünftige Geschäft. Sie beschäftigen sich mit Analyse-Lösungen, durch die Produktionsprozesse optimiert oder völlig neue datenbasierte Geschäftsmodelle geschaffen werden können. Weidmüller will Maschinenbauer und -betreiber befähigen, Machine-Learning-Modelle (ML-Modelle) einfach und schnell zu erstellen und so die gesammelten Daten in konkrete Handlungsempfehlungen zu überführen. Um die hohen Anforderungen aus der Industrie abzudecken und in der digitalen Feedback-Schleife agil zu erweitern, entstehen enge lokale Zusammenarbeit, Ökosysteme und globale Marktplätze – so wie hier zwischen Microsoft und Weidmüller.

Mit Guided Analytics zur Machine-Learning-Anwendung

Heute analysieren Data Scientists die Daten und erstellen ML-Modelle. Dieser Prozess ist weitestgehend manuell und explorativ. Der Prozess der Modellbildung und der Erstellung der ML-Pipeline ist sehr komplex. Insgesamt gibt es bis zu 10 hoch 40 Kombinationsmöglichkeiten, um eine ML-Lösung aufzubauen. Die konkrete Ausgestaltung der ML-Pipeline ist zudem für jeden Anwendungsfall spezifisch. Weidmüller möchte die Anwendung des maschinellen Lernens so stark vereinfachen, dass Domänenexperten mit ihrem Wissen über die Maschine oder den Produktionsprozess eigenständig ML-Lösungen realisieren können – und zwar ohne dass Data-Science-Expertise notwendig ist. Dazu resümiert Sebastian Seutter, Sr. Industry Executive bei Microsoft: „In Industrieunternehmen werden die Ansätze von Weidmüller in Richtung intelligenter, sich selbstoptimierender Systeme zunehmend zu einem zentralen Wettbewerbsvorteil.“ 

Anzeige

Die Software Industrial AutoML führt den Nutzer durch den Prozess der Modellentwicklung, weshalb Weidmüller hier auch von „Guided Analytics“ spricht. Die Software hilft bei der Übersetzung und Archivierung des wertvollen Applikationswissens der Domänenexperten in eine verlässliche Machine-Learning-Anwendung, indem sie das vorhandene Wissen abfragt und mit dem im Hintergrund arbeitenden ML-Verfahren kombiniert. Verglichen mit einem automatisierten Modellbildungsprozess verbessert sich der wichtigste Faktor – die Modellgüte – substantiell, wenn Domänenwissen integriert wird.

Die Industrial-AutoML-Lösung besteht im Wesentlichen aus zwei Modulen: Der „Modell Builder“ und die Runtime decken den kompletten Zyklus der Entwicklung, Ausführung, und Optimierung der ML-Modelle über ihren Lebenszyklus ab. 

Mit dem Model Builder kann der Anwender ML-Lösungen zur Anomalie-Erkennung, Klassifikation und Fehlervorhersage erzeugen. Dabei wird das überwachte und das unüberwachte maschinelle Lernen miteinander kombiniert und auf diese Weise das Domänenwissen in den Modellbildungsprozess integriert. Die Aufgabe des Nutzers ist es, in den Trainingsdaten das Normal- oder eventuelle Fehlverhalten der Maschinen zu markieren und gegebenenfalls eigene Features zu erzeugen, die für den Use Case besonders relevant sind. Dadurch entsteht ein mit Domänenwissen angereicherter Datensatz, auf dem das Training, die Optimierung und die Validierung alternativer ML-Modelle automatisch erfolgen. Eine besondere Bedeutung bei diesem AutoML-Ansatz kommt dem Thema „Explainable AI“ zu: Die Software Industrial AutoML ermöglicht es dem Domänenexperten, den Einfluss seines Applikationswissens auf die Modellgüte einfach nachzuvollziehen und letztendlich zu verstehen, warum ein ML-Modell in einem bestimmten Analyseergebnis mündet. Auch Seutter schätzt die Vorteile der Weidmüller-Lösung: „Gerade das Zusammenspiel von Verständlichkeit und automatisierter Ausführung führt bei Anwendern zu Vertrauen und signifikanten Effizienzgewinnen.“ 

Das zweite Modul der Industrial-AutoML-Lösung ist die Ausführungsumgebung, die zum Betrieb der ML-Modelle in der Cloud oder in einer On-Premise-Anwendung sogar direkt an der Maschine dient. Die Ausführungsumgebung stellt die Modellergebnisse verständlich dar, sodass der Nutzer konkrete Handlungen, beispielsweise zur Fehlervermeidung, umsetzen kann. 

Seit einigen Wochen ist die Industrial AutoML-Lösung über den Microsoft Azure Marketplace weltweit verfügbar. Im Rahmen dieser Zusammenarbeit bündeln beide Unternehmen ihre jeweiligen Stärken: Weidmüller bringt die Industrie- und Machine-Learning-Kompetenz für Anwendungsfälle aus dem Maschinen- und Anlagenbau ein, die sich in der Industrial-AutoML-Lösung kristallisiert und auf die Anforderungen der Industrie zugeschnitten ist. Die Trusted-Cloud-Infrastruktur und moderne Azure-Dienste von Microsoft ermöglichen es, dass die Industrial-AutoML-Software einfach von den Nutzern eingesetzt werden kann. Dies umfasst sowohl einen schnellen Zugang über den Marketplace als auch das einfache Deployment und die Skalierung im Betrieb. „Unsere Partnerschaft vereinigt industrielles Wissen und technologische Kernkompetenzen. Dies hilft Kunden, sich zu fokussieren, schnell umzusetzen und sich im Wettbewerb zu differenzieren“, betont Seutter. 

Umfassende Kooperation zwischen Weidmüller und Microsoft 

Die Zusammenarbeit beider Unternehmen geht über einen technologischen Austausch hinaus. Weidmüller ist Teil des Partnernetzwerks von Microsoft und hat sich den „Co-Sell“-Status erarbeitet. Damit treten Microsoft und Weidmüller auch gemeinsam am Markt auf und bieten ein Leistungspaket an, das allen Partnern im Ökosystem ermöglicht, ihre Transformations-, Innovations-, und Skalierungsgeschwindigkeit zu erhöhen – und das nahezu weltweit. 

„Gemeinsam beschleunigen wir Maschinenbauer und -betreiber, ihr Domänenwissen in datenbasierte Innovationen und digitale Mehrwertdienste zu überführen, indem wir eine schnelle und einfache Adaption von ML- und IIoT-Technologien ermöglichen“, erklärt Tobias Gaukstern, Vice President Business Unit Industrial Analytics.

Das Software-Tool führt den Anwender durch den Prozess der Modellentwicklung und -optimierung. Der Domänenexperte markiert im Datensatz Abweichungen vom „normalen Verhalten“, auf deren Basis die Software dann die Modelle erstellt. © Weidmüller

„Weidmüller ermöglicht die Demokratisierung von ML in der Industrie, indem sie einen Engpass entfernen: die Verfügbarkeit von teuren und nur zeitweise benötigten Data Scientists. Gleichzeitig bietet Weidmüller ein klares Vorgehensmodell und hilft das entscheidende Domänenwissen zu konservieren“, sagt Oliver Niedung, IoT-Spezialist bei Microsoft. „Kein Unternehmen kann oder sollte wirklich komplexe IoT-Lösungen allein bauen. Eine enge Zusammenarbeit in der Entwicklung und bei der Schaffung von globalen Marktplätzen ist wichtiger denn je. Hier war das Engagement mit Weidmüller absolut beispielhaft.“

Die Zusammenarbeit zwischen Weidmüller und Microsoft reicht von der umfassenden Entwicklung über den ganzheitlichen Betrieb bis in die fortlaufende Innovation der Lösungen. Das ermöglicht dem Anwender einen Fokus auf ihr Geschäft, ihre Kompetenzen und ihre Differenzierung. Silke Lödige, Referentin Fachpresse bei Weidmüller Interface

Anzeige

Das könnte Sie auch interessieren

Anzeige

November-Editorial

Aufschwung durch Intelligenz

71 Jahre alt wurde die Bundesrepublik in diesem Jahr. Wirtschaftlich durchlebte und durchlebt das Land den brutalsten Einbruch, seit das Grundgesetz in Kraft trat. Das Corona-Virus im Verbund mit einem tiefen Strukturwandel in der Automobilindustrie...

mehr...

Weidmüller

Wertschöpfung generieren

Weidmüller hilft Anwendern dabei, aus ihren Daten Mehrwert zu generieren – von der Datenerfassung über die Vorverarbeitung, der Kommunikation bis hin zur Datenanalyse und Businesslogik.

mehr...
Anzeige
Anzeige
Anzeige

Künstliche Intelligenz

Von Daten zu kognitivem Wissen

Digitalisierung beeinflusst den Erfolg von Unternehmungen. Sie ist an disruptive Konzepte wie IoT, Deep Learning/Machine Learning, Datenanalyse, Big Data, Cloud- und Edge-Computing und damit an die alles vereinigende, künstliche Intelligenz (KI,...

mehr...
Anzeige
Anzeige
Anzeige

Cloud Computing

Edge Computing goes Machine Learning

Neue „Ready to Go“-Cloud-Box-Lösungen ermöglichen es den Unternehmen, die Macht über ihre Daten wieder zurückzubekommen, indem sie unter anderem mithilfe von Machine-Learning-Algorithmen direkt an der Produktionsstraße, sprich: im Edge Device,...

mehr...