Info

Abschlusspräsentation zu den KI-Asset Administration Shell-Teilmodellprojekten im Industrie 4.0-Verbundprojekt InterOpera

Freitag, 30. Juni 2023 von 13:00 bis 15:00 Uhr

Die Verwaltungsschale bzw. Asset Administration Shell (AAS) stellt als eine Umsetzung des digitalen Zwillings einen â€žDatenstecker“ dar, der möglichst alle Informationen zu einem bestimmten Asset bzw. physischen oder digitalen Wirtschaftsgut aufbewahrt und zugänglich macht. Die Einführung und Nutzung der AAS insbesondere in der Produktion ist damit ein wichtiger Meilenstein, um alle Potentiale der Industrie 4.0 voll auszuschöpfen und die Produktivität und Effizienz zu steigern. Zur Erreichung dieses Ziels bedarf es jedoch Interoperabilität, um die Assets möglichst einfach und vollständig zu vernetzten. Derzeit finden sich in der Produktion viele z.T. proprietäre, hochspezialisierte digitale Lösungen, welche aber nur in geringem Maße einheitlich sind und vervielfältigt werden können. Das Projekt InterOpera setzt genau hier an, indem es die Entwicklung und standardisierte Umsetzung von AAS Teilmodellen für prioritäre Branchen, Anwendungsfälle und Wissensdomänen vorantreibt.  

In der Veranstaltung wird Herr Mike Reichardt, Mitarbeiter im Deutschen Forschungszentrum für Künstliche Intelligenz und Methodenberater der KI-Teilmodellprojekte "Artificial Intelligence Dataset", "Artifical Intelligence Model Nameplate" und "Artificial Intelligence Deployment", die Projektergebnisse vorstellen. Anschließend besteht für das Publikum die Möglichkeit, Fragen zu stellen.

Ein guter Datensatz ist entscheidend für die Qualität von KI-Trainings. Bei mangelhaften Daten kommen unabhängig vom verwendeten Netz oder KI-Ansatz unzureichende Ergebnisse in der KI-Anwendung heraus. Um die Qualität des Datensatzes und damit erfolgreiche KI-Trainings sicherzustellen, ist eine genaue Beschreibung der Historie des Datensatzes von Nöten. Hierzu zählen u.a. Informationen über die verwendeten Sensoren, die vorherrschenden  Umgebungsbedingungen, statische Kenngrößen des Datensatzes sowie Informationen für die menschliche Interaktion (z.B. Serviceinformationen, wie der Ersteller oder der Verantwortliche des Datensatzes). Das Teilmodell "Articial Intelligence Dataset" bietet eine sehr gute Struktur, um diesen Hintergrund effizient abzuspeichern und für Anwendungen bereitzustellen. Es trägt zur einfacheren Erkenntnis über die Nutzbarkeit verschiedener Modelle in Anwendungen bei, erleichtert die Vorauswahl passender Modelle anhand eines Datensatzes und dient der Auflösung/ Reduktion des Black Box Designs von KI-Anwendungen.

Neben den verwendeten Daten sind auch die verwendete Netzstruktur und Trainingsparameter für die Qualität des Ergebnisses entscheidend. Innerhalb des Teilmodells "Artificial Intelligence Model Nameplate" werden daher alle wichtigen Kenngrößen des Modelltrainings sowie Metainformationen (Ersteller, Verantwortlicher,….) festgehalten, um ein tiefgründiges und übersichtliches Verständnis des Modells zu gewinnen. Das Teilmodell dient der Erfassung aller trainingsrelevanter Hyperparameter, der Beschreibung des verwendeten Netzes inklusive Historie des Netzes, der Erhöhung des Dokumentationsgrads des Trainings sowie der Auflösung/ Reduktion des Black Box Designs von KI-Anwendungen.

Ein fertig trainiertes Netz kann häufig nicht direkt in die Anwendung gebracht werden, sondern es müssen zunächst Anpassungen durchgeführt werden. Hierfür muss bspw. das Format angepasst werden, sodass Softwareabhängigkeiten reduziert werden. Außerdem benötigen trainierte Netze gewisse Software- und Hardwarevoraussetzungen, damit sie auf einer Plattform sinnvoll eingesetzt werden können, und diese müssen auch festgehalten werden. Eine laufende Anwendung muss zudem noch überwacht werden. Hierfür bietet die Asset Administration Shell mit ihren Live-Werten eine gute Anbindung und stellt ein nützliches Tool dar. Das Teilmodell "Artificial Intelligence Deployment" dient dem Festhalten von Mindestherausforderung (Hard- und Software) für das Deployment einer KI-Anwendung, der Bereitstellung eines deploybaren Modells z.B. im ONNX-Format und dem Live-Monitoring wichtiger Kenngrößen.

Neuronale Netze dienen bei den Teilmodellprojekten als ein Beispiel, stehen aber nicht im Kernfokus der Teilmodellprojekte, da diese für KI-Modelle im Allgemeinen gültig sind.

ZUR ANMELDUNG >>

Die Veranstaltung wird von den drei InterOpera Projektpartnern und Mike Reichardt (Deutsches Forschungszentrum für Künstliche Intelligenz) am 30.06.2023 von 13.00 bis 15.00 Uhr angeboten und durchgeführt. Zu den InterOpera Projektpartnern zählen das Steinbeis Europa Zentrum, das Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA â€¯und das vom VDE DKE â€¯getragene Standardization Council Industrie 4.0.

AGENDA

​​​​​​​​​​​​​​