Autor: Luis Galo, Data Scientist bei Lantek
Als Folge der Implementierung des Maschinellen Lernens (ML) wurden mehrere Methoden eingeführt, um die Qualität des Lebenszyklus eines Produkts mit künstlicher Intelligenz zu verbessern. Dazu gehört unter anderem DevOps, das darauf abzielt mit Hilfe von Software, die Menschen, Prozesse und Technologie integriert, die Arbeit zwischen Teams wie Entwicklung, Betrieb und jetzt auch Data Science zu koordinieren, um Produkte mit höherer Qualität in kürzerer Zeit zu liefern und Fehler während des gesamten Lebenszyklus zu minimieren.
Die Entwicklung von Modellen der künstlichen Intelligenz geht noch einen Schritt weiter und erfordert die Bereitstellung einer Schnittstelle zur Verwaltung der gelernten Wissensmodelle und deren Automatisierung. Das Ergebnis ist MLOPS (Maschinelles Lernen + DEVOPS).
Mit MLOps werden Projekte des maschinellen Lernens zu einem globalen Erfolg. Was ist MLOps? Es ist die Zusammenarbeit zwischen Data-Science- und IT-Teams, die darauf abzielt, den gesamten Lebenszyklus in der Modellentwicklung, -implementierung und -überwachung so zu beschleunigen, dass Unternehmen KI in vollem Umfang einsetzen und das Potenzial von KI in ihrem Unternehmen wirklich nutzen können.
MLOps arbeitet in drei Phasen:
Software-Design: Je nach den Bedürfnissen des Anwenders wird eine maschinelle Lernlösung entwickelt, um die Anforderungen zu erfüllen, sei es, um schneller zu produzieren, die Kosten durch weniger Ausschuss zu senken, die Produktivität zu verbessern oder Auftragsvorhersagen zu treffen. In dieser Phase werden die extrahierten Daten gesammelt und analysiert, um Ad-hoc-Lösungen bereitzustellen.
Erprobung und Entwicklung: In dieser Phase wird das Modell für maschinelles Lernen in Produktion genommen, um den definierten Algorithmus zu testen und zu verfeinern, damit ein qualitativ stabiles Modell für maschinelles Lernen entsteht.
Betrieb: Das Modell, das aus der Verwendung von DevOps-Verfahrensweisen wie Testen, Versionskontrolle, Überwachung usw. entstanden ist, wird implementiert.
Die Herausforderung besteht darin, diese Modelle mit einfacher Bedienbarkeit in die Produktion zu bringen, indem die Prozesse so weit wie möglich automatisiert werden, um das Eingreifen der Ingenieure bei der Bereitstellung zu begrenzen, während die Qualität der Software und der Modelle erhalten bleibt.
Hierzu werden die Modelle verpackt und in die Cloud hochgeladen und sicher gespeichert. Bei jeder Änderung der Parameter wird automatisch eine weitere Version des Modells generiert, die erneut eine Qualitätskontrolle durchläuft. Einmal in der Cloud bereitgestellt, kann der Benutzer dieses neue Modell passend zu den neuen Gegebenheiten in seiner Fabrik verwenden.
Durch die tägliche Arbeit der Menschen, die an den verschiedenen Prozessen arbeiten, lernt das System, wie man Verbesserungen und Prozesse effizienter gestalten kann. Denn wenn sie nicht gefördert werden, wenn ihnen bei diesem Lernprozess nicht geholfen wird, werden sie obsolet. Nehmen wir zum Beispiel an, dass eine neue Art von Material entwickelt wird. Wenn es der Maschine nicht erklärt wird, wird sie es nicht verstehen und Fehler produzieren.
Einsatz von MLOps in der Blech- und Stahlbranche
Bei Lantek verwenden wir MLOPS, um die Qualität und Kontrolle der in der Cloud bereitgestellten Modelle unter anderem nach Fairness- und Sicherheitskriterien sicherzustellen. Über unsere Plattform Lantek 360 ist unsere CAD/CAM- und MES-Software in der Lage, sich mit jeder der Maschinen zu verbinden und Daten von ihnen zu übernehmen, um sie zu digitalisieren, sowie den Herstellungsprozess des Teils selbst zu digitalisieren.
Mit Maschinellem Lernen sind wir nun in der Lage, sehr schnell und vorausschauend Vorhersagen für jeden der am Herstellungsprozess beteiligten Wege zu modellieren und zu treffen. Ab dem Zeitpunkt der Bestellung wird ein Angebot erstellt, an den Einkauf weitergeleitet und dann an die Entwicklung und Produktion gesendet. Mit anderen Worten: Wir haben einen vollständigen Überblick über den gesamten Prozess.
Auf diese Weise können wir mit Werkzeugen der Künstlichen Intelligenz (KI) und MLOps nicht nur die Laufzeit der Maschine, den Energieverbrauch oder die Anzahl der produzierten Teile wiedergeben, sondern auch beziffern, wie viel Ausschuss produziert wurde oder wie viele Bediener an der Produktion beteiligt waren und die Qualität der Modelle über die Zeit sicherstellen.
Auf der Ebene der Budgetierung ist, wie wir wissen, in der Blechindustrie die Erstellung von Angeboten eine komplexe Aufgabe, die viele Variablen und mehrere Abteilungen umfasst und sehr zeitaufwändig ist. Mit KI wird die Erstellung von Budgets beschleunigt und vervielfacht, und durch MLOPS stellen wir sicher, dass sie auch im Laufe der Zeit funktionieren. Mit Lantek iQuoting entwickeln wir intelligente Budgetierungsmodelle, um Angebote in Sekundenschnelle zu erstellen.
Ebenso arbeiten wir an Modellen für die Konfiguration von Schneidemaschinen, was in dieser Branche ebenfalls komplex ist. Es erfordert viel Wissen und sehr erfahrene Fachleute in den Maschinen. Die Idee dahinter ist, dass hinter den Menschen eine intelligente Software steht, die Sie bei der Konfiguration berät. Der Bediener kann dann entscheiden, ob er den Vorschlag umsetzen möchte oder nicht, aber er kann diese Entscheidung sicherlich viel schneller und einfacher treffen, als es derzeit der Fall ist. In diesem Fall ist die Menge des generierten Wissens (Modelle) so groß und im Laufe der Zeit variabel, dass es unmöglich wäre, KI-Modelle zu verwalten, ohne MLOPS-Methoden anzuwenden und deren Qualität während des gesamten Produktlebenszyklus aufrechtzuerhalten. Letztendlich geht es darum, die Produktionsprozesse des Werks so weit wie möglich zu optimieren, um die Fertigung so kostengünstig wie möglich zu machen (KI) und die Optimierung auf einfache Weise dauerhaft zu machen (MLOPS). Die Optimierung richtet sich speziell an kleine und mittelständische Unternehmen, damit diese genauso wettbewerbsfähig sein können wie große Unternehmen, ohne dass sie Experten für Software-Architektur und Data Science benötigen.
In der heutigen Welt müssen wir alle auf den Industrie 4.0-Zug aufspringen. Unsere Aufgabe als führendes Unternehmen ist es, die Nutzung von Werkzeugen der künstlichen Intelligenz zur Optimierung von Ressourcen zu demokratisieren, indem wir sie für jede Fabrik nutzbar und zugänglich machen.