Ziel des Forschungsprojekts „DeKIOps – Demokratisierung von KI mit verständlichem und einfach zugänglichem Machine Learning Operations (MLOps)“ ist es, alle Industrie-Mitarbeitenden zukünftig in die Lage zu versetzen, KI-Tools zu bedienen, neue Prüfanwendungen einzurichten und zu warten. Ganz ohne KI-Expertenwissen. Unter Leitung der Arbeitsgruppe für Supply Chain Services des Fraunhofer IIS entwickeln die senswork GmbH, inovex GmbH und eresult GmbH bis Ende 2025 allgemeingültige Leitlinien und zwei Demonstratoren in industriellen Anwendungen.

Dem Fachkräftemangel entgegenwirken

Im Forschungsprojekt zur Demokratisierung von KI mit verständlichem und einfach zugänglichem Machine Learning Operations (MLOps) sollen Entwicklungsleitlinien für verständlich bedien- und wartbare Machine Learning (ML)-Systeme erarbeitet werden, um Endanwenderinnen und -anwendern ohne KI-Expertise die operative Nutzung dieser ML-Systeme zu ermöglichen. Damit will das Projekt DeKIOps auch dem Fachkräftemangel von ML-Expertinnen und -Experten entgegenwirken: Denn es ist das übergeordnete Ziel, ML-Systeme zu demokratisieren und so einen niederschwelligen Zugang zu ML-Lösungen für Endnutzerinnen und -nutzer zu schaffen. Im Fokus stehen ML-Systeme in industriellen Fertigungen mit qualitätskritischen Anforderungen, z. B. bei Zulieferteilen für die Automobilindustrie.

Erster Schritt: Leitlinien entwickeln

Um ML-Systeme allgemein zugänglich zu machen, werden im Projekt zunächst Entwicklungsleitlinien erarbeitet. Die Experti:nnen der Arbeitsgruppe für Supply Chain Services des Fraunhofer IIS können hierzu auf bereits erarbeitete Lösungsvorschläge aus vorherigen Projekten zurückgreifen. Diese existierenden MLOps-(Teil-)Lösungen werden auf ihre Funktionalitäten hin und unter Berücksichtigung der gestellten Anforderungen untersucht und gegenübergestellt. Im Vorfeld ist es daher wichtig, die menschlichen Anforderungen an den Umgang mit ML-Systemen in Betrieb, Wartung und Instandhaltung (MLOps) präzise zu erfassen. Vorhandenes Branchenwissen wird durch die Expert:innen bei der Übersetzung der Anforderungen in technische Maßnahmen miteinbezogen. Anschließend gilt es, fehlende MLOps-Module zu integrieren und die ML-(Blackbox-) Ergebnisse in Formate zu übersetzen, die von den End-Usern ohne dezidierten ML-Hintergrund leicht verstanden werden. Der Praxistest der so entwickelten Leitlinien erfolgt ebenfalls im Forschungsprojekt, und zwar in zwei verschiedenen Anwendungsfällen.

Betrachtung der Qualitätssicherung

Der erste Anwendungsfall betrachtet die bildgebende Qualitätssicherung: Der Fokus liegt auf der Untersuchung von Fehlstellen im Produkt, daher wird eine visuelle, automatisierte und KI-basierte Qualitätssicherung (Computer Vision) entwickelt. Als Bildverarbeitungs- und KI-Experte verantwortet senswork die Entwicklung des Vision AI Systems, das sich künftig ohne KI-Fachwissen bedienen und warten lässt. Neue Produkte werden vom Kunden an der Maschine eingelernt. Umgesetzt wird dies in Form eines Demonstrators, mit dessen Hilfe in der Großserienfertigung eines Zulieferunternehmens ein Spektrum von Produkten geprüft wird. Dabei ist jenseits der innovativen KI-Technologie die Bedienfreundlichkeit vorrangig, sowohl in Hinblick auf Softwareergonomie als auch UX-Design.

Um die Allgemeingültigkeit des erarbeiteten Frameworks zu gewährleisten, gibt es parallel einen zweiten Anwendungsfall, der ebenfalls die Qualitätssicherung betrachtet und dabei den Fokus auf die damit verbundene notwendige prädiktive Instandhaltung legt. Der Use Case wird von den IT-Expertinnen und -Experten von inovex untersucht – im Kontext Zeitreihenanalyse und eben Predictive Maintenance.

Die entwickelten Lösungen werden von den Endnutzenden der Anwendungspartner anhand verschiedener Metriken wie Benutzerfreundlichkeit, Verständlichkeit usw. bewertet. Die Evaluation erfolgt durch die Usability-Experten und -Expertinnen von eresult.

Ziel ist es, nach Evaluierung sowohl diese Leitlinien als auch das Systemkonzept über Publikation und Open Sourcing zur Verfügung zu stellen. Die Erkenntnisse und Ergebnisse des Projektes fließen außerdem in das Forschungsfeld »MLOps – Operationalisierung von KI in Produktion und Logistik« der Arbeitsgruppe für Supply Chain Services ein.