Buffl
Buffl
KIT: KI in Prod

1 Einführung

pz
by p Z.

Was sind die Schlüsselaspekte für etablierte Prozesse (heute) und unreife Prozesse ertüchtigen (morgen)? Gib Methoden, Anlagen und wie die Prozesse gestaltet werden müssen an.

Methoden:

  • echtzeitfähig, r

  • obust, lernfähig; Kombination physikalischer und datengetriebener Modelle

Anlagen: flexibel, modular, neue Steuerungstechnologien & herstellerübergreifende Standards

Prozesse: effizient, integrativ, adaptiv

Nenne die 5 Schritte des Regelkreises KI in der Produktion und stelle in ein ein Stück/Zeiteinheit und Zeit Diagramm gar



Was ist der Unterschied zwischen traditionellen Algorithmen und KI/ML.

KI/ML: Regeln werden auf Basis von Daten erlernt; keine Programmierung der Anweisungen aber Daten notwendig; Unterkategorie von Algorithmen


Algorithmen: Satz von Anweisungen; wird ausgeführt wenn es auf Anweisungen trifft


Hauptunterschied: Regeln sind bei traditionellen Algorithmen vordefiniert, wobei bei KI Trainingsdaten verwendet werden, um Regeln zu lernen.



Nenne 4 Anwendungsfälle der KI inder Produktion, welche davon werden bereits in der Produktion implementiert?

  • unreife Prozesse reif machen,

  • Wissen aus Daten generieren,

    Prozessoptimierung,

  • Steigerung der Effizienz und Flexibilität,

  • Generierung neuer Lösungen,

  • Produktqualität verbessern,

  • Anomalieerkennung

    • Z.B. unüblich starke ibration, auffällige Geräusche

    • Vorgehen: Maschine/Sensor liefert Messdaten —> Algorithmen klassifizieren und visualisieren Messdaten — Untersuchung von ungewöhnlichen Merkmalen

  • Condition Monitoring


Was ist condition monitoring und Predicitve Maintenance und Ziel der beiden?

  • Condition Monitoring: kontinuierliche oder periodische Diagnose des aktuellen Zustands einer Anlage / Komponente

  • Predictive Maintenance: Prognose der verbleibenden Lebensdauer und optimale Planung von Instandhaltungstätigkeiten

  • Ziel: Geplante Instandsetzung zu einem günstigen Zeitpunkt vor dem Ausfall (aber später als bei klassischen vorbeugenden Instandhaltung)

    • weniger Ausfälle

    • Niedrigere Instandhaltungskosten


Nenne eine Problemstellung in der Produktuon bei der KI-Methode eingesetzt wird.

Zusammenh.nge sind nicht bekannt/ ersichtlich bzw. aufgrund Komplexität der Vielfalt der Verknüpfungen nicht umfänglich abbildbar —> Glaubwürdigkeit muss mittels Bewertungsmetriken überprüft werden.

Was sind die 5 Merkmale von Big Data?

  1. Volume: je mehr hochwertige Daten, desto besser; geringe Korrelation Menge <-> Wert

  1. Value: Mehrwert der Daten für Unternehmen/Problemstellung; nicht alle Daten sind gleich wertvoll

  2. Variety: untersch. Datentypen aus untersch. Quellen —> strukturiert, semi-strukturiert, unstrukturiert

  3. Veracity: Datenqualität: Korrektheit, Konsistenz, Vertrauenswürdigkeit, Sicherheit,

  4. Velocity: Geschwindigkeit der Erzeugung, Verarbeitung & .bertragung von Daten


Nenne 4 Probleme warum Daten in der Industrie rar sind. Teile sie in technische und organisatorische Probleme ein.

Organisatorische Probleme:

  • Datenschutz, schlechte Anonymisierung

    • Art 6 Abs 4 DSGVO: Weiterverarbeitung ist zulässig, wenn der neue Zweck mit dem ursprünglichen Zweck der Datenerhebung kompatibel ist

  • Daten müssen durch Experimente gesammelt werden —> hohe Kosten

Technische Probleme:

  • Unterschiedliche Datentypen der Maschinen

  • Modelle sind nach Verschleiß der Maschone nicht mehr gültig/valide


Welche 3 strukturellen Voraussetzungen gibt es für den Einsatz von KI in der Produktion?

  • Talent & Organisation: existieren die richtigen Kompetenzen und Strukturen?

    • Bsp.: Ingenieure

  • Technologie: existieren entsprechende Systeme und Tools?

    • Bsp.: Datenplattformen

  • Kultur: kann eine datengesteuerte Kultur aufgebaut werden?

    • Mindset


Talent & Organisation:


Welche 6 technischen Rollen gibt es in einem ML-Projekt?

  • Projekt-Sponsor: gibt Budget frei

  • Prozess-Domänenexperte: kennt Produktionsprozess

  • Verantwortlicher IT-Sicherheit

  • Automatisierungsingenieur: kann Prozesssteuerung .ndern

  • Ethik-Beauftragter: Datenschutz, Ethik, Gesetze

  • Software-Engineer/ ML-Experte: entwickelt, operationalisiert & automatisiert MLModelle, einbindung in bestehende Applikationen

  • Data Engineer: Datenbereitstellung (Aufbau Daten-Pipeline, Aggregierung Datensätze, …)

  • Data Analyst: Datenkommunikation und Analyse (Analyse, Visualisierung)

  • Data Scientist: Modellbildung (Statistik, Algorithmen, Analyse, Visualisierung)


Frage: Welche technologischen Voraussetzungen und Lösungsansätze sind notwendig, um Probleme bei der Integration von Systemen und Tools in der KI-gestützten Produktion zu adressieren?


Antwort:

  • Technologie: Vorhandensein entsprechender Systeme und Tools

  • Probleme und Lösungen:

    • Unterschiedliche/ konkurrierende Technologien:

      • Lösung: Interoperabilität

        • Systeme mit kompatiblen Komponenten zu ERP-, MES-, SPS/SCADA-Systemen

        • OPC UA als Protokoll für Kommunikation und Datenmodellierung

    • Einsatz von Edge-Technologie:

      • Nähe:

        • Speicher- und Rechenressourcen müssen in Nähe der Quelle sein

      • Reaktionsfähigkeit:

        • Latenzzeit < 20 ms

      • Mobilität:

        • Edge-Geräte bewegen sich

        • Speicher- und Rechenressourcen müssen mitbewege


Kultur: Wie kann eine datengesteuerte Kultur aufgebaut werden?

  • Welche 6 organisatorischen Faktoren gibt es für ein erfolgreiches KI Projekt?


Organisatorische Faktoren:

  1. Autonomie,

  1. Kommunikation,

  2. Verbundenheit,

  3. Vertrauen & Respekt,

  4. Klare Ziele,

  5. Leadership


Frage: Was sind die Kernelemente des Cross Industry Standard Process for Data Mining (CRISP-DM) und seine Anwendung in Data Mining Projekten? Nenne die 4 Abstraktionsebenen und die 6 Phasen die alle Data Mining Projekte durchlaufen.

  • CRISP-DM (2000): Etablierter Standard und hierarchisches Prozessmodell, bestehend aus 4 Abstraktionsebenen

  • Phasen (6):

    • Business Understanding: Zieldefinition, Erfassung Status-Quo, Projektplanung

    • Data Understanding: Sammlung initialer Daten, Datenbeschreibung, -exploration, -qualitätsprüfung

    • Data Preparation: Datenauswahl, -bereinigung, -integration, -formatierung

    • Modeling: Modellbildung, Test-Design festlegen, Modell anpassen und bewerten

    • Evaluation: Ergebnisbewertung, Review des Prozesses

    • Deployment: Implementierung & Anwendung, Monitoring, Wartungsstrategien, Abschlussbericht, Projekt-Review

  • Generic Tasks: Unteraufgaben, die alle Data Mining Projekte durchlaufen (z.B. Datenbereinigung)

  • Specialized Tasks: Fallspezifische Konkretisierung der Generic Tasks (z.B. Entfernen von Ausreißern)

  • Process Instance: Dokumentation von Aktivitäten, Entscheidungen und Ergebnissen



Join Course
Preview

Author

p Z.

Information

Last changed

Report course
© 2023 Buffl GmbH