Systematische Identifizierung, Spezifizierung und Konzeptionierung eines Frameworks zur Bereitstellung neuronaler Netze in der Produktion (MLOps)

Bildquelle: BMW

Ausgangssituation:

Mit der zunehmenden Leistungsfähigkeit Neuronaler Netze sowie der großen Menge an anfallenden Daten, die im Zuge von Industrie 4.0 erzeugt werden, bieten sich verstärkt die Methoden des Deep Learning als Möglichkeit der Prozessüberwachung und –optimierung an. Der zunehmenden Bereitschaft produzierender Unternehmen Algorithmen des Maschinellen Lernens (ML) in die Produktion zu integrieren stehen mangelnde Erfahrungen in der Bereitstellung und Wartung der angelernten Modelle gegenüber. Dies ist darauf zurückzuführen, dass die Entwicklung von ML-basierten Anwendungen sich grundlegend von der Entwicklung herkömmlicher Software unterscheidet. Grund dafür sind Wechselwirkungen zwischen Code, Modell und Daten. Dadruch ergeben sich zusätzliche Herausforderungen hinsichtlich der Integration, des Testens, der Freigabe sowie der Bereitstellung eines ML-Systems. Grundsätzliche sind folgende Anforderungen durch solch ein MLOps-System zu erfüllen:

  • Vereinheitlichung von Freigabezyklen
  • Automatisierte Daten- u. Modelvalidierung sowie Unit- und Integrationstests
  • Zuverlässige Bereitstellung und Überwachung von ML-Modellen

Aufgabenstellung

Im Rahmen der studentischen Arbeit soll daher ein System zur Bereitstellung Neuronaler Netze konzipiert werden, wobei insbesondere produktionsspezifische Einflussfaktoren aufgegriffen werden sollen. Eine mögliche Aufgabenstellung wäre:

  • Einarbeitung in die Grundlagen von ML, DevOps und MLOps
  • Strukturierte Aufbereitung bestehender Konzepte und Werkzeuge zur Bereitstellung neuronaler Netze in Wissenschaft und Industrie
  • Identifikation von produktionsspezifischer Einflussfaktoren auf das zu entwickelnde Gesamtsystem
  • Systematische Identifizierung, Spezifizierung und Konzeptionierung von Systemkomponenten zur Bereitstellung Neuronaler Netze in der Montage
  • Konzeptionierung einer holistischen Systemarchitektur

Hinweise zur Bewerbung

  • Interesse an Maschinellem Lernen und Software Engineering
  • Hohe Motivation und Auffassungsgabe und strukturierte Arbeitsweise
  • IT-Affinität sowie Erfahrung in der Python-Programmierung wünschenswert
  • Bewerbungen mit Lebenslauf und aktueller Fächerübersicht bitte per E-Mail an tim.raffin@faps.fau.de

Ansprechpartner:

Tim Raffin, M.Sc.

Kategorien:

Forschungsbereich:

Elektromaschinenbau

Art der Arbeit:

Bachelorarbeit, Masterarbeit, Projektarbeit

Studiengang:

Energietechnik, Informatik, IPEM, Maschinenbau, Mechatronik, Medizintechnik, Wirtschaftsingenieurwesen

Technologiefeld:

Künstliche Intelligenz und Maschinelles Lernen, Medizintechnik, Software Engineering und Deployment, Innovatives Qualitätsmanagement

Kontakt:

Tim Raffin, M.Sc.

Department Maschinenbau (MB)
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS)