Bildquelle: BMW

Ausgangssituation:

Mit der zunehmenden Leistungsfähigkeit Neuronaler Netze sowie der großen Menge an 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. Grund dafür sind Wechselwirkungen zwischen Code, Modell und Daten, welche die Komplexität deutlich erhöhen.

Die hohe Anzahl von verschiedenen Anwendungsfällen, Maschinen, Prozessen und Materialien in der diskreten Fertigung resultiert in einer entsprechenden Vielfalt heterogener Datenquellen und unterschiedlicher Datenarten (z. B. tabellarische Daten, Bilddaten, Zeitreihen, Punktewolken etc.), für deren Analyse die entsprechenden geeigneten Modelle aus dem Bereich der künstlichen Intelligenz (KI) aufgebaut, trainiert, getestet und bereitgestellt werden müssen. Zur Bewältigung dieser Komplexität soll daher eine Plattform zur Operationalisierung von ML-Modellen in der Fertigung entwickelt werden, die mittels Methoden wissensbasierter Systeme die Verwaltung der ML-Modelle vereinfacht.

Aufgabenstellung

Im Rahmen der studentischen Arbeit soll daher eine Ontologie für eine MLOps-Referenzarchitektur entwickelt werden. Hierbei sind insbesondere die Anforderungen aus Sicht der späteren Datenanalyse zu betrachten und zu integrieren. Eine mögliche Aufgabenstellung wäre:

• Einarbeitung in Konzepte zur Wissensrepräsentation (Ontologien, Knowledge Graphs) sowie in die Datenbank Neo4J
• Identifikation geeigneter Ansätze für die Modellierung der Produktionsprozesse
• Einarbeitung in die bestehende  Graph-Datenbank und konzeptionelle Entwicklung einer Ontologie für die Bereitstellung von ML-Systemen in die Fertigung
• Implementierung der Ontologie und Validierung anhand ausgewählten Prozessschritten des Elektromaschinenbaus

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:

Kontakt: