Systematic Literature Review: Operationalisierung von Machine Learning Modellen in der Fertigung [AI/BA/PA/MA]

Ausgangssitutation:

MLOps hat in den letzten Jahren zunehmend an Bedeutung gewonnen, findet jedoch nach wie vor wenig Anwendung in der Fertigungsindustrie. Das Paradigma zielt in diesem Kontext darauf ab, komplexe Produktionsprozesse zu optimieren, indem es enorme Datenmengen effektiv verarbeitet und analysiert. Es verbindet Maschinelles Lernen, Cloud-Computing und DevOps-Methoden, um eine nahtlose Integration von ML-Modellen in den Produktionsprozess zu ermöglichen. Eine erfolgreiche Umsetzung von MLOps erfordert ein tiefes Verständnis von Machine Learning-Modellen und der zugrunde liegenden Dateninfrastruktur, sowie das Wissen, wie man sie mit anderen Komponenten wie Container-Orchestrierung und Continuous Integration/Continuous Deployment-Pipelines integriert.

Das Ziel der Arbeit besteht in einer strukturierten Literaturrecherche und Marktanalyse zum aktuellen Einsatz des MLOps Paradigmas in der fertigenden Industrie.

Aufgabenstellung:

  • Identifikation von Herausforderungen in der Bereitstellung neuronaler Netze und anderer Methoden des Maschinellen Lernens in der Fertigungsindustrie
  • Recherche und Auswahl relevanter wissenschaftlicher Quellen
  • Bewertung der Effektivität und Anwendbarkeit der identifizierten Lösungsansätze
  • Zusammenfassung und Strukturierung der Forschungsergebnisse
  • Erstellung einer systematischen Literaturübersicht mit klaren Kategorien und Schwerpunkten
  • Schlussfolgerungen zu aktuellen Trends und zukünftigen Entwicklungen zur Operationalisierung von ML-Modellen

Nähere Informationen sowie Beginn, Umfang und Schwerpunkt der Arbeit können im Rahmen eines persönlichen Gesprächs diskutiert werden. Eine Konkretisierung des Themas erfolgt nach Absprache der persönlichen Interessen.

Beispielhafte Fokusthemen:

  • Zukünftige Trends und Implikationen in der Intelligenten Fertigung mit Cloud-Native ML
  • Sicherheits- und Compliance-Aspekte in Cloud-Native ML-Anwendungen für die Fertigung
  • Integration von Maschinellem Lernen und Cloud-Native Infrastruktur in der Intelligenten Fertigung

Hinweise zur Bewerbung: 

  • Interesse an intelligenter Fertigung, Literaturrecherche etc.
  • Hohe Motivation, Neugierde sowie strukturierte Arbeitsweise
  • Beginn ab sofort möglich
  • Deutsch oder Englisch in Wort und Schrift von elementarer Bedeutung
  • Bewerbungen mit Lebenslauf und aktueller Fächerübersicht bitte per E-Mail an benedikt.scheffler@faps.fau.de

Weitere interessante Themenstellungen im Bereich Machine Learning Operations und Deep Learning sind hier gelistet. Literaturrecherchen sind zu all diesen Themen ebenfalls nach Absprache möglich.

Kategorien:

Forschungsbereich:

Art der Arbeit:

Bachelorarbeit, Diplomarbeit, Hauptseminar, Masterarbeit, Projektarbeit, Studienarbeit

Studiengang:

Energietechnik, Informatik, IPEM, Maschinenbau, Mechatronik, Wirtschaftsingenieurwesen

Technologiefeld:

Künstliche Intelligenz und Maschinelles Lernen, Software Engineering und Deployment

Kontakt:

Benedikt Scheffler, M.Sc.

Department Maschinenbau (MB)
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS, Prof. Franke)