Ausgangssituation
Machine Learning (ML) hält mehr und mehr Einzug in der produzierenden Industrie. So liefern bspw. entwickelte Vorhersageprototypen zufriedenstellende Ergebnisse in Testumgebungen. In einem nächsten Schritt gilt es, das entwickelte Vorhersagemodell in die laufende Produktion zu integrieren. Für die Phase nach dem sogenanntem „initial Deployment“ ist es allerdings essentiell wichtig, das Modell zu überwachen, weiter zu trainieren und mit entsprechenden Updates die Performance aufrechtzuerhalten. Hierfür sind Qualitätskennwerte zu identifizieren, welche die Qualität des Modells repräsentieren und aus denen sich Handlungsbedarf ableiten lässt.
Ziel der Arbeit ist die Entwicklung eines Qualitätssicherungsprozesses für ML-basierte Vorhersagemodelle in der produzierenden Industrie.
Aufgabenstellungen
- Einarbeitung in das Gebiet des Deployments von ML-Modellen
- Konzepterstellung für die Ableitung eines Qualitätssicherungsprozesses für die ML-Deployment Phase
- Validierung des Konzepts anhand eines Use Cases in der Elektronikproduktion