Machine Learning in Production: Vorgehensmodell zur systematischen Identifizierung, Bewertung und Erschließung von Machine Learning Use Cases in produzierenden Unternehmen

Bildquelle: manufacturing.net

Ausgangslage:

Die digitale Transformation der Produktion verspricht, die Produktivität im Inland zu steigern und neue Geschäftspotenziale zu erschließen. Das Revolutionäre an Industrie 4.0 ist nicht allein die Digitalisierung der Produkte und ihrer Produktion, sondern die Möglichkeit technische Systeme in Echtzeit zu vernetzen. Die dadurch gewonnenen Daten können mit Methoden des maschinellen Lernens (ML), einem Teilgebiet der Künstlichen Intelligenz (KI), nutzbringend ausgewertet und daraus neues Wissen generiert werden. Mit zunehmender Rechen- und Speicherleistung durch Cloud Computing aber auch in lokalen Edge-Geräten lassen sich komplexe Algorithmen, etwa Verfahren des Deep Learnings, zur Prozess- und Qualitätsverbesserung im Produktionsumfeld einzusetzen. Bisher befassen sich jedoch nur wenige wissenschaftliche Arbeiten mit der systematischen Erschließung derartiger Potenziale.

Aufgabenstellung:

Im Rahmen dieser bereichsübergreifenden Abschlussarbeit soll daher ein Vorgehensmodell entwickelt werden, anhand dessen die Potenziale maschineller Lernverfahren in der Produktion systematisch identifiziert, bewertetet und erschlossen werden können. Daraus ergeben sich folgende Arbeitspakete:

  • Einarbeitung in die relevanten Grundlagen des maschinellen Lernens
  • Strukturierte Aufbereitung der verschiedenen ML-Anwendungen in der Produktion
  • Vergleich bestehender Vorgehensweisen im Bereich Industrie 4.0, Data Analytics, Data Mining, Maschinelles Lernen (z.B. CRISP-DM, Machine Learning Canvas etc.)
  • Ableiten eines geeigneten Vorgehensmodells zur systematischen Identifikation und Bewertung von ML Use Cases in der Produktion unter Berücksichtigung sowohl technischer als auch wirtschaftlicher Gesichtspunkte
  • Ggf. Validierung des Vorgehensmodells anhand eines Fallbeispiels aus der Industrie bzw. den verschiedenen Forschungsbereichen des Lehrstuhls FAPS
  • Dokumentation der Arbeit

Nähere Informationen gerne auf Anfrage im persönlichen Gespräch. Beginn, Umfang und genaue Ausrichtung der Arbeit erfolgen nach Absprache und persönlichem Interesse.

Hinweise und Bewerbung:

  • Forschung im Trendthema Industrie 4.0, KI und ML
  • IT-Affinität vorausgesetzt, zielgerichtete Einarbeitung anhand von Vorarbeiten möglich
  • Bewerbungen bitte per E-Mail mit Lebenslauf und aktueller Fächerübersicht an beide Ansprechpartner, d.h. andreas.mayr@faps.fau.de und dominik.kisskalt@faps.fau.de

Beispiel: Machine Learning Canvas zur Beschreibung eines Use Cases

Kategorien:

Fachbereich:

Engineering-Systeme

Art der Arbeit:

Bachelorarbeit, Diplomarbeit, Hauptseminar, Masterarbeit, Projektarbeit, Studienarbeit

Studiengang:

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

Technologiefeld:

Fertigungsregelung und Intralogistik, Industrie- und Servicerobotik, Künstliche Intelligenz und maschinelles lernen, Medizintechnik, Planung und Simulation, Software Engineering und Deployment

Kontakt: