Datenzentrierte Entwicklung von Machine Learning Modellen zur Qualitätsvorhersage in der Fahrzeugmontage

Im Zeitalter von Industrie 4.0 und dem Einzug der Künstlichen Intelligenz in nahezu alle Lebens- und Fachbereiche, geht es im Qualitätsmanagement derzeit auch um die zentrale Frage, wie maschinelle Lernverfahren auf produkt- und prozessbezogene Daten angewendet werden können, um Vorhersagen über zukünftige qualitätsrelevante Ereignisse zu treffen. Ein Blick auf das Gartner Analytics Ascendancy Model macht deutlich, dass das enorme Potential zur Effizienzsteigerung in der Produktion erst durch die Anwendung von prädiktiven Modellen freigesetzt werden kann (Kantardzic, M.: Data mining: Concepts, models, methods, and algorithms, 2nd Edition, In: Wiley-Interscience, Hoboken, 2003, ISBN: 0- 471–22.852–4). Dass derzeit laut einer Studie des McKinsey Global Institutes (MGI) in der industriellen Fertigung nur etwa 20 bis 30 Prozent des Potentials in der Anwendung von Data Analytics Methoden ausgeschöpft werden (Maoz, M.: How IT should deepen big data analysis to support customer-centricity. Gartner. G00248980. (2013)), liegt vorrangig an der eindimensionalen Fokussierung auf die Auswahl und Optimierung von Algorithmen bei der Anwendung von Machine Learning. Dabei belegen zahlreiche Untersuchungen, dass verschiedene Algorithmen für die gleiche Datenbasis vergleichbare Ergebnisse liefern und eine Erhöhung der Datenqualität einen weitaus größeren Einfluss auf die Vorhersagegenauigkeit ausüben kann als die Hyperparameteroptimierung eines x-beliebigen Machine Learning Modells (Ng A.: MLOps: From Model-centric to Data-centric AI. https://​www.​deeplearning.​ai/​wp-content/​uploads/​2021/​06/​MLOps-From-Model-centric-to-Data-centric-AI.​pdf. Zugegriffen: 8. Aug. 2021). Aus diesem Grund vollzieht sich gerade in der anwendungsorientierten Entwicklung von Machine Learning Modellen ein Paradigmenwechsel: weg von der Modell-zentrierten und hin zur Daten-zentrierten Künstlichen Intelligenz (Ng A.: MLOps: From Model-centric to Data-centric AI. https://​www.​deeplearning.​ai/​wp-content/​uploads/​2021/​06/​MLOps-From-Model-centric-to-Data-centric-AI.​pdf. Zugegriffen: 8. Aug. 2021). Vor diesem Hintergrund wurde am Fachgebiet Qualitäts- und Prozessmanagement der Universität Kassel eine Methodik zur kontextbezogenen Datenaufbereitung entwickelt. Die strukturierte Vorgehensweise der Methodik hat zum Ziel, die Eigenschaften des Datensatzes in Abhängigkeit des spezifischen Anwendungsfalles so zu modellieren, dass die potentiellen Ursachen für das Auftreten von Fehlerbildern mit größtmöglicher Wahrscheinlichkeit im Datensatz begründet ist. Anhand eines konkreten Fallbeispiels aus der Fahrzeugmontage wird gezeigt, dass sich die Leistungsfähigkeit von Machine Learning Modellen durch die Anwendung der Methodik um bis zu 100 % steigern lässt. Darüber hinaus wird im Rahmen des Beitrags das Potential zur Optimierung von Stichprobenprüfungen in der Fahrzeugmontage ausgewiesen.