3. Forschungsbedarf, Forschungsfragen und methodisches Vorgehen

Dieses Kapitel untersucht die Leistungsfähigkeit maschineller Lernverfahren (ML) in der Produktionstechnik und identifiziert die Hauptgründe für die geringe Industrialisierungsrate von ML-Projekten. Trotz eines starken Anstiegs der Publikationen zu ML in der Produktionstechnik werden nur 15-25% der entwickelten Verfahren tatsächlich genutzt. Die Hauptursachen für diese Diskrepanz sind ungeeignete Projektauswahl, Datenprobleme wie unzureichende Qualität und Quantität, sowie der Mangel an Fachkräften mit Expertise in beiden Bereichen. Der Text analysiert bestehende Prozessmodelle wie CRISP-DM und TDSP und zeigt deren Lücken auf, insbesondere in den Phasen der Anlagenintegration und der frühen Entwicklungsphase. Es werden drei Forschungsfragen gestellt, die sich auf die Identifizierung geeigneter Anwendungsfälle, die notwendigen Bedingungen für eine erfolgreiche Industrialisierung und die frühzeitige Evaluierung der Industrialisierbarkeit konzentrieren. Das methodische Vorgehen umfasst empirische Fallstudien und die Anwendung der Unsicherheitsquantifizierungstheorie zur systematischen Fehlererkennung. Die Dissertation zielt darauf ab, eine Entscheidungsgrundlage für die Planung von ML-Verfahren und Methoden zur Absicherung der Industrialisierbarkeit zu entwickeln, die an drei Anwendungsbeispielen validiert werden.