Das Fraunhofer IPA Stuttgart sucht Industriepartner mit Sitz in Baden-Württemberg für ein Forschungsprojekt im Bereich der Anomalieerkennung bei begrenzten Datenbeständen. Wenn Sie ein Unternehmen sind, in dem die Erkennung von Anomalien eine strategische Rolle für Ihre Geschäftsprozesse spielt oder spielen könnte, bewerben Sie sich um die Teilnahme an dem Forschungskonsortium. Beginn des AI Innovation Seed-Projekts voraussichtlich ab Januar 2022.
Eine der Anwendungen, bei denen künstliche Intelligenz (KI) einen wichtigen Beitrag zu verschiedenen Geschäftsaktivitäten leisten kann, ist die Erkennung von Anomalien. Sie ermöglicht es Unternehmen, ihre Effizienz und Produktqualität zu verbessern, indem sie Produkte, Ereignisse oder Situationen erkennt, die erheblich vom gewünschten Ergebnis abweichen und ein Problem oder eine Gefahr darstellen könnten. Diese Art von Problemen betrifft, wenn auch mit großen Unterschieden in der Umsetzung, eine Vielzahl von Bereichen wie die Fertigung (z. B. Fehlererkennung im Produkt), die Pharmaindustrie (z. B. Erkennung von Fremdkörpern in einem Fläschchen), das Recycling (z. B. Erkennung von schlecht differenzierten Produkten) oder die Medizinbranche (z. B. Erkennung von Krankheiten bei Untersuchungen).
Die Entwicklungen im Bereich der Deep-Learning-Netze ermöglichen es, die Leistung bei dem Aufgabentyp der Annomalieerkennung erheblich zu steigern. Die meisten dieser Algorithmen benötigen jedoch eine große Menge an Daten, um zu funktionieren. Denn je mehr Daten den Modellen der künstlichen Intelligenz zur Verfügung gestellt werden, desto höher ist die Wahrscheinlichkeit, dass der Algorithmus bessere Ergebnisse erzielt. Trotz seiner Vorteile hat ein solcher Ansatz für die Erstellung großer Datenmengen auch seine Tücken. Einerseits, weil es in bestimmten Zusammenhängen schwierig ist, große Datenmengen zu sammeln, wenn die Anomalie beispielsweise nur selten auftritt. Andererseits wegen des Prozesses der Erstellung des Datensatzes selbst. Das Verfahren erfordert einen erheblichen zeitlichen und finanziellen Aufwand, nicht nur für die Erhebungsphase, sondern vor allem für das Labeling, in der die Daten von ausreichend qualifiziertem Personal verarbeitet werden müssen. Darüber hinaus ist die »Variabilität und Unberechenbarkeit realer Kontexte« ein kritischer Punkt dieses Ansatzes. Neue Arten von Anomalien könnten in verschiedenen Kontexten auftreten und die Stabilität des bestehenden Systems untergraben (Alterung von ML-Netzen). Eine Familie von KI-Algorithmen, die in der Lage sind, die genannten Einschränkungen zu überwinden, könnten eine höhere Leistung erzielen, indem sie allen Unternehmen, die sie einsetzen, mehr Effizienz, Flexibilität und ggf. höhere Produktqualität bieten und die Nutzung dieser Algorithmen auf bisher nicht anwendbare Bereiche ausdehnt.
Ziel des Projekts ist es, kontextübergreifende Methoden der künstlichen Intelligenz zu erforschen und zu entwickeln, die das Erkennen von Anomalien für reale Anwendungsfälle ermöglichen und auch bei Datenknappheit verlässliche Ergebnisse liefern. Datenknappheit kann sowohl einen Mangel an annotierten Daten sowie eine zu geringe Datenmenge bedeuten. Insbesondere schwierige Anwendungskontexte (geringe Fehlerrate, sicherheitskritische Anwendungen etc.) können zu einer geringen Datenmenge führen.
Die folgenden Fragen werden daher in dem vorgestellten Projekt behandelt:
Ihre Teilnahme an dem Projekt ist kostenlos und steht nach einem Auswahlverfahren allen Unternehmen offen, die
Fraunhofer-Gesellschaft | KI-Fortschrittszentrum »Lernende Systeme und Kognitive Robotik«