AI for Scarce Data - Maschinelles Lernen und Informationsfusion zur nachhaltigen Nutzung von Labor- und Kundendaten (AI4ScaDa)

Small Data, Scarce Data, Informationsfusion, Interpretable ML, DoE

Hochschule Bielefeld

Fachbereich Ingenieurwissenschaften und Mathematik
Interaktion 1
33619 Bielefeld

Projektbeteiligung

Technische Hochschule OWL
Saaten-Union Biotec GmbH
GEA Westfalia Separator Group GmbH
Miele & Cie. KG

Laufzeit
01.04.2022 – 31.03.2025

Projektförderung

MWIDE.NRW: it's OWL Innovationsprojekte                               

Kurzbeschreibung

Unternehmen sind aktuell sehr bestrebt, ihr Datenkapital für zukunftsfähige intelligente Produkte und eine nachhaltige Wertschöpfung nutzbar zu machen. Mit Hilfe von Künstlicher Intelligenz (KI) analysieren sie ihre großen Datenmengen (Big Data) und versuchen, einen Mehrwert aus ihren Daten zu schaffen. Der Einsatz von KI-Methoden stellt allerdings kleine und mittlere Unternehmen (KMU) vor Herausforderungen. Ein Großteil etablierter und bekannter KI-Methoden sind für große Datenmengen konzipiert und entfaltet erst dort ihr Potenzial. Mittelständische Unternehmen, insbesondere KMU, haben jedoch im Vergleich zu großen Plattform-Unternehmen wesentlich kleinere Datenmengen verfügbar, sogenannte Small Data. Diese oft spärlichen Datenmengen (Scarce Data), wie bspw. Labordaten, Leistungsdaten von Maschinen, Personenwissen (Berichte) sowie Gerätenutzungsdaten, besitzen für die Unternehmen einen hohen Wert, da dort Informationen über ihre Produkte und Prozesse sowie deren Leistungsfähigkeit und Innovationspotenzial enthalten sind.

Das Projekt entwickelt eine KI-Lösung, bestehend aus einer Informationsfusion und einer interpretierbaren KI in modularer Form, die zudem durch eine Rückkopplung eine weitere Datenerhebung, z.B. im Labor, unterstützt. Die Lösungen werden im Konsortium in die Anwendung überführt, wobei verschiedene wirtschaftliche Ziele der Partner verfolgt werden, wie u.a. eine Produkt- und Verfahrensauslegung für die Pflanzenzucht, eine Produkt- und Prozessauslegung für Separatoren und eine Diagnoseunterstützung für vernetzte Systeme.

Die FH Bielefeld übernimmt im Projekt die Konsortialführung und fokussiert sich auf die Erforschung und Entwicklung einer KI, die aufgrund ihrer Struktur sowohl eine hohe Modellgüte bei geringen Datenmengen als auch eine gute inhärente Interpretierbarkeit aufweisen. Die interpretierbaren Methoden zielen darauf ab, neben Ergebnis und Prognose, den Anwender*innen auch Informationen über Güte, Datenverständnis (Extrapolations- und Interpolationsverhalten) sowie Konfidenz zur Verfügung zu stellen. Diese Informationen tragen zu mehr Transparenz, Verständnis und Akzeptanz bei.