Abschlusspräsentation in den InterOpera KI- Asset Administration Shell-Teilmodellprojekten
In der Veranstaltung wird Herr Mike Reichardt, Mitarbeiter im Deutschen Forschungszentrum für Künstliche Intelligenz und Methodenberater der KI-Teilmodellprojekte "Artificial Intelligence Dataset", "Artifical Intelligence Model Nameplate" und "Artificial Intelligence Deployment", die Projektergebnisse vorstellen. Anschließend besteht für das Publikum die Möglichkeit, Fragen zu stellen.
Ein guter Datensatz ist entscheidend für die Qualität von KI-Trainings. Bei mangelhaften Daten kommen unabhängig vom verwendeten Netz oder KI-Ansatz unzureichende Ergebnisse in der KI-Anwendung heraus. Um die Qualität des Datensatzes und damit erfolgreiche KI-Trainings sicherzustellen, ist eine genaue Beschreibung der Historie des Datensatzes von Nöten. Hierzu zählen u.a. Informationen über die verwendeten Sensoren, die vorherrschenden Umgebungsbedingungen, statische Kenngrößen des Datensatzes sowie Informationen für die menschliche Interaktion (z.B. Serviceinformationen, wie der Ersteller oder der Verantwortliche des Datensatzes). Das Teilmodell "Articial Intelligence Dataset" bietet eine sehr gute Struktur, um diesen Hintergrund effizient abzuspeichern und für Anwendungen bereitzustellen. Es trägt zur einfacheren Erkenntnis über die Nutzbarkeit verschiedener Modelle in Anwendungen bei, erleichtert die Vorauswahl passender Modelle anhand eines Datensatzes und dient der Auflösung/ Reduktion des Black Box Designs von KI-Anwendungen.
Neben den verwendeten Daten sind auch die verwendete Netzstruktur und Trainingsparameter für die Qualität des Ergebnisses entscheidend. Innerhalb des Teilmodells "Artificial Intelligence Model Nameplate" werden daher alle wichtigen Kenngrößen des Modelltrainings sowie Metainformationen (Ersteller, Verantwortlicher,….) festgehalten, um ein tiefgründiges und übersichtliches Verständnis des Modells zu gewinnen. Das Teilmodell dient der Erfassung aller trainingsrelevanter Hyperparameter, der Beschreibung des verwendeten Netzes inklusive Historie des Netzes, der Erhöhung des Dokumentationsgrads des Trainings sowie der Auflösung/ Reduktion des Black Box Designs von KI-Anwendungen.
Ein fertig trainiertes Netz kann häufig nicht direkt in die Anwendung gebracht werden, sondern es müssen zunächst Anpassungen durchgeführt werden. Hierfür muss bspw. das Format angepasst werden, sodass Softwareabhängigkeiten reduziert werden. Außerdem benötigen trainierte Netze gewisse Software- und Hardwarevoraussetzungen, damit sie auf einer Plattform sinnvoll eingesetzt werden können, und diese müssen auch festgehalten werden. Eine laufende Anwendung muss zudem noch überwacht werden. Hierfür bietet die Asset Administration Shell mit ihren Live-Werten eine gute Anbindung und stellt ein nützliches Tool dar. Das Teilmodell "Artificial Intelligence Deployment" dient dem Festhalten von Mindestherausforderung (Hard- und Software) für das Deployment einer KI-Anwendung, der Bereitstellung eines deploybaren Modells z.B. im ONNX-Format und dem Live-Monitoring wichtiger Kenngrößen.
Neuronale Netze dienen bei den Teilmodellprojekten als ein Beispiel, stehen aber nicht im Kernfokus der Teilmodellprojekte, da diese für KI-Modelle im Allgemeinen gültig sind.
Die Veranstaltung wird von den drei InterOpera Projektpartnern angeboten und durchgeführt. Zu den InterOpera Projektpartnern zählen das Steinbeis Europa Zentrum, das Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA und das vom VDE DKE getragene Standardization Council Industrie 4.0.
Anmeldung
Melden Sie sich hier anTeilnahmegebühr
Die Veranstaltung ist kostenlos.
Veranstalter
Steinbeis Europa Zentrum, Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA, Standardization Council Industrie 4.0