Das Sammeln und Verarbeiten von Daten ist eine wichtige Voraussetzung für den Abschluss eines erfolgreichen KI-Projekts. KI-Technologien sind dafür bekannt, dass sie sich auf Daten fokussieren und daher große Mengen davon sammeln. Dieser Ansatz wurde ursprünglich von großen Internetunternehmen verwendet, weil sie auf diese Weise Deep Learning überhaupt erst zum Laufen bringen konnten. Im Fall der industriellen Automatisierung sind die Datenmengen jedoch viel kleiner, da es nicht möglich ist, riesige Datenmengen zu sammeln. Daher kommt es nicht auf die Menge der Daten an, sondern auf die Qualität. Wenn die Qualität nicht stimmt, wird das Projekt nicht erfolgreich sein. Um einen breiten Einsatz von KI in der Fertigung zu erreichen, muss sich deshalb unser Fokus von großen Datenmengen auf qualitativ hochwertige Daten verlagern.
In der Praxis bedeutet dies, dass sich die Hersteller auf die korrekte Klassifizierung, Einstufung und Kennzeichnung von Fehlerbildern konzentrieren müssen, anstatt nur die Anzahl der Bilder zu erhöhen. Das heißt, dass sich ein Entwickler, der ein KI-Modell für die Fertigung trainiert, sich auf die Qualität der verfügbaren Daten konzentriert, anstatt zu versuchen, das resultierende KI-Modell zu optimieren, indem er bestimmte Werte oder die statistischen Methoden ändert, die für die Stichprobe der Bilder und die Erstellung des Modells verwendet werden. Der KI-Theorie zufolge benötigen Fertigungsunternehmen bei nur 10 % falsch beschrifteter Daten die 1,88-fache Menge neuer Daten, um ein bestimmtes Genauigkeitsniveau zu erreichen. Wenn 30 % der Daten falsch gelabelt sind, benötigen die Hersteller 8,4-mal so viele Daten wie wenn man mit einem sauberen Datensatz arbeitet.
Wie können wir also sicherstellen, dass wir über qualitativ hochwertige Datensätze verfügen? deevios Lösung ist die Entwicklung eines Labeling Tools, mit dem auch Nicht-Programmierer Bilder einfach labeln können. Denn Fertigungsexperten sind diejenigen, die sich mit ihren Produkten und der Fabrik auskennen. Sie sind in der Lage zu bestimmen, ob die gesammelten Daten von ausreichender Qualität sind. Es ist wichtig, KI-Technologien leicht zugänglich und nutzbar zu machen, um die Genauigkeit und Qualität der Lerndaten zu maximieren. Nach der Erfassung von Beispielbildern sollten die jeweiligen Fertigungsexperten die Bilder beschriften und die Fehler an den Bauteilen lokalisieren und identifizieren. Natürlich können verschiedene Experten unterschiedliche Meinungen haben. Daher ist es ratsam, einen Fehlerkatalog zu erstellen, in dem verschiedene mögliche Fehler aufgeführt sind, damit die künftigen Qualitätsprüfer Richtlinien für die korrekte Kennzeichnung der Daten haben und die endgültige Systemleistung verbessern können.
Wenn die Trainingsdaten optimal gelabelt sind, ist es möglich, Deep-Learning-basierte Bildverarbeitungssysteme zuverlässig zu trainieren, auch wenn die Datensätze klein sind. Darüber hinaus ermöglicht dieser Prozess den Fertigungsexperten, einen Leitfaden dafür zu erstellen, was ein Fehler ist, und ermöglicht die Qualität der Daten zu verbessern. Weiterhin ist es auch bei einem qualitativ hochwertig zusammengestellten Datensatz möglich, die Produktionsgenauigkeit der Bauteile zu analysieren, was in Zukunft Zeit und Energie sparen kann. Durch den Fokus auf die Stärken von Qualitätsmanagern und KI-Modellentwicklern wird das Labeling von Daten und die Optimierung von KI-Modellen effektiver.