Interview: Nico Schröder, Korrespondent elektro AUTOMATION
elektro AUTOMATION: Herr Metzner, warum bietet sich gerade Machine Learning (ML) als Methode an, um einen besonderen Mehrwert aus Daten zu schöpfen?
Jan Metzner: Um einen Mehrwert in Daten erkennen zu können, muss man diese erst einmal verstehen. Und das ist oft einfacher gesagt als getan. Maschinen erzeugen in kürzester Zeit Mengen von Daten – beispielsweise ein automatisierter Schweißroboter, der die Qualität von Schweißnähten im Fertigungsprozess analysiert. Theoretisch lassen sich Sensordaten wie Stromstärke und Spannung sowie Bilddaten von Kameras erfassen. Um all diese Daten automatisiert zu verarbeiten, braucht man aber ein Programm, das sie interpretieren kann. Denn mit einfachen Mitteln lassen sich nur Ausreißer feststellen.
Im nächsten Schritt, der Anomalieerkennung, beispielsweise für Bilddaten von den Kameras, bietet sich der Einsatz von ML-Methoden an. Denn bei der Analyse einer großen Anzahl an Produkten pro Minute stößt das menschliche Auge an seine Grenzen. Um das Verfahren zu verfeinern, lassen sich die Sensor- und Bilddaten miteinander kombinieren. Auch bei diesem hochkomplexen Prozess kommt ein ML-Verfahren zum Einsatz, das sowohl das Trainieren als auch das Ausführen der Modelle optimiert.
Richtig interessant wird es dann, wenn beispielsweise Chargen-Informationen über das Rohmaterial, die produzierten Waren, und eventuell sogar Informationen zur aktuellen Arbeitsschicht herangezogen werden. Daran lässt sich erkennen, ob das angelieferte Material den Anforderungen entspricht oder ob sich äußere Faktoren – wie das Einstellen von Maschinen durch die Arbeiter – positiv auf das Ergebnis auswirken. Solche Informationen werden oft nicht richtig dokumentiert.
Know-how im Machine Learning
elektro AUTOMATION: Welches ML-Know-how hat AWS aufgebaut? Und wie versetzen Sie Unternehmen in die Lage, Machine Learning zu beherrschen sowie ML-basierte Erkenntnisse möglichst einfach nutzen zu können?
Metzner: AWS setzt ML in sehr vielen Bereichen ein und hat damit langjährige Erfahrung. Wie das obige Beispiel zeigt, kann die Erstellung eines optimierten ML-Modells recht einfach, aber auch sehr komplex sein. Daher unterstützen wir unsere Kunden sowie unsere eigenen Entwickler mit Tools, für die sie keine Data Scientists sein müssen. Amazon Forecast beispielsweise kann dazu dienen, das Kaufverhalten von Kunden vorherzusagen. Anhand der Anzahl der täglichen Verkäufe des letzten Jahres berechnet der Dienst eine Prognose für den nächsten Monat.
