- Anzeige -
- Anzeige -
Lesedauer: 6min
Modellentwicklung mit Sharing-Economy-Ansatz
Mit Federated Learning sensible Daten sicher teilen

Aug 28, 2020 | Analytics/OEE

Beim Federated Learning-Ansatz bezieht die künstliche Intelligenz ihre Informationen aus unterschiedlichen Modellen, um den Lerneffekt zu verstärken. Gerade seltene Vorfälle wie Maschinenstörungen lassen sich so besser verstehen. Der Kniff dabei ist, dass sensible Daten etwa zu Personen keine Systemgrenzen überschreiten.
Die Industrie 4.0 braucht sie wie der Mensch die Luft zum Atmen: Daten. Doch im Unterschied zum Menschen und seiner Atemluft, produziert die Industrie 4.0 ihre Daten selbst. Doch nicht immer sind die richtigen leicht zu finden und zu erschließen.
Die Industrie 4.0 braucht sie wie der Mensch die Luft zum Atmen: Daten. Doch im Unterschied zum Menschen und seiner Atemluft, produziert die Industrie 4.0 ihre Daten selbst. Doch nicht immer sind die richtigen leicht zu finden und zu erschließen.Bild: Eoda GmbH

Daten bilden die Basis für industrielle Digitalisierungsvorhaben. Obwohl Unternehmen diese Daten selbst produzieren, leiden viele von ihnen an ‚Datennot‘. Die Ursachen dafür sind vielfältig. Eine fehlende oder unzureichende technische Infrastruktur zur systematischen Datenerfassung ist in einigen Industrieunternehmen immer noch eine der größten Hürden. Aber auch in stärker digitalisierten Unternehmen, in denen z.B. die Sensorik an Maschinen und Anlagen täglich große Datenbestände produziert, ist die Datengrundlage oft ein Stolperstein. Dieser zeigt sich beispielsweise in Form von abgeschlossenen Datensilos, die nur einzelnen Abteilungen zur Verfügung stehen. Die Themen Datenhoheit und Datenschutz als regulatorische Basis der Datenverarbeitung, sind hier ein Bremsklotz für das schnelle und umfangreiche Training von Analysemodellen. Auch Konflikte über die Nutzung der Daten zwischen Maschinen- und Komponentenbauern und den jeweiligen Betreibern der Anlagen verringern das tatsächlich vorhandene Datenpotenzial.

Begrenzte Daten

Wenn es um den Einsatz von Data Science in der Industrie geht, landet man beinahe zwangsläufig bei der vorausschauenden Instandhaltung (Predictive Maintenance). Die Prognose von Maschinenstörungen und -ausfällen auf Basis der verfügbaren Sensordaten birgt im Erfolgsfall ein enormes wirtschaftliches Potenzial. Aus Data-Science-Gesichtspunkten sind Maschinenausfälle aber oftmals seltene Ereignisse mit heterogenem Ursprung und die vorhandenen historischen Daten von Störungsfällen sehr begrenzt. Haben die relevanten Daten einen Personenbezug – z.B. zum jeweiligen Maschinenführer – erschwert dies die Nutzung zusätzlich. Die Qualität der für Predictive Maintenance eingesetzten Machine-Learning-Modelle ist aber untrennbar mit der verfügbaren Menge an relevanten Trainingsdaten verbunden. Ist sie unzureichend, kann die Vision der vorausschauenden Instandhaltung unerreichbar bleiben. Dieser Anwendungsfall ist ein prägnantes Beispiel für die Datenhoheit als Herausforderung. Die zentralen Fragen lauten: Wer hat die Hoheit über die Daten und wie können Wege gefunden werden, sodass Maschinenbauer und -betreiber wirklich von den Daten profitieren können?

Federated Learning

Eine mögliche Antwort auf diese Frage ist Federated Learning. Methodisch handelt es sich bei Federated Learning um eine spezielle Technik des maschinellen Lernens. Im Kern geht es um einen Sharing-Economy-Ansatz, der hilft, die Güte von Machine-Learning-Modellen zu verbessern und gleichzeitig Datenschutzbestimmungen einzuhalten. Dabei wird aus einer Vielzahl einzelner Analysemodelle unterschiedlicher Akteure ein zentrales Modell gebildet. Die Lerneffekte dieses Modells fließen schließlich iterativ zurück in die einzelnen Modelle der unterschiedlichen Akteure und verbessern diese dadurch. Durch diesen dezentralen Ansatz steht eine deutlich umfangreichere Datenbasis für das Training der Modelle zur Verfügung, ohne dass diese Daten dafür den Besitzer wechseln müssen – die Herausgabe sensibler Informationen entfällt. Das zentrale Analysemodell erhält nur die Lernergebnisse, also die anonymisierten Parameter der einzelnen Modelle.

Verstärkter Lerneffekt

Durch die Einbeziehung der Informationen aus dem Training einer Vielzahl unterschiedlicher Modelle, wird der entstehende Lerneffekt massiv verstärkt. Verschiedene Analysemodelle können dabei parallel zueinander trainiert werden. Im Vergleich zu einem einzigen Modell und einer begrenzten Datenbasis können Analysemodelle mit Federated Learning deutlich schneller eine höhere Genauigkeit erreichen. Predictive Maintenance ist dabei nur ein mögliches Analyseszenario, für die Verbindung der Analysemodelle unterschiedlicher Maschinenbauer und -betreiber und damit indirekt auch unterschiedlicher Datentöpfe. Durch diese Verbindung kann das Volumen an Trainingsdaten deutlich erweitert und Wissensvorsprünge generiert werden.

Die Datennot lindern

Federated Learning hat das Potenzial, die Time-to-Market sowie die Entwicklungskosten von datengetriebenen Lösungen zu reduzieren. Für Unternehmen mit begrenzter Datenbasis kann der Ansatz zudem ein Türöffner sein. Damit dies gelingen kann, braucht es neben der Infrastruktur auch die Bereitschaft von Industrieunternehmen zur Kooperation. Denn neben Herausforderungen wie der Lastenverteilung und der Modellsicherheit, ist Federated Learning vor allem eine Frage der Geisteshaltung. Umfragen unter Industrievertretern zeigen, dass Technologien wie KI in den Unternehmen angekommen sind. Jedoch hat die digitale Transformation in diesem Bereich in vielen Unternehmen erst begonnen. Alleingänge können dabei schnell an ihre Grenzen stoßen, weshalb eine Investition in eine entsprechende Federated-Learning-Infrastruktur und die Zusammenarbeit mit Lieferanten, und sogar Wettbewerbern attraktiver werden kann, um die Datennot zu lindern. n Manager bei der Eoda GmbH.

www.eoda.de

Firma: eoda GmbH
http://www.eoda.de

MARKT – TRENDS – TECHNIK

Weitere Beiträge

Das könnte Sie auch interessieren

Sicherheit mit System

Die europäische Maschinenrichtlinie fordert jeden Konstrukteur dazu auf, durch sein Maschinendesign das Risiko für Leib und Leben, das von der Maschine ausgeht, auf ein akzeptables Maß zu senken. In der Praxis bedeutet dies, möglichst wenig Zugänge zu den gefährlichen Komponenten oder Prozessen zuzulassen und die unumgänglich verbleibenden Zugänge durch technische Schutzmaßnahmen abzusichern. Welche Rolle dabei die elektrische Reihenschaltung von Sicherheitskontakten einnimmt, erläutert der vorliegende Beitrag.

mehr lesen

In.Stand Digital: Wissenstransfer in besonderen Zeiten

Instandhalter und Serviceingenieure suchen nach Produkten und Lösungen, die sie bei ihren aktuellen Herausforderungen bestmöglich unterstützen können. Dabei ist Wissen gefragt, das im persönlichen Austausch, bei Fachvorträgen, durch Seminare oder in Podiumsdiskussionen vermittelt werden kann. All dies bietet die In.Stand Digital am 21. und 22. Oktober 2020 auf einer Online-Plattform mit virtuellen Messeständen und Live-Programm. 

mehr lesen

Duale Fernverwaltungslösung für IoT-Geräte

Das exponentielle Wachstum von IoT-Geräten führt dazu, dass eine große Anzahl von verbundenen Geräten, auf die an weit verstreuten und entfernten Standorten möglicherweise nur schwer zugegriffen werden kann, effektiv verwaltet und überwacht werden müssen.

Partnerschaft für Cybersicherheit

Schneider Electric hat eine strategische Partnerschaft mit dem Cybersicherheits-Unternehmen Fortinet gestartet, um den Sicherheitsansprüchen von OT-Netzen besser gerecht zu werden.

Cybersicherheit in der Quantentechnologie

Quantencomputer versprechen die Grenzen der Recheneffizienz stark zu erweitern und damit Probleme zu lösen, mit denen heutige Systeme überfordert sind.

Daten werden mehrheitlich für einfache Analysen eingesetzt

85 Prozent der Unternehmen sehen große Bedeutung von Daten für ihr Geschäft, wie eine aktuelle Bitkom-Studie zeigt. Eine gesetzliche Verpflichtung zum Datenaustausch erweist sich demnach als nicht hilfreich, um die Nutzung von Daten zu erleichtern.

Erstes Maintenance-Update abgeschlossen

Die Digitalisierung und Industrie 4.0 prägen derzeit neue Anforderungen an die Automatisierung. Profibus & Profinet International (PI) stellt sich seit Beginn neuen Anforderungen und arbeitet daran, diese in ihren Technologien zu erfüllen.

Siemens und SAP arbeiten an gemeinsamen Lösungen

Im Rahmen der neuen Partnerschaft von Siemens und SAP wollen beide Unternehmen ihre Branchenkompetenz nutzen und ihre sich ergänzenden Softwarelösungen für Product Lifecycle, Supply Chain und Asset Management kombinieren.