ML-Modelle für den Shopfloor – entwickelt von Prozessexperten.
Data Scientists sind knapp, Prozesswissen ist wertvoll. Wir erforschen Werkzeuge und Methoden, die es Produktions- und Instandhaltungsexperten ermöglichen, KI-basierte Analyseworkflows selbstständig zu entwickeln und dauerhaft zu betreiben.
Die Herausforderung: KI ohne Data Science
In produzierenden Unternehmen liegt enormes Datenpotenzial brach – nicht weil die Daten fehlen, sondern weil der Weg vom Rohdatenstrom zum nützlichen ML-Modell zu komplex ist. Der Aufbau eines internen Data-Science-Teams ist für viele KMU schlicht nicht realistisch.
Gleichzeitig verfügen Prozessexperten, Maschinenführer und Instandhalter über tiefes Domänenwissen, das in keinem Datensatz explizit kodiert ist. Dieses Wissen zugänglich und skalierbar zu machen, ist der Kern unserer Forschung.
Unsere Forschungsansätze
Zwei komplementäre Ansätze adressieren die Herausforderung aus unterschiedlichen Perspektiven.
Lo-Code / No-Code ML
Visuelle Analyse-Werkzeuge und AutoML-Methoden ermöglichen es Prozessexperten, ML-Modelle für Qualitätsprüfung, Anomalieerkennung und Prozessoptimierung ohne Programmierkenntnisse zu entwickeln.
Wissensmanagement mit RAG & LLM
Retrieval-Augmented Generation und Large Language Models schaffen konversationellen Zugang zu Betriebs- und Instandhaltungswissen – aus Handbüchern, Fehlerhistorien und internen Dokumentationen.
Transfer in die Praxis
Unsere Forschungsergebnisse werden kontinuierlich in die open.INC Plattform überführt. Ziel ist eine offene, modulare Analyseschicht, die sich nahtlos in bestehende WARE- und DASH-Deployments integriert und Prozessexperten direkt im gewohnten Dashboard-Kontext zugänglich ist.