Prozessexperten als Modellentwickler – KI ohne Code.
Wir erforschen, wie visuelle Werkzeuge und geführte ML-Pipelines es Fachkräften im Shopfloor ermöglichen, aussagekräftige Analysemodelle eigenständig zu entwickeln und zu pflegen – ohne Programmier- oder Data-Science-Kenntnisse.
Warum Lo-Code / No-Code für ML?
Klassische ML-Entwicklung erfordert Kenntnisse in Python, Statistik und Datenaufbereitung – Kompetenzen, die in produzierenden Unternehmen selten sind. Prozessexperten hingegen wissen, welche Signalmuster auf einen bevorstehenden Ausfall hindeuten, welche Parameterkombinationen die Qualität beeinflussen und welche Ausreißer im Datenstrom bedeutsam sind.
Lo-Code/No-Code ML überbrückt diese Lücke: Domänenwissen wird direkt in Modellstruktur und Trainingslogik überführt, ohne dass eine programmatische Schnittstelle passiert werden muss.
Unser Forschungsansatz
Drei Kernkomponenten bilden das Fundament unseres Ansatzes.
- Visuelle Pipeline-Builder: Drag-and-Drop-Oberflächen zur Komposition von Vorverarbeitungs-, Feature-Engineering- und Modellbausteinen
- Guided AutoML: Kontextabhängige Modellauswahl und Hyperparameteroptimierung auf Basis von Prozesscharakteristika und definierten Zielgrößen
- Erklärbarkeit & Validierung: Domänenverständliche Modellbeschreibungen, die Experten eine fundierte Qualitätsbewertung ohne statistisches Vorwissen ermöglichen
Anwendungsfelder
- Qualitätssicherung: Inline-Klassifikation von Ausschussteilen anhand von Sensor- und Bilddaten
- Anomalieerkennung: Frühzeitige Identifikation ungewöhnlicher Betriebszustände an Maschinen und Anlagen
- Prozessoptimierung: Korrelationsanalysen zwischen Stellgrößen und Qualitätskennzahlen
- Energiemanagement: Verbrauchsprognosen und Einsparpotenzialanalysen für Fertigungslinien
Einbettung in das open.INC Ökosystem
Die erforschten Werkzeuge werden als Analysemodul direkt in open.DASH und open.WARE integriert. Prozessexperten erhalten so Zugang zu ML-Funktionalität im gewohnten Dashboard-Kontext – ohne Systemwechsel und ohne zusätzliche IT-Hürden.