Wenig Daten, viel Erkenntnis: Entwicklung von KI-Anwendungen für Small Data (AI4ScaDa)
Small Data statt Big Data: Mit Hilfe von künstlicher Intelligenz (KI) analysieren Unternehmen ihre großen Datenmengen (Big Data) und versuchen, einen Mehrwert aus ihren Daten zu schaffen. Der Einsatz von KI-Methoden stellt allerdings kleine und mittlere Unternehmen (KMU) vor Herausforderungen. Neben fehlendem Knowhow, fehlender Technologie oder Infrastruktur, kommt hinzu, dass KMU im Vergleich zu großen Unternehmen über wesentlich kleinere Datenmengen, auch Small Data genannt, verfügen. Somit bietet die KI-Entwicklung für Small-Data-Anwendungen, insbesondere für Scarce Data (spärliche Daten), große Chancen und bildet damit auch den Schwerpunkt des Projekts.
Ziel ist es, im Projekt eine KI-Lösung aus einer Informationsfusion und einer interpretierbaren künstlichen Intelligenz (KI) zu erarbeiten. Diese soll flexibel kombinierbar und allgemein einsetzbar sein, was eine Übertragbarkeit von AI4ScaDa in verschiedene Unternehmensstruktur sichert. Auch Datenerhebungen durch Rückkopplung sollen so unterstützt werden.
Datenerhebung durch Rückkopplung – was ist das?
Rückkopplung beschreibt eine Datenerhebung, bei der die Eingabe von Daten auf die optimierte Ausgabe von Daten zurückgeführt wird. Dies bedeutet, dass das System Daten sammelt, um sich selbst zu verbessern.
Ein klassisches Beispiel ist dabei ein Empfehlungsalgorithmus, der bei der Musikplattform Spotify oder dem Streaming-Dienst Netflix genutzt wird. Neuen Nutzenden werden willkürlich Songs oder Filme vorgeschlagen. Das Anklicken, Überspringen oder Abbrechen von Songs merkt sich das System, kann daraus lernen und somit passgenauere Vorschläge machen.
Pflanzenzucht optimieren, verstopfte Flusensiebe verhindern und vieles mehr
Für drei konkrete Anwendungsfälle wird die KI-Lösung im Konsortium entwickelt und zugleich in Hinblick auf Nutzen und Übertragbarkeit überprüft. Miele erprobt in ihrem Anwendungsfall ein datenbasiertes Modell und KI-getriebene Fehlerdiagnosen, welche Verstopfungen des Flusensiebs im Wäschetrockner vorhersagen. GEA wiederum beschäftigt sich mit einem KI-getriebenen Modell, welches Expertenwissen über die Trennung von Flüssigkeiten, zum Beispiel wichtig für die Herstellung von Obstsäften und Weinen, sammelt und zukünftigen Mitarbeitenden zur Verfügung stellt. Im letzten Anwendungsfall arbeitet SU BIOTEC an der Frage, wie KI-Systeme trotz Scarce Data (wenigen Daten) die Pflanzenzucht optimieren können.
Fakten
Projektname
AI for Scarce Data – Maschinelles Lernen und Informationsfusion zur nachhaltigen Nutzung von Labor- und Kundendaten (AI4ScaDa)
Projektlaufzeit
01.04.2022 bis 31.03.2025
Projektvolumen
1,36 Mio. Euro
Projektpartner
