Methoden der Künstlichen Intelligenz (KI) und des Maschinellen Lernens (ML) werden unseren Umgang mit Cyber-Physischen Systemen (CPS) wie z.B. Produktionssysteme, autonome Fahrzeuge, Schiffe & Häfen, Luftfahrt, Logistikketten oder Smart Cities entscheidend verändern: Mittels maschineller Lernverfahren werden beispielsweise Systemmodelle autonom erlernt, Wartungsaktivitäten geplant oder Diagnosen durchgeführt.
Airbus Defence and Space ist maßgeblich am Betrieb, der Wartung und der Weiterentwicklung des europäischen Teils der Internationalen Raumstation (ISS), dem Columbus-Modul, beteiligt. Im Falle einer beobachteten Anomalie benachrichtigt das Columbus Control Center (Col-CC) einen zuständigen Experten bei Airbus. Die manuelle Überwachung, aber auch die Analyse und Behebung von Problemen, ist angesichts der Systemkomplexität und Vielzahl an Sensordaten oft zeit- und kostenintensiv. Im Projekt (K)ISS arbeiten Forscher der Bundeswehruniversitäten Hamburg und München eng mit Airbus und der auf KI-Software spezialisierten Firma Just Add AI zusammen, um eine passende KI-gestützte Systemlösung zu entwickeln. Diese kann Anomalien erkennen, erklären und Gegenmaßnahmen vorschlagen. So können sowohl die Arbeiten im Betrieb und in den Support-Teams effizienter werden als auch komplexe, manuell schwer zu erkennende Probleme, besser erkannt werden. Die entwickelte Software soll darüber hinaus schnell und einfach auf neue Problemfelder rekonfigurierbar sein, z.B. für anstehende Raumfahrtmissionen wie neue Raumstationen/Fahrzeuge, aber auch den Betrieb von Habitaten auf dem Mond oder später dem Mars.
Künstliche Intelligenz ist ein allgegenwärtiger Bestandteil unseres Lebens. Die Anwendung und Verbreitung dieser Technologie wird dabei primär von großen IT-Unternehmen vorangetrieben, während traditionelle Unternehmen stark auf ihre Domänenexpertise beruhen und kleinen Unternehmen häufig die Ressourcen fehlen, um neue Technologien signifikant zu fördern. EU-weit haben kleine und mittlere Unternehmen wichtige technologische und ökonomische Positionen, sodass die Bereitstellung und Integration von Künstlicher Intelligenz für diese ein wichtiger Baustein für die Gesamtwettbewerbsfähigkeit der europäischen Wirtschaft ist. Wir zeigen Einsatzmöglichkeiten für Künstliche Intelligenz auf, behandeln sowohl Hürden als auch Enabler für die Umsetzung von Vorhaben im produzierenden Mittelstand und verdeutlichen dies anhand eines Fallbeispiels.
Das Erstellen und Training eines Machine Learning (ML) Models stellt nur einen relativ kleinen Teil der Komplexität dar, die darin liegt ML-Modelle produktiv zu nutzen. Themen wie die Versionierung von Modellen und deren Trainingsdaten, Reproduzierbarkeit und Validierung der Modellergebnisse stellen dagegen einen Großteil der Komplexität dar. Mit dem Begriff MLOps werden eine Reihe von Praktiken bezeichnet, die diesen Komplexitäten begegnen sollen. In den letzten Jahren sind eine ganze Reihe von Technologien und Werkzeugen entstanden, die dabei helfen sollen, die Gedanken des MLOps umzusetzen. In diesem Beitrag stellen wir einerseits Herausforderungen bei der Produktivsetzung von ML-Modellen und aktuelle Lösungsansätze aus dem MLOps dar. Anderseits präsentieren wir als konkretes Beispiel die Systemarchitektur, die wir im (K)ISS Projekt verwenden, um mit ML-Modellen die Telemetriedaten der Internationalen Raumstation (ISS) zu analysieren.