Datenzentrierte Künstliche Intelligenz für ein prädiktives Qualitätsmanagement in der Automobilindustrie (DZKI-PQ)

Der zunehmende Kostendruck im Zuge der Globalisierung, die steigende Variantenzahlen bei zugleich verkürzten Produktlebenszyklen stellen das gesamte produzierende Gewerbe vor große Herausforderungen. Zudem führt das erhöhte Qualitätsbewusstsein der Kunden dazu, dass Unternehmen im Bereich des Qualitätsmanagements nach innovativen Ansätzen suchen müssen, um Lösungen für das zunehmend komplexer werdende Spannungsfeld aus Zeit, Kosten und Qualität zu finden. Eine Möglichkeit, den erhöhten Anforderungen künftig besser gerecht zu werden, stellt der Einsatz von Machine Learning zur Qualitäts- und Effizienzsteigerung in der Produktion dar. Dass derzeit laut einer Studie des McKinsey Global Instituts (MGI) nur etwa 20 bis 30% des Potentials von Machine Learning Anwendungen in der Produktion ausgeschöpft werden [73], ist unter anderem auf die enorme Bandbreite an Herausforderungen zurückzuführen, die bewältigt werden müssen, um ein Machine Learning Projekt erfolgreich in der Praxis durchzuführen. Aus diesem Grund wird bei der Durchführung von Machine Learning Projekten in vielen Fällen auf Vorgehensmodelle zurückgegriffen. Bei herkömmlichen Vorgehensmodellen spielt der Transfer einer geschäftlichen in eine Machine Learning Aufgabenstellung (Use-Case-Machine-Learning-Fit), die Optimierung der Daten für einen Anwendungsfall (Use-Case-Data-Fit) sowie eine strukturierte Vorgehensweise bei der Projektdurchführung (Machine-Learning-Data-Fit) bislang eine untergeordnete Rolle. Dabei belegen zahlreiche Untersuchungen [47], dass insbesondere eine Optimierung des Use-Case-Data-Fits einen weitaus größeren Einfluss auf die Vorhersagegenauigkeit ausüben kann als die Hyperparameteroptimierung eines x-beliebigen Machine Learning Modells. [79] Aus diesem Grund wurde in der vorliegenden Arbeit das neue Vorgehensmodell DZKI-PQ (Daten-Zentrierte Künstliche Intelligenz für ein Prädiktives Qualitätsmanagement) entwickelt. Das Vorgehensmodell verfolgt das Ziel, die Leistungsfähigkeit von Machine Learning Modellen durch eine Optimierung des Use-Case-Machine-Learning-Fits, des Use-Case-Data-Fits und des Machine-Learning-Data-Fits zu steigern. Anhand eines konkreten Fallbeispiels aus der Fahrzeugmontage wird nachgewiesen, dass sich die Leistungsfähigkeit von Machine Learning Modellen durch die Anwendung des Vorgehensmodells DZKI-PQ um bis zu 30% steigern lässt.