Regionalkreis Stuttgart
Präsenz Veranstaltung: Qualifizierung von KI-Anwendungen in der QS
KI-Anwendungen wird auch in der Qualitätssicherung ein hohes Potential zugesprochen. Damit deren Einsatz zuverlässig erfolgen kann, ist eine entsprechende Qualifizierung notwendig. Aus diesem Grund beschäftigen wir uns bei dieser Veranstaltung zum einen mit einem allgemeinen Vorgehen zur Absicherung von KI-Anwendungen in der Produktion und zum anderen mit der Generierung synthetischer Daten für das Training von AOIs.
Im ersten Teil skizziert Lena Lörcher das allgemeine Vorgehen zur Qualifizierung und Absicherung von KI-Anwendungen in der Produktion über deren gesamten Lebenszyklus. Dabei werden grundlegende Kriterien und Methoden zu Datenqualität, Validierung, Robustheit, Nachvollziehbarkeit und Monitoring adressiert. Zudem wird das Projekt AIQualify vorgestellt, indem ein modulares Framework entwickelt wurde, das die systematische Bewertung von ML-basierten Qualitätsprüfungen unterstützt.
Im zweiten Teil stellt Bernd Meese einen Ansatz zur Generierung von Schlechtteildaten für AOIs vor: Bei der Einrichtung automatischer optischer Inspektionssysteme (AOI) verfügen Unternehmen oft über zu wenig Schlechtteile, um einen robusten Datensatz für das Training einer KI aufbauen zu können. Um die Vorteile neuronaler Netze dennoch nutzbar zu machen, wurde am Fraunhofer IPA eine Pipeline entwickelt, die es ermöglicht, realistisch aussehende Bilder defekter Produkte synthetisch zu erzeugen. Für das Training einer KI genutzt, können anschließend reale Defekte zuverlässig erkannt werden. Beispiele hierfür sowie weitere Anwendungsmöglichkeiten der Pipeline für synthetische Bilder werden vorgestellt.
Ablauf:
18:00 Uhr Begrüßung
18:05 Uhr Lena: Allgemeines Vorgehen zur Absicherung von KI-Anwendungen in der Produktion/ Bericht AI Qualify (Marco hat auch schon Folien dazu vom Q-Tag in Frankfurt)
18:30 Uhr Bernd: Generierung synthetischer Daten für das Training/ Verifizierung von AOIs
18:55 Uhr Fragerunde und Diskussionsrunde
Anschließend Demonstrator-Beispiel (aus AIQualify) im Vorraum und Get-Together (Getränke).
