Wissenssnack: Effizientes KI-Training zur Qualitätsüberwachung mittels Active Learning

Aktives Lernen (AL) ist ein Ansatz des maschinellen Lernens, bei dem die Menge der erforderlichen Trainingsdaten bei gleicher oder sogar besserer Leistung des KI-Modells signifikant reduziert wird. Während des Lernprozesses wählt dabei ein KI-Modell die Datenpunkte aus, die den höchsten Informationsgehalt haben. Diese werden anschließend von einem Menschen beschriftet. Durch den gezielten Beschriftungsansatz reduziert sich der manuelle Aufwand erheblich und somit auch die Kosten für die Erstellung eines Modells.

In diesem Wissenssnack geben wir Ihnen einen kompakten Überblick über die Kernprinzipien des Aktiven Lernens. Weiterhin lernen Sie modernste AL-Strategien für Bild- und Zeitseriendatensätze kennen. Anhand von zwei praxisnahen Beispielen – der Holzfehlererkennung und der Werkzeugverschleißerkennung an Fräsmaschinen – zeigen wir auf, wie Aktives Lernen die Daten-Annotation rationalisieren und gleichzeitig die Modellgenauigkeit verbessern kann. Zum Abschluss präsentieren wir einen Demonstrator, der KI-Modelle mithilfe von Aktivem Lernen iterativ von Grund auf trainiert und dabei die Effizienz und Wirkung dieses Workflows verdeutlicht.

Referentin: Akshaya Bindu Gowri, Datenanalysesysteme am Fraunhofer IIS in Dresden