Zurück

Von der Spielwiese in die Umsetzung – Deployment von ML in der Batteriefertigung

Machine Learning bietet das Potenzial, Produkte, Prozesse und Maschinen in Produktionssystemen zu optimieren. Entscheidende Schritte auf dem Weg zu einem funktionierenden und wertschöpfenden ML-Modell sind die Auswahl des Anwendungsfalls, die Datenaufbereitung, das Training, das Deployment und die Zertifizierung der Lösung.

In diesem Vortrag stellen wir einen Leitfaden für das Deployment von ML-Modellen im Batteriefertigungsbereich vor. Diese umfasst die Competence Analysis, das Deployment Design, das Productionizing und Testing, das Monitoring sowie das Retraining.

Wir validieren den Leitfaden anhand von Best Practices aus der Batteriezellfertigung, die auch Lessons Learned beinhalten.

Vorkenntnisse

Grundkenntnisse in ML/KI

Lernziele

Einblicke in die Besonderheiten beim Einsatz von ML-Modellen in Produktionsumgebungen
Kennenlernen einer praxisorientierten und generischen Deployment-Guideline zur Verfügbarmachung von ML-Modellen in der Produktionsumgebung
Austausch von Erfahrungen hinsichtlich der Deployability durch Präsentation von Best Practices aus der Batteriezellfertigung

Speaker

Antje Fitzner studierte Physik und promovierte in Geophysik. Nach mehreren Jahren als Teamleitung Data Science einer Firma, die ML-Module entwickelt, ist sie jetzt Data Scientist bei der Fraunhofer-Einrichtung Forschungsfertigung Batteriezelle (FFB). Zu ihren Kernthemen gehören die Konzeptionierung und Umsetzung von KI/ML-Anwendungen, der Digitale Zwilling und die datenbasierte Produktionsoptimierung.

Alexander Kies studierte Wirtschaftsingenieurwesen an der RWTH Aachen und arbeitet seit 2020 als Wissenschaftlicher Mitarbeiter der Abteilung Produktionsqualität am Fraunhofer-Institut für Produktionstechnologie IPT in der Gruppe Automated Machine Learning. Im Fokus seiner Arbeit liegt der Einsatz von digitalen Zwillingen und die Integration von ML-Modellen zur Optimierung der Produktion.

Jetzt Tickets sichern