Unternehmen sind aktuell sehr bestrebt, ihr Datenkapital für zukunftsfähige intelligente Produkte und eine nachhaltige Wertschöpfung nutzbar zu machen. Mit Hilfe von Künstlicher Intelligenz (KI) analysieren sie ihre großen Datenmengen (Big Data) und versuchen, einen Mehrwert aus ihren Daten zu schaffen. Mittelständische Unternehmen, insbesondere KMU, haben jedoch im Vergleich zu großen Plattform-Unternehmen wesentlich kleinere Datenmengen verfügbar, sogenannte Small Data. Diese oft spärlichen Datenmengen (Scarce Data), wie bspw. Labordaten, Leistungsdaten von Maschinen, Personenwissen (Berichte) sowie Gerätenutzungsdaten, besitzen für die Unternehmen einen hohen Wert, da dort Informationen über ihre Produkte und Prozesse sowie deren Leistungsfähigkeit und Innovationspotenzial enthalten sind. Das Projekt entwickelt eine KI-Lösung, bestehend aus einer Informationsfusion und einer interpretierbaren KI in modularer Form, die zudem durch eine Rückkopplung eine weitere Datenerhebung, z.B. im Labor, unterstützt. Die Lösungen werden im Konsortium in die Anwendung überführt, wobei verschiedene wirtschaftliche Ziele der Partner verfolgt werden, wie u.a. eine Produkt und Verfahrensauslegung für die Pflanzenzucht, eine Produkt- und Prozessauslegung für Separatoren und eine Diagnoseunterstützung für vernetzte Systeme.

Viele Innovationen der Unternehmen aus OWL entspringen aus zukunftsfähigen Ideen, die durch oder mit Experimenten, Laborversuchen und durch Prototypen im realen Einsatz entstehen oder entwickelt werden. Dabei werden gezielt Daten erhoben, die zur Auslegung, Bewertung und Erprobung der Innovationen dienen. Eine Erhebung dieser Daten ist aufgrund hoher finanzieller und zeitlicher Aufwendungen oder einer fehlenden Reproduzierbarkeit nur eingeschränkt möglich, weshalb es sich bei den Daten in den meisten Fällen um Scarce Data (Juwelen der Unternehmen) handelt, in denen jedoch wichtige Informationen über das Verhalten und die Leistungsfähigkeit dieser Innovationen enthalten sind. Im Gegensatz zu Big Data steht Scarce Data für wenige und gleichzeitig präzise Daten, die in unterschiedlichen Formaten (heterogene Daten) auftreten können. Das Projekt AI4ScaDa nutzt dieses Innovationsfeld und erforscht spezielle Methoden des ML, um den Nutzen der geringen und oftmals heterogenen Daten gewinnbringend einzusetzen. Herausforderungen bestehen darin, dass KI-Systeme stark von der Qualität und Quantität der Daten abhängen. Verzerrungen, die in den Trainingsdaten vorhanden sind, spiegeln sich nach der Lernphase bei der Inferenz wider. Obwohl KI-Systeme statische Korrelationen aus enormen Daten erlernen können, haben sie kein Verständnis von kausalen Zusammenhängen. Wo nur sehr spärliche Daten vorhanden sind, kann eine Großzahl der KI-Verfahren nur schwer mit menschlicher Expertise mithalten.

Das Projekt AI4ScaDa verfolgt sowohl eine wirtschaftliche und nutzenorientierte als auch eine methodische Zielstellung. Dabei werden Anwendungsfälle fokussiert, die durch Scarce Data und heterogene Datenquellen geprägt sind. Durch Anwendungsfälle der beteiligten Partnerunternehmen SAATEN-UNION BIOTEC GmbH, GEA Westfalia Separator Group GmbH und Miele & Cie. KG wird der Nutzen und die Übertragbarkeit der erarbeiteten Lösung bestätigt. Dabei werden (i) eine Produkt- und Verfahrensauslegung für die Pflanzenzucht, (ii) eine Produkt- und Prozessauslegung für Separatoren und (iii) eine Diagnoseunterstützung für vernetzte Systeme fokussiert. Alle Anwendungen haben zum Ziel, Labordaten, gepaart mit weiteren Datenquellen, für zukunftsfähige innovative Produkte und Services gewinnbringend einzusetzen. Dafür verfolgt das Vorhaben ein übergeordnetes methodisches Ziel, indem eine KI-Lösung aus einer Informationsfusion und einer interpretierbaren KI modular und in generalisierter Form erarbeitet wird, die zudem durch eine Rückkopplung die Datenerhebung, z.B. im Labor, unterstützt.

Die gezielte Erfassung und Analyse von Daten ist für Unternehmen essenziell, um Produkte und Prozesse zu optimieren und wertvolles Expertenwissen zu bewahren. Hierfür wurde ein KI-gestützter Workflow entwickelt und unter  https://doi.org/10.5281/zenodo.15598391  als Softwarebaustein veröffentlicht, der Unternehmen dabei unterstützt, mit wenig Daten präzise Modelle zu trainieren. Im Workflow sind numerische und kategoriale Eingangsgrößen durchgängig integriert und er ist sowohl zur Regression als auch zur Klassifikation einsetzbar. Zu Beginn kann ein raumfüllender Versuchsplan erzeugt werden, um mit Versuchen den zu approximierenden Zusammenhang zu explorieren. Die durchgeführten Versuche können durch Expert:innen in einer grafischen Benutzeroberfläche gelabelt werden, um einen initialen gelabelten Trainingsdatensatz zu erzeugen. Anhand dieses Trainingsdatensatzes kann ein intrinsisch interpretierbarer Entscheidungsbaum trainiert werden, der durch Active Learning iterativ anhand von weiteren durchzuführenden Versuchen gezielt verbessert wird. Zur Untersuchung der erlernten Zusammenhänge und zur Vorhersage neuer ungelabelter Datenpunkte wird der Baum sowie dessen Vorhersageentscheidung grafisch visualisiert. Die einzelnen Komponenten des Workflows sind so gestaltet, dass sie sowohl unerfahrenen als auch erfahrenen Nutzer:innen eine intuitive Bedienung ermöglichen. Detailliertere Informationen zum Workflow können dem beigefügten Manual entnommen werden.

Das Potenzial des entwickelten Workflows wurde anhand der Anwendungen in den beteiligten Unternehmen nachgewiesen. Dabei wurden unterschiedliche wirtschaftliche und nutzenorientierte Zielstellungen verfolgt. Für SU BIOTEC erzeugt AI4ScaDa einen wirtschaftlichen Nutzen, indem die Verfahren zur Produktion von neuen Ausgangsmaterialien für die Pflanzenzucht auf der Grundlage von Scarce Data (Daten aus bspw. Labor und Gewächshaus) optimiert und vereinfacht werden. Diese Innovation trägt maßgeblich zu einer ökologischen Nachhaltigkeit für Mensch und Umwelt bei, indem Pflanzen schneller an klimatische Veränderungen adaptiert werden und dadurch das Ökosystem positiv beeinflussen. Für GEA werden Labordaten effizient nutzbar gemacht, was dazu führt, dass Maschinen (Zentrifugen) ressourceneffizient an Kundenanforderungen angepasst werden. AI4ScaDa als Service trägt dazu bei, dass Material geschont und der Energieverbrauch der Maschinen reduziert werden. Miele wird mit dem fusionsbasierten KI-Workflow Labordaten aus bspw. Produktversuchen mit Gerätenutzungsdaten anreichern, um damit eine Diagnoseunterstützung für schwer identifizierbare Situationen zu erzielen, was gleichzeitig Kundendiensteinsätze reduziert und die Produktlebenszyklen ausweitet. Durch den Einsatz von AI4ScaDa werden in Summe Unternehmen befähigt, einen höheren Autonomiegrad bei der Nutzung von Scarce Data zu erlangen und damit ökologische und ökonomische Nachhaltigkeitsaspekte zu adressieren.