Treffer: Automated Machine Learning mit DataRobot für einen daten-effizienten Trainingsprozess von Deep Learning Modellen in der visuellen Qualitätsprüfung ; Automated machine learning with DataRobot for a data-efficient training process of deep learning models in visual quality inspection

Machine Learning (ML) und Deep Learning (DL) als Teilgebiet von künstlicher Intelligenz (KI) haben in verschiedensten Branchen und Einsatzbereichen stark an Bedeutung gewonnen und wurden ein wichtiger Bestandteil automatisierter Qualitätsprüfungen. Für den erfolgreichen Einsatz von KI im Qualitätsmanagement müssen zahlreiche Hürden, wie das Auffinden optimaler und genauer DL-Modelle, oder mangelndes Data-Science-Knowhow von Domainexperten, wie beispielsweise von Wirtschaftsingenieuren, überwunden werden. In dieser Arbeit wurde die Verwendung cloudbasierter und automatisierter Machine Learning (AutoML) Lösungen für die Anwendung in der Qualitätsprüfung untersucht. Dabei wurde gezeigt, dass ML-as-a-service (MLaaS) Lösungen, wie die AutoML Plattform DataRobot (DR), Fachexperten mit geringen Data-Science-Kenntnissen bei der Erstellung und Bewertung komplexer Modelle helfen können. Es wurde die Hypothese untersucht, ob mit AutoML leistungsfähigere Modelle mit weniger Daten im Vergleich zu jenen von Nicht-Data-Scientists in Python erstellten, wie von Panzitt , erstellt werden können. Im Rahmen dieser Arbeit wurden DL-Modelle und Ergebnisse des Transfer Learning (TL) mit Python-Bibliotheken am Beispiel der Panzitt Arbeit, einem Ansatz des AutoML mit automatischer Modelauswahl und Hyperparameteroptimierung, gegenübergestellt.Das Experiment bestätigte die Handlungsempfehlungen der vorangegangenen Arbeit, welche aufgetretene Herausforderungen bezüglich der nicht-Verteilbarkeit durch die Python Lösung und die beschränkte Rechenleistung mittels einer cloudbasierter AutoML Plattform, wie DR, zu bewältigen empfiehlt. Es konnte eine Datenreduktion von 99 Prozent und Erhöhung der Vorhersagegenauigkeit um 17,07 Prozent, gemessen am F1-Score, im Vergleich zur Panzitt Arbeit erzielt werden.Weitere Verbesserungen durch die manuelle Konfiguration der Hyperparameter, Architektur, Granularität und Erweiterung der Datenquelle durch Datenaugmentation (DA) erhöhten den F1-Score nicht und erreichten somit keine weitere Datenreduktion. Die ...