Maschinelles Lernen lernen mit CP Lab/Factory

Conference: AALE 2019 - 16. Fachkonferenz "Autonome und intelligente Systeme in der Automatisierungstechnik"
02/28/2019 - 03/01/2019 at Heilbronn, Deutschland

Proceedings: AALE 2019

Pages: 8Language: germanTyp: PDF

Personal VDE Members are entitled to a 10% discount on this title

Authors:
Schubert, Tobias (Festo Didactic SE, Denkendorf, Deutschland)

Abstract:
Es ist zu beobachten, dass Schlagwörter wie Industrie 4.0 und Digitalisierung in starkem Maße auch auf Gewinnung und Auswertung von Daten abzielen, um damit die Steuerung von Prozessen oder die Qualitätssicherung zu optimieren und somit den Unternehmenserfolg zu maximieren. Plakativ bringt das u.a. der Slogan „Daten sind das neue Gold“ zum Ausdruck. In diesem Zusammenhang nimmt die Aus- und Weiterbildung von Fachkräften, Ingenieuren und Führungskräften gerade auf dem Gebiet „Data Analytics“ eine zentrale Rolle ein: Nur qualifizierte Mitarbeitende werden in der Lage sein, digital vorliegende und komplexe Daten beurteilen, aufbereiten und gewinnbringend einsetzen zu können. An genau diesem Punkt setzt der vorliegende Beitrag an: Es wird ein 4-tägiges Schulungskonzept vorgestellt, das sich dem Thema „Maschinelles Lernen in Aus- und Weiterbildung“ widmet. Der Schwerpunkt liegt dabei auf neuronalen Netzen, da diese in den allermeisten Fällen die algorithmische Basis stellen, wenn von Data Analytics, Cloud Computing, Predictive Maintenance und Deep Learning die Rede ist. Inhaltlich widmet sich der Kurs zunächst der Historie maschinellen Lernens, bevor die Teilnehmenden – nach der Vermittlung der theoretischen Grundlagen – dann beginnen, mit Hilfe von Python eigene neuronale Netze von Grund auf zu implementieren, anzuwenden und auf die gegebene Problemstellung zu optimieren. Der hohe Anteil an praktischen Aufgaben innerhalb des angedachten Kurskonzeptes und insbesondere die Implementierung eines neuronalen Netzes zunächst ohne zusätzliche Bibliotheken bietet den Vorteil, dass die Teilnehmenden im Detail die Funktionsweise und Interna derartiger Netze verstehen und deuten lernen. Dies ist ebenso hilfreich, wenn es darum geht, leistungsstarke Bibliotheken wie Keras/TensorFlow effizient zu nutzen. Weiterhin kann so die mitunter vorherrschende „Scheu“ vor maschinellen Lernverfahren („das ist nur etwas für Mathe-Freaks“) abgebaut und der Blick auf Einsatzgebiete und Potenzial neuronaler Netze geschärft werden.