Das Modul KI in der Produktion soll Studierenden die praxisnahe, ganzheitliche Integration von Verfahren des Maschinellen Lernens und der künstlichen Intelligenz in der Produktion vermitteln. Die Veranstaltung orientiert sich hierbei an den Phasen des CRISP-DM Prozesses mit dem Ziel, ein tiefes Verständnis für die notwendigen Schritte und inhaltlichen Aspekte (Methoden) innerhalb der einzelnen Phasen zu entwickeln. Hierbei liegt der Fokus neben der Vermittlung der praxisrelevanten Aspekte zur Integration der wichtigsten Verfahren des Maschinellen Lernens vor allem auf den notwendigen Schritten zur Datengenerierung und Datenaufbereitung sowie der Implementierung und Absicherung der Verfahren im industriellen Umfeld.

Die Lehrveranstaltung "Künstliche Intelligenz in der Produktion" behandelt hierbei die theoretischen Grundlagen in einem praktischen Kontext. Hierbei werden die sechs Phasen des CRISP-DM Prozesses sequenziell durchlaufen und die notwendigen Grundlagen zur Implementierung der jeweiligen Phasen vermittelt. Die Veranstaltung behandelt zunächst die im Produktionsumfeld vorherrschenden Datenquellen. Daran anschließend werden Möglichkeiten zur zielführenden Datenaufnahme sowie zum Datentransfer und zur Datenspeicherung eingeführt. Möglichkeiten zur Datenfilterung und Datenvorverarbeitung werden diskutiert und auf die produktionsrelevanten Aspekte hingewiesen. Die Veranstaltung behandelt anschließend im Detail die notwendigen Algorithmen und Verfahren zur Implementierung von KI in der Produktion, bevor Techniken und Grundlagen zur Verstetigung der Modelle in der Produktion (Deployment) diskutiert werden.

Lernziele:

Die Studierenden

• verstehen die Relevanz für die Anwendung von KI in der Produktion und kennen die wichtigsten Treiber und Herausforderungen.
• verstehen den CRISP-DM Prozess zur Implementierung von KI Projekten in der Produktion.
• können die wichtigsten Datenquellen, Datenaufnahmeverfahren, Kommunikationsarchitekturen, Modelle und Verfahren zur Datenverarbeitung nennen.
• verstehen die wichtigsten maschinellen Lernverfahren und können diese gegeneinander abgrenzen sowie im Kontext von industriellen Fragestellungen auswählen.
• sind in der Lage zu beurteilen, ob eine spezifische Fragestellung im Kontext der Produktion zielführend mit den Methoden des Maschinellen Lernens gelöst werden kann sowie welches die notwendigen Schritte zur Umsetzung sind.
• können weiterhin die wichtigsten Herausforderungen beurteilen und mögliche Ansätze zur Lösung nennen.
• sind in der Lage, die Phasen des CRISP-DM auf eine Problemstellung in der Produktion anzuwenden.
• kennen die notwendigen Schritte zum Aufbau einer Daten-Pipeline und sind dazu in der Lage, eine solche Daten-Pipeline theoretisch im Kontext eines realen Anwendungsfalles aufzubauen.
• sind in der Lage, Ergebnisse von gängigen Deep-Learning-Verfahren zu beurteilen und basierend darauf Lösungsvorschläge (aus dem Bereich des Maschinellen Lernens) theoretisch auszuarbeiten und theoretisch anzuwenden.

Arbeitsaufwand:

MACH:
Präsenzzeit: 31,5 Stunden
Selbststudium: 88,5 Stunden
WING:
Präsenzzeit: 31.5 Stunden
Selbststudium: 118,5 Stunden

Skript zur Veranstaltung wird über Ilias (https://ilias.studium.kit.edu/) bereitgestellt.

Lecture notes will be provided in Ilias (https://ilias.studium.kit.edu/).

Vorlesungstermine freitags 14:00 Uhr, Übungstermine freitags 15:45 Uhr.
Bekanntgabe der konkreten Übungstermine erfolgt in der ersten Vorlesung.

Zur Vertiefung des im Rahmen der Lehrveranstaltung erworbenen Wissens werden die theoretischen Vorlesungseinheiten durch Praxiseinheiten im Umfeld der Karlsruher Forschungsfabrik (https://www.karlsruher-forschungsfabrik.de) unterstützt.

The theoretical lectures are complemented by practical lectures in the Karlsruhe Research Factory (https://www.karlsruher-forschungsfabrik.de/en.html) to deepen the acquired knowledge.