Das Modul KI in der Produktion soll Studierenden die praxisnahe, ganzheitliche Integration von Verfahren des Maschinellen Lernens und der Anwendung von künstlicher 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 "Seminar Anwendung Künstliche Intelligenz in der Produktion" zielt auf die praktische Integration von aktuellen Verfahren des Maschinellen Lernens anhand realitätsnaher industrieller Use-Cases ab. Der inhaltliche Rahmen der Lehrveranstaltung ergibt sich durch die ganzheitliche, praktische Umsetzung eines KI-Projektes in der Produktion. Es werden zunächst die notwendigen Deep-Learning-Programmiergrundlagen anhand des Software-Packages Keras vermittelt. Im Anschluss werden praxisrelevante Use-Cases definiert, die es mit den Methoden des Maschinellen Lernens und speziell des Deep-Learnings praktisch umzusetzen gilt.

Lernziele:

Die Studierenden

•  sind in der Lage, ein praktisches Problem in der Produktion selbstständig hinsichtlich der Anwendung von Verfahren des Maschinellen Lernens zu analysieren.
• können gängige Deep-Learning-Algorithmen selbstständig auf praktische Datensätze anwenden, validieren und die Ergebnisse analysieren.
• verstehen die Herausforderungen bei dem Einsatz von Deep-Learning-Verfahren in der Produktion.
• kennen die wichtigsten Handlungsfelder und offenen Forschungsfragen zur erfolgreichen Implementierung von KI in der Produktion und zur Umsetzung von autonomen Maschinen.
• sind in der Lage, Ergebnisse von gängigen Deep-Learning-Verfahren zu beurteilen und basierend darauf, Lösungsvorschläge (aus dem Bereich des Maschinellen Lernens) praktisch auszuarbeiten und praktisch anzuwenden.

Arbeitsaufwand:

Präsenzzeit: 21 Stunden
Selbststudium: 99 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/).

Das Seminar wird erstmals im SS 2023 angeboten.

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.