Kolloquium

Am Mittwoch, den 11. Dezember 2024, um 14:00 Uhr hält

Jonas Kallisch, Universität Oldenburg
im Rahmen seiner beabsichtigten Dissertation einen Vortrag mit dem Titel

Föderiertes Lernen in industriellen Wertschöpfungsnetzwerken
 

Der Vortrag findet hybrid statt:

OFFIS, Escherweg 2, Raum F02 und bbb.offis.de/rooms/pje-jbo-c6r-soi/join
 

Abstract:
Die Digitalisierung hat industrielle Wertschöpfungsnetzwerke stark verändert. Durch die Einführung von maschinellem Lernen und anderen Technologien sowie durch die verbesserte Verfügbarkeit von Sensoren und betrieblicher Datenerfassung konnten Unternehmen enorme Effizienzgewinne erzielen. In der Regel findet die Datenanalyse der Produktionssysteme jedoch nur innerhalb der jeweiligen Unternehmen
statt, ohne dass ein Austausch von Daten zwischen den Fertigungssystemen der Lieferkette erfolgt. Die Ursache hierfür liegt in vielen Fällen in einer gewollten Intransparenz. Beim Austausch von Daten aus Produktionssystemen stehen Unternehmen vor einem Dilemma. Einerseits sollen wertvolle Informationen, wie beispielsweise einzigartige Produktionsverfahren oder Bestandteile von Produkten, geschützt werden. Andererseits bietet die unternehmensübergreifende Analyse von Produktionssystemen wirtschaftliche Vorteile, wie etwa eine Reduktion von Ausschuss infolge eines besseren Prozessverständnisses. 

Bisherige Verfahren und Konzepte basieren entweder auf einer vertraglichen Reglementierung des Austauschs von Rohdaten oder auf einer bewussten Manipulation der zur Analyse bereitgestellten Datensätze. Diese Ansätze sind entweder vertrauensbasiert oder nur für Datenstrukturen mit ausreichender Varianz anwendbar. Zudem gibt es nur wenige Arbeiten, die sich mit der Umsetzung in realen Anwendungsfällen beschäftigen, was die Anwendbarkeit weiter einschränkt. Vor diesem Hintergrund bietet die Nutzung von Methoden des Föderierten Lernens (FL) eine vielversprechende Lösung. FL ist ein innovativer Ansatz, bei dem maschinelle Lernmodelle über dezentrale Datenbestände hinweg trainiert werden, ohne dass diese Daten direkt ausgetauscht werden. In industriellen Wertschöpfungsnetzwerken könnte insbesondere das vertikale Föderierte Lernen (vFL) genutzt werden, da dieses Verfahren Datenquellen mit unterschiedlichen Merkmalen integrieren kann. Dadurch können datenschutzkritische Informationen, wie etwa Produktionszeiten, geschützt werden, da sie nicht offengelegt werden müssen.

Trotz der vielversprechenden Eigenschaften von FL fehlen bislang umfassende Untersuchungen zur praktischen Anwendung in realen Produktionssystemen. Bisherige Arbeiten zu FL beziehen sich häufig auf andere Branchen. Zudem existieren nur sehr wenige Studien zum spezifischen Teilbereich des vFL. Diese Arbeit analysiert die Potenziale des Föderierten Lernens in industriellen Wertschöpfungsnetzwerken  anhand von Fallstudien mit Praxispartnern und entwickelt ein Architekturkonzept, das prototypisch umgesetzt wird. Anhand dieser Umsetzung soll die Leistungsfähigkeit zentralisierter und föderierter Modelle in  einem industriellen Kontext validiert werden. Ziel der Arbeit ist es, einen Ansatz zur Verbesserung der unternehmensübergreifenden Datenanalysen zu entwickeln.
 

Betreuer: Prof. Dr.-Ing. Jorge Marx Gómez