Künstliche Intelligenz und Datenmanagement

Unsere Arbeiten im Geschäftsfeldthema »KI und Datenmanagement« untergliedern sich in die Felder Data Science und Data Engineering. Im Bereich Data Science entwickeln wir Modelle der künstlichen Intelligenz zur Qualitätsinspektion von Werkstücken und Fertigungsprozessen entlang der PV-Wertschöpfungskette. Dabei integrieren wir unser Know-How aus der KI und der Solarzellenphysik gleichermaßen, um anhand des umfangreichen Messtechnikportfolios schnelle, robuste und interpretierbare KI-Modelle zu entwickeln.

Wir entwickeln für unsere Partner aus der Messtechnik- und Softwareentwicklung, sowie der Solarzellenfertigung neueste KI-Verfahren, wie z.B. (a) Computer Vision Modelle zur Klassifikation und Segmentierung von Defekten und Objekten in 2D und 3D, (b) Methoden der theoriegestützten Datenanalyse und semantischen Datenkompression zur Analyse und effizienten Speicherung hochdimensionaler Daten in Form eines digitalen Zwillings sowie (c) generative Modelle zur Entwicklung beschleunigter und hochaufgelöster Messverfahren z.B. für die Hochdurchsatzfertigung. 

Im Bereich Data Engineering entwickeln wir Metadatenmodelle, Schnittstellen und Softwaresysteme zur Überwachung komplexer Fertigungsabläufe, zur automatisierten Erfassung und Strukturierung von Daten und ihrer Bereitstellung in modernen Datenbankverbünden und testen die Konzepte und Systeme im Laborbetrieb des Fraunhofer ISE. Hierbei werden aktuelle Technologien und Konzepte der Softwareentwicklung eingesetzt wie z.B. Mikro-Service-Architekturen, Container-Konzepte, Virtualisierungsplattformen und DevOps-Strategien.

Die Data Science und Data Engineering Kompetenzen entspringen der PV-Zellfertigung, sind aber technologieunabhängig und können daher in einer Vielzahl von Anwendungsfeldern eingesetzt werden.

… wird am Fraunhofer ISE folgendes Methodenspektrum eingesetzt und kontinuierlich weiterentwickelt:  

• Werkzeugkasten mit KI-Modellen zu unüberwachten und überwachten Lernmethoden
  
• Werkzeuge zum schnellen Deployment der entwickelten KI-Verfahren
• Leistungsfähige NoSQL Datenbanktechnologien: Graph-Datenbanken für die Speicherung von Metadaten und Dokumenten-Datenbanken für die Speicherung von Produktionsdaten
• Werkzeuge für ein innovatives Management von Kontextdaten in Form von dynamisch anpassbaren, »mitwachsenden« Metadatenmodellen 
• Software-Architekturen auf Basis von Mikro-Services, um (a) eine leichte funktionale Erweiterbarkeit, (b) eine hohe Skalierbarkeit und (c) eine klare Trennung der Zuständigkeiten der einzelnen Sofwaremodule zu gewährleisten
• Konsequente Anwendung des Docker-Container-Konzepts bei der Programmierung, um die einzelnen Dienste in einer Virtualisierungsumgebung betreiben zu können
• Umfassende Qualitätssicherung des Codes durch (a) eine definierte und automatisierte Development&Operations (DevOps) Strategie mithilfe von Gitlab, (b) weitreichende Unit-Tests zur Absicherung der funktionellen Anforderungen, (c) die Release-ManagementStrategie Git-Flow zur strukturierten Versionierung, (d) durch ein automatisiertes Deployment mit Hilfe des Kubernetes-Paketmanagers »Helm«

… steht uns am Fraunhofer ISE diese Infrastruktur zur Verfügung:

• Umfangreiche GPU-Server Infrastruktur zum Trainieren der KI-Modelle
• Inline- und Referenzmesstechnik zur effizienten Datenerhebung und zum Modelltraining
• Kubernetes-Server-Cluster als performante Virtualisierungsplattform für (a) ein vollautomatisches, hardwareunabhängiges Ausrollen von Softwarekomponenten, (b) einen effizienten Support im laufenden Betrieb und (c) eine Absicherung der Produktivsoftware gegen Hardwareausfälle

Alle Forschungsprojekte zum Thema »Künstliche Intelligenz und Datenmanagement«