Skalierbare KI-Landschaft zur Qualitätsbestimmung von Holz

Um diese Problemstellung zu lösen schlägt craftworks ein ganzheitliches System vor, welches sowohl aus individuell gefertigten KI-Modellen als auch bestehenden Produkten besteht und somit eine genaue, robuste und skalierbare Lösung bietet.
Die Lösung gliedert sich in mehrere Stufen, auf deren Basis die Auswertung des Holzes geschieht.
Zuerst wird eine relevante Datenbasis geschaffen. Auf der einen Seite werden bestehende Informationen wie Messsensoren und Benutzereingaben aufgezeichnet. Weiters wird ein kamerabasiertes System ausgelegt und installiert, das mit Hilfe von 4-5 Kameras den Baumstamm aufnimmt. Hier wird bei der Wahl der Kameras besonders auf die Anforderung, in einem feuchten und staubigen Arbeitsumfeld verlässlich zu funktionieren, geachtet. Diese Datenbasis wird mittels einer performanten Datenpipeline verarbeitet und gewartet.
Auf Basis der in Phase 1 aufgebauten Datenpipeline wird in Phase 2 ein selbstlernendes KI Modell entwickelt. Hierzu wird ein Supervised Deep Learning Ansatz genutzt um auf Basis der Messdaten (vor allem jener der Kameras) die vom Anlagenbediener erfassten Klassifizierungen vorherzusagen.
Für das KI System als sehr unterstützend haben sich in vergangen Projekten Messdaten anderer Sensoren wie Stammdurchmesser, -länge, -krümmung und Abholzigkeit erwiesen, da diese über Kamerasysteme oft nur schwer erfasst werden können und oftmals bereits bei den Anlagen vorliegen.
Das im Beobachter Modus mitlaufende KI Modell wird laufend evaluiert, überwacht und bei Bedarf adaptiert (Re-training aufgrund sich verändernder Datenbasis). Für den Anlagenbediener ist das gesamte KI System unsichtbar, da es passiv im Hintergrund mitläuft.
In Phase 3 wird das KI basierte Beobachter System genutzt um für die Anlagenbediener Vorhersagen zu treffen (z.B. Vorausfüllen seiner Eingabefelder).
In der letzten Phase wird das Modell in einen autonomen Zustand geschaltet und evaluiert die Objektmerkmale autonom. Bei Unsicherheiten kann das autonome System den Anlagenbetreiber informieren und das Feedback wird für Feinabstimmungen des KI Modells herangezogen.
Hier kann unsere Annotation Learning Tool zum Einsatz kommen, welches neben der Möglichkeit Daten zu annotieren und somit für Machine Learning verwendbar zu machen, Active Learning verwendet. Durch den Einsatz von Active Learning werden den BenutzerInnen nur Datenpunkte vorgelegt, die das Modell noch nicht mit zufriedenstellender Genauigkeit einordnen kann. Somit wird bei konstanter Verbesserung der Qualität die Anzahl der zu annotierenden Daten erheblich reduziert.
Das Modell kann laufend in der von craftworks entwickelten managed AI Platform navio überwacht werden. Die Einbindung dieser bewährten Systeme ermöglicht nicht nur eine kontinuierliche Überwachung und Optimierung des Modells während der Produktion, sondern bietet dem Anlagenbetreiber auch eine vereinfachte Interaktion mit dem Modell und eine standardisierte Bedienoberfläche für einen potenziellen Ausbau der KI-Landschaft.