Maschinelles Lernen

Maschinelles Lernen (ML) ist ein Teilgebiet der Künstlichen Intelligenz, bei dem Computersysteme aus Daten lernen, um Muster zu erkennen und daraus beispielsweise Vorhersagen oder Klassifikationen abzuleiten. (Quelle: NIST) Im Engineering wird Maschinelles Lernen unter anderem eingesetzt, um Mess-, Simulations-, Prozess- und Qualitätsdaten auszuwerten und daraus datenbasierte Modelle für Konstruktion, Simulation, Qualitätsmanagement und Fertigung zu entwickeln.

Auf einen Blick

Inhaltsverzeichnis

• Was ist Maschinelles Lernen?
• Wie funktioniert Maschinelles Lernen?
• Welche Arten des Maschinellen Lernens gibt es?
• Wie wird Maschinelles Lernen im Engineering eingesetzt?
• Vorteile und Herausforderungen
• Maschinelles Lernen und Deep Learning
• Verwandte Begriffe
• Fazit

Was ist Maschinelles Lernen?

Maschinelles Lernen bezeichnet Verfahren, bei denen Computersysteme aus Daten lernen und ihre Leistung für eine bestimmte Aufgabe verbessern. Anstatt sämtliche Regeln für eine Aufgabe explizit zu programmieren, wird ein Algorithmus mit geeigneten Daten trainiert. Dabei entsteht ein Modell, das anschließend neue Daten verarbeiten kann. (Quelle: NIST)

Ein einfaches Beispiel ist die Klassifikation von Bauteilen. Ein Modell kann anhand bereits bewerteter Bilder lernen, zwischen fehlerhaften und fehlerfreien Bauteilen zu unterscheiden. Nach dem Training kann das Modell neue Bilder klassifizieren.

Maschinelles Lernen ist damit kein einzelnes Verfahren. Der Begriff umfasst verschiedene Methoden und Lernansätze. Welche Methode geeignet ist, hängt unter anderem von der verfügbaren Datenbasis, der Aufgabenstellung und dem gewünschten Ergebnis ab.

Für industrielle Unternehmen ist vor allem die Fähigkeit relevant, große Datenmengen systematisch auszuwerten. In Konstruktion, Fertigung und Qualitätsmanagement entstehen beispielsweise Messwerte, Prozessdaten, Simulationsergebnisse und Bilddaten. Maschinelles Lernen kann daraus Muster ableiten, die mit klassischen regelbasierten Verfahren schwer zu erfassen sind.

Wie funktioniert Maschinelles Lernen?

Ein Machine-Learning-System durchläuft vereinfacht mehrere Schritte:

1. Daten erfassen: Relevante Daten werden aus geeigneten Quellen zusammengetragen.
2. Daten vorbereiten: Die Daten werden geprüft, bereinigt und für das Training aufbereitet.
3. Modell trainieren: Ein Algorithmus erkennt Muster und Zusammenhänge in den Trainingsdaten.
4. Modell prüfen: Das Modell wird mit Daten bewertet, die nicht für das Training verwendet wurden.
5. Modell anwenden: Das trainierte Modell verarbeitet neue Daten und erzeugt beispielsweise eine Vorhersage oder Klassifikation.

Die Qualität der Trainingsdaten hat dabei einen direkten Einfluss auf die Qualität des erlernten Modells. Daten sollten deshalb für die jeweilige Aufgabe geeignet, ausreichend repräsentativ und korrekt aufbereitet sein.

Bei einer Qualitätsprüfung kann ein Modell beispielsweise anhand historischer Produktionsdaten lernen, unter welchen Bedingungen ein bestimmter Fehler häufiger auftritt. Im laufenden Produktionsprozess können neue Messwerte anschließend genutzt werden, um die Wahrscheinlichkeit eines Fehlers einzuschätzen.

Ein Machine-Learning-Modell liefert dabei nicht automatisch eine fachlich richtige Entscheidung. Die Ergebnisse müssen abhängig vom Anwendungsfall bewertet und in den jeweiligen Prozess eingeordnet werden.

Welche Arten des Maschinellen Lernens gibt es?

Die wichtigsten Lernansätze unterscheiden sich danach, welche Informationen für das Training zur Verfügung stehen.

Überwachtes Lernen (Supervised Learning)

Beim überwachten Lernen wird ein Modell mit Daten trainiert, für die bekannte Zielwerte oder Klassen vorliegen. Das Modell lernt, Eingabedaten mit diesen vorgegebenen Ergebnissen in Beziehung zu setzen. (Quelle: NIST)

Typische Aufgaben sind:

• Klassifikation: Ein Objekt wird einer Klasse zugeordnet.
• Regression: Ein numerischer Wert wird vorhergesagt.

Im Engineering kann ein Modell beispielsweise anhand historischer Messdaten zwischen akzeptierten und fehlerhaften Produkten unterscheiden.

Unüberwachtes Lernen (Unsupervised Learning)

Beim unüberwachten Lernen stehen keine vorgegebenen Zielwerte zur Verfügung. Das Modell sucht selbstständig nach Mustern oder Gruppen in den Daten. Ein typisches Verfahren ist die Clusterbildung. (Quelle: NIST)

Ein industrielles Beispiel ist die Erkennung von Gruppen ähnlicher Betriebszustände anhand von Sensordaten. Dadurch können beispielsweise ungewöhnliche Zustände identifiziert werden.

Bestärkendes Lernen (Reinforcement Learning)

Beim bestärkenden Lernen (Reinforcement Learning) lernt ein System durch Interaktion mit einer Umgebung. Es erhält Rückmeldungen und optimiert sein Verhalten anhand einer Belohnungsfunktion. (Quelle: NIST AI 100-2e2025)

Dieser Ansatz ist besonders für Aufgaben interessant, bei denen Entscheidungen wiederholt getroffen und anhand ihrer Auswirkungen bewertet werden. Für das grundlegende Verständnis von Maschinellem Lernen ist jedoch zunächst die Unterscheidung zwischen überwachten und unüberwachten Verfahren zentral.

Wie wird Maschinelles Lernen im Engineering eingesetzt?

Maschinelles Lernen besitzt im Engineering vor allem dort einen praktischen Nutzen, wo große Mengen strukturierter oder unstrukturierter Daten vorliegen und daraus Muster, Zustände oder Prognosen abgeleitet werden sollen.

Engineering-Bezug auf einen Blick

Konstruktion und Produktentwicklung

In der Konstruktion können Machine-Learning-Modelle große Mengen vorhandener Konstruktions- oder Projektdaten analysieren. Ein möglicher Anwendungsfall ist die Erkennung wiederkehrender Muster in Bauteilen, Varianten oder technischen Anforderungen.

Die konkrete Eignung hängt stark von Datenqualität und Aufgabenstellung ab. Maschinelles Lernen ersetzt dabei nicht automatisch ingenieurtechnisches Fachwissen.

Simulation

Simulationen können große Mengen numerischer Ergebnisse erzeugen. Maschinelles Lernen kann genutzt werden, um aus vorhandenen Simulationsergebnissen datenbasierte Modelle abzuleiten. Solche Modelle können für bestimmte Prognoseaufgaben eingesetzt werden.

Dabei ist zwischen einem Machine-Learning-Modell und einer physikalisch basierten Simulation zu unterscheiden. Ein Machine-Learning-Modell bildet Zusammenhänge aus den verfügbaren Daten ab. Es ersetzt deshalb nicht grundsätzlich ein physikalisches Modell.

Qualitätsmanagement

In der Produktion kann Maschinelles Lernen eingesetzt werden, um Qualitätsabweichungen zu erkennen oder Produkt- und Prozessqualität vorherzusagen. Fraunhofer beschreibt Predictive Quality als einen verbreiteten Anwendungsbereich von Machine Learning in der Produktion.

Dazu können beispielsweise Prozessparameter und Qualitätsdaten miteinander verknüpft werden. Das Modell kann daraus Muster ableiten und neue Produktionsdaten bewerten.

Fertigung und Zustandsüberwachung

Auch die Überwachung von Maschinen und Anlagen ist ein relevanter Anwendungsbereich. Sensordaten liegen häufig als Zeitreihen vor und können mit überwachten oder unüberwachten Machine-Learning-Verfahren analysiert werden. Fraunhofer nennt unter anderem Anomalieerkennung, Klassifizierung und Mustererkennung für industrielle Sensorsysteme.

Ein konkreter Anwendungsfall ist die vorausschauende Wartung (Predictive Maintenance). Dabei werden Zustandsdaten von Maschinen genutzt, um mögliche Wartungsbedarfe oder Veränderungen des Anlagenzustands frühzeitig zu erkennen.

Mehr: KI im Engineering

Vorteile und Herausforderungen

Maschinelles Lernen kann industrielle Daten für Aufgaben nutzbar machen, bei denen regelbasierte Verfahren an ihre Grenzen stoßen. Gleichzeitig entstehen Anforderungen an Daten, Modelle und deren Betrieb.

Vorteile

• Große Datenmengen können automatisiert ausgewertet werden.
• Wiederkehrende Muster können erkannt werden.
• Vorhersagen können auf Basis historischer Daten erstellt werden.
• Anomalien und Abweichungen lassen sich in geeigneten Anwendungsfällen erkennen.
• Daten aus unterschiedlichen industriellen Prozessen können für datenbasierte Modelle genutzt werden.

Herausforderungen

• Die Daten müssen für die jeweilige Aufgabe geeignet sein.
• Fehlerhafte oder nicht repräsentative Trainingsdaten können die Modellergebnisse beeinflussen.
• Ein Modell kann Zusammenhänge aus Trainingsdaten übernehmen, die sich auf neue Situationen nicht übertragen lassen.
• Modelle müssen nach der Entwicklung getestet und im Betrieb überwacht werden.
• Für industrielle Anwendungen müssen technische Anforderungen, Verantwortlichkeiten und die Einbindung in bestehende Systeme berücksichtigt werden.

Gerade in Produktionsumgebungen endet die Aufgabe deshalb nicht mit dem Training eines Modells. Die Integration, Überwachung und gegebenenfalls das erneute Training sind ebenfalls relevante Bestandteile eines produktiven Machine-Learning-Einsatzes. Eine Fraunhofer-Untersuchung zu Predictive Quality beschreibt unter anderem Deployment, Testing, Monitoring und Retraining als relevante Schritte für den Einsatz von ML-Modellen in der Produktion.

Maschinelles Lernen und Deep Learning

Deep Learning ist ein Teilbereich des Maschinellen Lernens. Deep-Learning-Verfahren verwenden insbesondere tiefe neuronale Netze beziehungsweise Modelle mit mehreren Ebenen gelernter Repräsentationen. (Quelle: Goodfellow, Bengio und Courville)

Die Begriffe sind deshalb nicht gleichbedeutend:

Künstliche Intelligenz → Maschinelles Lernen → Deep Learning

Maschinelles Lernen umfasst verschiedene Lernverfahren. Deep Learning ist davon ein spezifischer Ansatz, der insbesondere auf tiefen Modellen und hierarchisch gelernten Repräsentationen basiert. (Quelle: Goodfellow, Bengio und Courville)

Der Einsatz von Deep Learning ist insbesondere bei komplexen Daten wie Bildern, Sprache oder großen Mengen unstrukturierter Daten relevant. (Quelle: Goodfellow, Bengio und Courville)

Verwandte Begriffe

• Künstliche Intelligenz: Übergeordneter Begriff für Systeme, die auf Basis definierter Ziele beispielsweise Vorhersagen, Empfehlungen oder Entscheidungen erzeugen können. Maschinelles Lernen ist ein wichtiger Ansatz innerhalb der KI. (Quelle: NIST)
• Trainingsdaten: Daten, anhand derer ein Machine-Learning-Modell trainiert wird.
• Algorithmus: Verfahren, das festlegt, wie Daten verarbeitet und wie ein Modell trainiert werden kann.
• Modell: Ergebnis eines Lernprozesses, das gelernte Zusammenhänge für die Verarbeitung neuer Daten verwendet. (Quelle: NIST)
• Vorhersage: Ergebnis eines Modells für neue Eingabedaten.
• Klassifikation: Zuordnung von Daten zu vorgegebenen Klassen.
• Deep Learning: Teilbereich des Maschinellen Lernens, der insbesondere auf tiefen neuronalen Netzen basiert.
• Neuronale Netze: Modelle aus miteinander verbundenen Verarbeitungseinheiten, die für verschiedene Machine-Learning-Aufgaben eingesetzt werden. Tiefe neuronale Netze bilden eine zentrale Grundlage vieler Deep-Learning-Verfahren. (Quelle: NIST; Goodfellow, Bengio und Courville)
• Generative KI: Bereich der KI, der Modelle zur Erzeugung neuer Inhalte umfasst. (Quelle: NIST)

Fazit

Maschinelles Lernen ermöglicht es Computersystemen, aus Daten Muster und Zusammenhänge abzuleiten und diese für Vorhersagen, Klassifikationen oder andere Aufgaben zu verwenden. Im Engineering ist ML besonders für die Analyse von Prozess-, Mess-, Qualitäts- und Sensordaten relevant. Typische Einsatzfelder liegen in Qualitätsmanagement, Fertigung, Zustandsüberwachung und datenbasierter Modellierung. Der praktische Nutzen hängt dabei wesentlich von der Datenbasis, der konkreten Aufgabenstellung und der zuverlässigen Integration des Modells in den jeweiligen Prozess ab.

Quellen:

• NIST – National Institute of Standards and Technology: Machine Learning, Supervised Learning, Unsupervised Learning, Artificial Intelligence sowie NIST AI 100-2e2025.
  Machine Learning · Supervised Learning · Unsupervised Learning · Artificial Intelligence · NIST AI 100-2e2025
• Fraunhofer-Institut für Produktionstechnologie IPT: Guideline for Deployment of Machine Learning Models for Predictive Quality in Production. Quelle
• Fraunhofer EMFT: Machine Learning für intelligente Sensorsysteme. Quelle
• Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron: Deep Learning. MIT Press. Quelle

« Zurück zum Index