Potenziale und Herausforderungen
von synthetischen Bilddaten in produzierenden Unternehmen in der Schweiz
Die schweizer MEM-Industrie verzeichnet ein robustes Wachstum in der Anwendung
künstlicher Intelligenz, insbesondere im Bereich der Computer Vision Lösungen. Diese
Technologie wird von diversen Unternehmungen in Zusammenarbeit mit verschiedenen
Institutionen wie Hochschulen und Universitäten vorangetrieben. Die Mehrheit der
Anwendungsfälle, denen wir bislang begegnet sind, tragen zur Steigerung der Effizienz und
Qualität bei, obwohl die Position in der Wertschöpfungskette stark variieren kann. Im
letzten Quartal hatten wir von Synthetic Future die Gelegenheit, eine Arbeit aus dem CAS Studiengang AI Management der HWZ, Hochschule für Wirtschaft Zürich, zu begleiten. Wir
agierten als Industriepartner, mit dem Ziel, den Anwender von Computer Vision Lösungen
besser zu verstehen, um unseren Service den Marktanforderungen entsprechend
anzupassen und somit fundierte strategische Entscheidungen treffen zu können.
Die gewonnen Erkenntnisse
Die Schweizer MEM-Industrie verfügt über ein vielversprechendes Potenzial für den Einsatz von künstlicher Intelligenz (KI) und Computer Vision (CV). Die Branche zeichnet sich durch hohe Innovationsfähigkeit und Offenheit für Technologie aus. CV ist bereits erfolgreich
etabliert und wird für Qualitätsprüfungen und Nachhaltigkeit genutzt. Unternehmen
betrachten Daten als strategisches Asset und wollen vermehrt Daten der Endkunden
sammeln und managen, um ihre digitalen Services zu verbessern.
Obwohl bisher hauptsächlich Echtzeitdaten verwendet werden, könnten synthetische Bilddaten in den kommenden Jahren an Bedeutung gewinnen, da die Akzeptanz für CV mit ML- und Deep Learning-Modellen weiter zunehmen wird. Die MEM-Industrie setzt Computer Vision (CV) in der Produktion ein, um Effizienz, Produktqualität und Nachhaltigkeit zu steigern. Die CV-Technologie wird hauptsächlich für Qualitäts- und Konformitätsprüfung sowie Qualitätssicherung genutzt, während andere Anwendungsbereiche vereinzelt eingesetzt werden. CV ermöglicht vielseitige Lösungen zur Effizienzsteigerung in verschiedenen Industriezweigen.
Als Voraussetzung für den Einsatz von synthetischen Daten wurden insbesondere fünf Faktoren identifiziert:
1. Sicherheit
Die Datensicherheit hat absolute Priorität, da die synthetischen Daten als «globale
Daten» betrachtet und durch digitale Service-Pakete in die Produktionslinien der
Zielkunden integriert werden, wodurch die strengen Standards und Governance-
Anforderungen erfüllt werden müssen, um das Entwicklungsteam einen sicheren
Zugriff auf die Daten für das Training der ML-Modelle zu gewährleisten.
2. Robustheit
Die Abhängigkeit der Algorithmen von Daten und die Robustheit der Daten sind
entscheidend, da Veränderungen in den Daten zu unterschiedlichen Entscheidungen
führen können. Daher ist es wichtig, die Robustheit der Daten bei der Entwicklung
von Algorithmen zu evaluieren, um nachvollziehbare Entscheidungen zu
gewährleisten.Die Abhängigkeit der Algorithmen von Daten und die Robustheit der Daten sind
entscheidend, da Veränderungen in den Daten zu unterschiedlichen Entscheidungen
führen können. Daher ist es wichtig, die Robustheit der Daten bei der Entwicklung
von Algorithmen zu evaluieren, um nachvollziehbare Entscheidungen zu
gewährleisten.
3. Qualität
Die Qualität der synthetischen Daten ist entscheidend für die Ergebnisse der Entwicklerteams von ML-Modellen, da sie einen hohen Anspruch an die Qualität der Ergebnisse haben und die Akzeptanzkriterien von zuverlässigen, sicheren und effizienten Datenlieferanten abhängen, die qualitativ hochwertige und konsistente Daten bereitstellen müssen, um genaue Modelle zu trainieren.
4. Interpretierbarkeit und Erklärbarkeit
Computer Vision Anwendungen mit komplexen Deep-Learning-Algorithmen erfordern Strategien, um ein besseres Verständnis von Machine Learning zu ermöglichen, da die unklare Nutzung von ML (wie bei Deep Fakes) als Bedrohung wahrgenommen wird. Die Frage nach Kompromissen bei der Genauigkeit der Bildverarbeitung, um die Erklärbarkeit sicherzustellen, ist anspruchsvoll und erfordert klare Dokumentation der getroffenen Entscheidungen.
5. Akzeptanz und Vertrauen
Als externer Datenlieferant ist es wichtig, die unterschiedlichen Kenntnisstände und Akzeptanzen von synthetischen Daten bei den Zielkunden zu berücksichtigen und bei der Aufklärung behilflich zu sein, während auch das Vertrauen der Entwicklungsteams in den unbekannten Datenlieferanten gewonnen werden muss, um eine enge Zusammenarbeit für die Entwicklung und das Training von ML-Modellen zu ermöglichen.
Zusammenfassung der Chancen und Herausforderungen beim Markteintritt
Synthetic Future hat Potenziale in der MEM-Industrie, da CV-Technologien weit verbreitet
sind und die Akzeptanz für ML-basierte Lösungen steigt. Die Technologieoffenheit der
Unternehmen ermöglicht eine Integration von synthetischen Daten, während ungenutzte
Anwendungsfälle weitere Chancen bieten. Allerdings gibt es auch Herausforderungen wie
den eingeschränkten Zugang zu Branchen-Insights und die Heterogenität des Marktes. Die
begrenzte Skalierbarkeit des Datenproduktes und die Vermarktung stellen weitere
Hindernisse dar. Die Überwindung des «Not-invented-here-Syndroms» bei
Entwicklungsteams ist entscheidend, um erfolgreiche Kooperationen zu erreichen.
Vernetzt denken, gemeinsam handeln
Synthetic Future bedankt sich herzlich bei Nicole Unternährer Rogenmoser bedanken. Ihre Arbeit über die Potenziale und Herausforderungen von synthetischen Bilddaten in der Schweizer MEM-Industrie hat uns wertvolle Einblicke und Erkenntnisse geliefert. Es war uns eine Freude, als Industriepartner an diesem Projekt teilzunehmen. Ein Dank auch an die HWZ für die fruchtbare Zusammenarbeit. Auf weitere gemeinsame Projekte!
