Interview zum Projekt AutoQML
KEB betreibt in seiner Produktion in Barntrup das innerbetriebliche Transportsystem AGILOX, das speziell für intralogistische Aufgaben konzipiert ist. Das AGILOX-System besteht aus einem Verbund von intelligenten fahrerlosen Transportfahrzeugen (FTS), die in Zusammenarbeit Artikel durch die Lager von KEB transportieren.
Das System ist zwar technisch ausgefeilt, aber nicht vor gelegentlichen Betriebsstörungen oder technischen Problemen gefeit. Wenn ein Fahrzeug stecken bleibt, führt dies zu einem sofortigen Stopp, erfordert menschliches Eingreifen und führt letztendlich zu Verzögerungen im Betrieb. Das AGILOX-System generiert ständig Daten über den Fahrzeugstatus und die Aufträge und bietet eine wertvolle Möglichkeit, diese Daten für weitere Analysen zu nutzen.
Im Rahmen von AutoQML – einem Projekt, das Lösungsansätze für die Verknüpfung von Quantencomputing und maschinellem Lernen entwickelt – besteht das Hauptziel von KEB darin, eine maschinelle Lernlösung zu entwickeln, die in der Lage ist, den Fahrzeugstatus zu überwachen und mögliche Ausfälle vorherzusagen. Dies steht im Einklang mit dem übergeordneten Ziel von KEB, den Übergang zum Quantencomputing auf breiter Basis zu erleichtern, indem Forschungsinstitute mit praktischen, realen Anwendungen unterstützt werden.
Die in diesem Projekt zu entwickelnde Lösung für maschinelles Lernen wird nahtlos in das KEB-Ökosystem integriert, um eine ständige Überwachung des Gesundheitszustands des AGILOX-Systems zu ermöglichen, mit dem letztendlichen Ziel, den Intralogistikbetrieb zu verbessern und die Kosten für Ausfallzeiten zu minimieren.
Khaled Al-Gumaei ist Senior Data Architect IIoT bei KEB. Er ist der Projektleiter auf Seiten von KEB und einer der Köpfe hinter dem Projekt AutoQML. Im Interview spricht er über seine Rolle und gibt Einblicke in das Projekt.
Welche Erfahrungen haben Sie auf dem Gebiet des Quantencomputings und der künstlichen Intelligenz?
In meiner Rolle als Datenarchitekt konzentriere ich mich in erster Linie auf die Konzeption und Entwicklung von Datenrichtlinien und Infrastrukturen im Zusammenhang mit dem industriellen IoT. Die enge Zusammenarbeit mit Datenanalysten hat jedoch mein Verständnis von KI und maschinellem Lernen erweitert, insbesondere im Hinblick auf die Datenanalyse im Bereich Industrial IoT.
Was das Quantencomputing anbelangt, so sind meine Erfahrungen derzeit eher theoretischer Natur. Dennoch bin ich gespannt auf die Gelegenheit, die dieses Projekt bietet, um das theoretische Wissen in einem praktischen Kontext anzuwenden und den Nutzen im Industriesektor zu erhöhen.
Was ist Ihre spezifische Rolle in diesem Projekt?
In dem Projekt bin ich in erster Linie für die Schaffung einer Datenplattform verantwortlich, die die Sammlung, Übertragung, Speicherung und Verwaltung von AGILOX-Daten umfasst und sicherstellt, dass sie für die AutoQML-Datenwissenschaftler angemessen aufbereitet und zugänglich sind. Darüber hinaus schließe ich die Lücke zwischen Unternehmen und Technologie, indem ich die von den KEB-Experten formulierten Geschäftsanforderungen in technische Voraussetzungen für die Datenanalyse übersetze. Sobald die Lösung entwickelt ist, werde ich ihre Integration in das KEB-Ökosystem beaufsichtigen und den Implementierungsprozess koordinieren, um eine nahtlose Funktionalität sicherzustellen.
Welchen Mehrwert versprechen Sie sich von den Projektinhalten?
Von diesem Projekt versprechen wir uns mehrere Vorteile. Auf der technischen Seite wollen wir die Vorteile der Techniken des automatischen maschinellen Lernens (AutoML) nutzen. Diese Techniken werden es uns ermöglichen, KI-Modelle zu erstellen, ohne dass wir über umfangreiche datenwissenschaftliche Erfahrungen verfügen müssen. Unser Ziel ist es, komplexe Muster innerhalb des AGILOX-Systems zu erkennen und so unsere interne Logistik zu optimieren, die Wartung zu vereinfachen und vor allem die Kosten zu senken.
Über den unmittelbaren technischen Nutzen hinaus glauben wir, dass unsere Arbeit auch einen wichtigen Beitrag für die Allgemeinheit leistet. Unsere Aufgabe ist es, Forschungsarbeiten zu unterstützen, die sich darauf konzentrieren, aktuelle Herausforderungen der Industrie in Probleme zu übersetzen, die mit Hilfe von Quantencomputing gelöst werden können. Auf diese Weise hoffen wir, die Verbreitung fortschrittlicher Technologien voranzutreiben und zur Weiterentwicklung der digitalen Innovation beizutragen.
