Publikationen des Projekts Sauer, Christian; Eichelberger, Holger; Ahmadian, Amir Shayan; Dewes, Andreas; Jürjens, Jan Aktuelle Industrie 4.0 Plattformen – Eine Übersicht Whitepaper (DE: IIP-2020/001, EN: IIP-2020/001-en), 2021. Abstract | Links | BibTeX | Schlagwörter: Artificial Intelligence, Customizability, Ecosystem, Edge, Industry 4.0, platforms, Protocols Jomaa, Hadi S; Schmidt-Thieme, Lars; Grabocka, Josif Dataset2Vec: Learning Dataset Meta-Features Journal Data Mining and Knowlege Discovery, 10618 (0737), pp. 22, 2021. Abstract | Links | BibTeX | Schlagwörter: Hyperparameter Optimization, Meta-feature Learning, Meta-learning Jalowski, Max ; Schymanietz, Martin ; Möslein, Kathrin M 2020. Links | BibTeX | Schlagwörter: Creative Process, Creativity, Participant Support, Persuasive Technology, User Behavior Denkena, Berend; Bergmann, Benjamin; Reimer, Svenja; Schmidt, Alexander; Stiehl, Tobias; Witt, Matthias KI-gestützte Prozessüberwachung in der Zerspanung Journal ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb, 115 (5), pp. 295-298, 2020, ISBN: 0947–0085. Links | BibTeX | Schlagwörter: Industrie 4.0, Künstliche Intelligenz, Produktion, Prozessüberwachung
2021
title = {Aktuelle Industrie 4.0 Plattformen – Eine Übersicht},
author = {Christian Sauer and Holger Eichelberger and Amir Shayan Ahmadian and Andreas Dewes and Jan Jürjens},
url = {https://www.iip-ecosphere.eu/wp-content/uploads/2021/02/IIP-2020_001.pdf
https://www.iip-ecosphere.eu/wp-content/uploads/2021/02/IIP-2020_001-en.pdf
https://zenodo.org/record/4485756
},
doi = {10.5281/zenodo.4485756 },
year = {2021},
date = {2021-02-15},
number = {DE: IIP-2020/001, EN: IIP-2020/001-en},
abstract = {Dieses Whitepaper gibt eine Übersicht über aktuelle Industrie 4.0 Plattformen, insbesondere aus dem Blickwinkel des IIP-Ecosphere-Projekts, das im KI-Innovationswettbewerb vom Bundesministerium für Wirtschaft und Energie (BMWi) gefördert wird. Dabei stehen Themen wir Interkonnektivität, digitale Zwillinge, Offenheit, Sicherheit und die Nutzung von Künstlicher Intelligenz im Kontext der intelligenten Produktion im Mittelpunkt. Das Dokument beschreibt sowohl die Vorgehensweise der Datenermittlung, die Detailergebnisse für einzelne industrielle Plattformen als auch eine zusammenfassende Übersicht. Es werden insgesamt 21 industrielle Plattformen basierend auf öffentlich verfügbaren Dokumenten anhand von 16 Themenfeldern analysiert. Sowohl Plattformen als auch Analysethemen entstammen intensiver Diskussionen der Projektpartner in IIP-Ecosphere.
Die untersuchten Plattformen decken insbesondere die benötigten Grundfunktionen ab. Beispielsweise wird oft eine Vielzahl an Kommunikationsprotokollen bereitgestellt und verschiedenste Cloud-Dienste integriert. Selbst neuere Trends wie Künstliche Intelligenz sind inzwischen in den Plattformbeschreibungen zu finden. Allerdings ist der Funktionsumfang zwischen den Plattformen auch sehr unterschiedlich. Neuere Standards wie OPC-UA, UMATI oder die Industrie 4.0 Verwaltungsschale werden oft nur zurückhaltend, wenn überhaupt eingesetzt, was teilweise der Entwicklungshistorie aber auch strategischen Erwägungen geschuldet sein mag.
Basierend auf der Plattform-übergreifenden Analyse der 16 Themenfelder leiten wir Herausforderungen für zukünftige Plattformen und insbesondere für unsere Arbeit in IIP-Ecosphere ab. Diese umfassen Themen wie offene Ökosysteme, erweiterbare Architekturen mit standardisierten Schnittstellenbeschreibungen, flexible und dynamische Unterstützung für KI-Verfahren, sicherer und vereinheitlichter Datenaustausch (für Data Sharing, Ressource Sharing und Data Usage Control) wie auch durchgängige und konsistente Konfigurierbarkeit, die das Vertrauen des Nutzers in die jeweilige Plattform stärkt. Eine Standardisierung von (einigen) dieser Themen wäre wünschenswert um den Austausch und die Interoperabilität zwischen Plattformen und Plattformökosystemen zu verbessern und Lock-ins zu vermeiden.},
keywords = {Artificial Intelligence, Customizability, Ecosystem, Edge, Industry 4.0, platforms, Protocols},
pubstate = {published},
tppubtype = {incollection}
}
Die untersuchten Plattformen decken insbesondere die benötigten Grundfunktionen ab. Beispielsweise wird oft eine Vielzahl an Kommunikationsprotokollen bereitgestellt und verschiedenste Cloud-Dienste integriert. Selbst neuere Trends wie Künstliche Intelligenz sind inzwischen in den Plattformbeschreibungen zu finden. Allerdings ist der Funktionsumfang zwischen den Plattformen auch sehr unterschiedlich. Neuere Standards wie OPC-UA, UMATI oder die Industrie 4.0 Verwaltungsschale werden oft nur zurückhaltend, wenn überhaupt eingesetzt, was teilweise der Entwicklungshistorie aber auch strategischen Erwägungen geschuldet sein mag.
Basierend auf der Plattform-übergreifenden Analyse der 16 Themenfelder leiten wir Herausforderungen für zukünftige Plattformen und insbesondere für unsere Arbeit in IIP-Ecosphere ab. Diese umfassen Themen wie offene Ökosysteme, erweiterbare Architekturen mit standardisierten Schnittstellenbeschreibungen, flexible und dynamische Unterstützung für KI-Verfahren, sicherer und vereinheitlichter Datenaustausch (für Data Sharing, Ressource Sharing und Data Usage Control) wie auch durchgängige und konsistente Konfigurierbarkeit, die das Vertrauen des Nutzers in die jeweilige Plattform stärkt. Eine Standardisierung von (einigen) dieser Themen wäre wünschenswert um den Austausch und die Interoperabilität zwischen Plattformen und Plattformökosystemen zu verbessern und Lock-ins zu vermeiden.
title = {Dataset2Vec: Learning Dataset Meta-Features},
author = {Hadi S. Jomaa and Lars Schmidt-Thieme and Josif Grabocka},
url = {https://arxiv.org/abs/1905.11063},
doi = {10.1007/s10618-021-00737-9},
year = {2021},
date = {2021-01-01},
journal = {Data Mining and Knowlege Discovery},
volume = {10618},
number = {0737},
pages = {22},
abstract = {Meta-learning, or learning to learn, is a machine learning approach that utilizes prior learning experiences to expedite the learning process on unseen tasks. As a data-driven approach, meta-learning requires meta-features that represent the primary learning tasks or datasets, and are estimated traditionally as engineered dataset statistics that require expert domain knowledge tailored for every meta-task. In this paper, first, we propose a meta- feature extractor called Dataset2Vec that combines the versatility of engineered dataset meta-features with the expressivity of meta-features learned by deep neural networks. Primary learning tasks or datasets are represented as hierarchical sets, i.e., as a set of sets, esp. as a set of predictor/target pairs, and then a DeepSet architecture is employed to regress meta-features on them. Second, we propose a novel auxiliary meta-learning task with abundant data called dataset similarity learning that aims to predict if two batches stem from the same dataset or different ones. In an experiment on a large-scale hyperparameter optimization task for 120 UCI datasets with varying schemas as a meta-learning task, we show that the meta-features of Dataset2Vec outperform the expert engineered meta-features and thus demonstrate the usefulness of learned meta-features for datasets with varying schemas for the first time.},
keywords = {Hyperparameter Optimization, Meta-feature Learning, Meta-learning},
pubstate = {published},
tppubtype = {article}
}
2020
title = {Supporting Participants in Creative Processes: Opportunities for Persuasive Technology in Participatory Design},
author = {Jalowski, Max and Schymanietz, Martin and Möslein, Kathrin M.},
url = {https://aisel.aisnet.org/icis2020/user_behaviors/user_behaviors/4/},
year = {2020},
date = {2020-12-13},
journal = {Proceedings of the Forty-First International Conference on Information Systems, India 2020},
keywords = {Creative Process, Creativity, Participant Support, Persuasive Technology, User Behavior},
pubstate = {published},
tppubtype = {conference}
}
title = {KI-gestützte Prozessüberwachung in der Zerspanung},
author = {Berend Denkena and Benjamin Bergmann and Svenja Reimer and Alexander Schmidt and Tobias Stiehl and Matthias Witt},
url = {https://www.degruyter.com/document/doi/10.3139/104.112282/html},
doi = {https://doi.org/10.3139/104.112282},
isbn = {0947–0085},
year = {2020},
date = {2020-05-05},
journal = {ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb},
volume = {115},
number = {5},
pages = {295-298},
keywords = {Industrie 4.0, Künstliche Intelligenz, Produktion, Prozessüberwachung},
pubstate = {published},
tppubtype = {article}
}
Publikationen des Projekts Aktuelle Industrie 4.0 Plattformen – Eine Übersicht Whitepaper (DE: IIP-2020/001, EN: IIP-2020/001-en), 2021. Dataset2Vec: Learning Dataset Meta-Features Journal Data Mining and Knowlege Discovery, 10618 (0737), pp. 22, 2021. 2020. KI-gestützte Prozessüberwachung in der Zerspanung Journal ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb, 115 (5), pp. 295-298, 2020, ISBN: 0947–0085.
.
2021
2020