BayVFP-Projekt KIProQua

Das Projekt ist eine Kooperation zwischen der BMW Group und der Universität Bamberg. Wir erforschen neuartige KI-gestützte Ansätze zur Ursachenanalyse im Herstellungsprozess von Elektrofahrzeugen. Unser Ziel ist es, Methoden des maschinellen Lernens und der symbolischen KI zu kombinieren, um interaktiv Expertenwissen in datengetriebene Methoden der Ursachenanalyse einzubinden.

Ein Human-in-the-Loop-Ansatz zum maschinellen Lernen soll die Identifikation komplexer Ursache-Wirkungs-Zusammenhänge für die Produktqualität ermöglichen, die über bisherige Ansätze der rein statistischen Anomalieerkennung in einzelnen Prozessabschnitten hinausgehen. Durch explizite Nutzung von Expertenwissen sowie interaktive Korrekturen werden adaptive Qualitätsmodelle entwickelt, die nicht nur lokale Informationen nutzen, sondern auch komplexe relationale Abhängigkeiten abbilden und so zur globalen Optimierung der Prozesssteuerung beitragen. Durch Ansätze der explainable AI (XAI) wird die Transparenz und Nachvollziehbarkeit der gelernten Modelle gewährleistet. Damit wird ein Beitrag zur Akzeptanz und zum begründeten Vertrauen in das KI-System geschaffen. Als exemplarischer Anwendungsfall wird der Herstellungsprozess von Elektrofahrzeugen betrachtet. Ziel ist es, ein interaktives Dashboard zu entwickeln, das auf innovativen Methoden des erklärenden und interaktiven Lernens basiert. Dieses ermöglicht die Erkennung komplexer Zusammenhänge in der Qualitätsbewertung und damit die Steigerung der Produktionseffizienz und die Minimierung von Ausschuss.

Schwerpunkt der Universität Bamberg:

  •     Formalisierung von Expertenwissen in Wissensgraphen
  •     Link Prediction für die Ursachenanalyse
  •     Interaktive Verbesserung des Ursachenanalyse-Modells durch menschliches Feedback

Publikationen und Vorträge

Publikationen

  • Schramm, S., Wehner, C., Schmid, U. (2023). Comprehensible Artificial Intelligence on Knowledge Graphs: A Survey. (2023) In: Journal of Web Semantics, https://doi.org/10.1016/j.websem.2023.100806
     
  • Wehner, C., Kertel, M., Wewerka, J.(2023). Interactive and Intelligent Root Cause Analysis in Manufacturing with Causal Bayesian Networks and Knowledge Graphs.In: IEEE 97th Vehicular Technology Conference (VTC2023-Spring), Florence, Italy, 2023, pp. 1-7, https://doi.org/10.1109/VTC2023-Spring57618.2023.10199563
     
  • Eirich, J., Jäckle, D., Sedlmair, M., Wehner, C., Schmid, U., Bernard, J., Schreck, T. (2023). ManuKnowVis: How to Support Different User Groups in Contextualizing and Leveraging Knowledge Repositories. In: IEEE Transactions on Visualization and Computer Graphics, https://doi.org/10.1109/TVCG.2023.3279857

Vorträge

  • Wehner, C. (2022). Interactive and Explainable Link Prediction in Knowledge Graphs. Pattern Recognition and Artificial Intelligence. ICPRAI 2022. Doctoral Consortium.

Studentische Projekte

Wir sind immer auf der Suche nach Studenten, die einen Beitrag zu KIProQua in Form einer Abschlussarbeit, eines Projekts oder als studentische Hilfskraft leisten möchten. Klicken Sie hier, um die aktuell offenen Themen zu sehen. Wenn Sie Interesse haben, können Sie sich gerne an Christoph Wehner wenden.