Hallo Herr Pranjic, wenn es so etwas wie eine Innovations-Skala gäbe, würde das Thema maschinelles Lernen aktuell wohl immer weiter nach unten rutschen. ML einzusetzen ist bei vielen Unternehmen und Einrichtungen längst State of the Art.  

Im Gegenteil, ML beweist kontinuierlich, wozu es in der Lage ist. Einige Technologien, die noch vor Kurzem als Science-Fiction galten sind mittlerweile Realität. Um nur ein paar Beispiele zu nennen: ChatGPT, DeepFake und DALL-E. Das Generieren von fotorealistischen Bildern auf Basis einer Texteingabe oder etwa das Schreiben von Programmiercode durch ML sind mittlerweile für jede Person möglich. 

Die ‚Zielgruppe‘ des Konsortialprojekts AutoQML, bei dem Ihr Team am Fraunhofer-Institut für Arbeitswirtschaft und Organisation IAO die Koordination übernommen haben, orientiert sich allerdings stark an Automotive und Produktion?

Auch hier ist das maschinelle Lernen ein elementarer Bestandteil. Einer der Anwendungsfälle, den wir gemeinsam mit unseren Partnern bearbeiten, lässt sich folgendermaßen beschreiben: Beim Laserschneideprozess wird durch Blech hindurch geschnitten  – aus diesem Grund setzt man das Blech auf Stegen mit minimaler Kontaktfläche. Dennoch kann es vorkommen, dass diese Stege im Prozess durch den Laser beschädigt werden. Das kann wiederum dazu führen, dass die herausgeschnittenen Teile kippen und in Kontakt mit dem Laserkopf kommen. Das stoppt dann den Schneideprozess und Mitarbeitende müssen sich darum manuell kümmern. Hier geht wertvolle Zeit verloren. Das zugrunde liegende Bilderkennungsproblem ist schwierig für klassische Methoden und daher sollen Quantenalgorithmen hier helfen. 

So groß und vielschichtig die Vorteile sind: Maschinelles Lernen hat auch Nachteile: Es muss vor Ort möglich gemacht werden. Und das bindet Zeit und Geld, die ein KMU unter Umständen gar nicht aufbringen kann. Mit dem jetzt aufkommenden, quantencomputer-gestützten maschinellem Lernen wird es kaum anders sein?

An dieser Stelle kommt unser Projekt AutoQML ins Spiel. Dafür müssen wir uns zunächst klar machen, warum die Implementierung von Machine-Learning-Lösungen für Unternehmen eine hohe Hürde ist. Denn von der Datenakquisition über die Wahl der passenden Algorithmen bis hin zur Hyperparameteroptimierung ist nicht nur detailliertes Fachwissen notwendig. Der Arbeitsaufwand ist hoch, die Zahl der Fachkräfte rar. Die Idee von automatisiertem Machine Learning, kurz: AutoML, knüpft genau an dieser Stelle an. Man automatisiert den kompletten ML-Prozess mithilfe unterschiedlicher Optimierungstechniken und Meta-Learning. Dies ermöglicht  einer Fachkraft ohne entsprechendes Vorwissen, trotz der genannten Herausforderungen mit diesen Modellen effektiv zu arbeiten – und zwar mit nur vier Zeilen Code. Hinzu kommen dann noch die Quanten-ML-Algorithmen, die potenziell schneller oder effektiver sein können als das klassische ML.  

Es geht aber nicht nur um eine Vereinfachung bei der Anwendung auch beim Einsatz von Quantencomputern, sondern vor allem um ein Überbrücken der Herausforderungen, die der Einsatz von maschinellem Lernen mit sich bringt?

In der Praxis benötigt man vor allem repräsentative Daten und davon möglichst viele. Mit diesen Daten werden ML-Modelle trainiert  – je nach Datenlage kann es zu Herausforderungen im Trainingsprozess kommen. Gerade wenn es ein Ungleichgewicht in den Daten gibt, kann ML scheitern. Wenn 999 Patientinnen gesund sind und 1 Patientin krank, dann kann es vorkommen, dass die KI lernt, dass alle Patientinnen gesund sind. Immerhin bekommt man damit eine Vorhersagengenauigkeit von 99,9 Prozent hin und die KI ist zufrieden. In der Praxis ist das Modell jedoch nutzlos zur Erkennung von Krankheiten. Bisherige wissenschaftliche Ergebnisse zu Quanten-ML deuten darauf hin, dass Quanten-ML-Modelle möglicherweise besser generalisieren können und weniger Daten zum Trainieren benötigen. Weil Quanten-ML auf Quanteninformation anstatt auf klassischer Information basiert, ist die Hoffnung groß, quantenphysikalische Phänomene für Problemstellungen aus der reellen Welt vorteilhaft nutzen zu können.

Die Ergebnisse des Projekts werden einfließen in eine Art Tool-Bibliothek zur passenden Auswahl, Vereinfachung und Verkürzung der Prozesse bei der Vorbereitung auf das Nutzen von maschinellem Lernen. Ganz genau. Das entwickelte Framework wird als zentrales Ergebnis aus dem Projekt AutoQML unter anderem in die Plattform PlanQK integriert und somit für Anwendenden zugänglich gemacht. 

Das Framework orientiert sich an den zugrunde liegenden Use Cases, sodass es für Anwendende im Unternehmen  genügt, über grundlegende Programmierkenntnisse zu verfügen. Sie müssen entsprechend nicht mehr über Expertenwissen im Bereich des maschinellen Lernens verfügen. Gerade mittelständische Unternehmen werden davon stark profitieren.  

(bet)