Oliver Reitz
Direktor des Eigenbetriebs Wirtschaft und Stadtmarketing Pforzheim (WSP)
Wie gelingt es Unternehmen, die Potenziale der Digitalisierung zu nutzen und wettbewerbsfähig zu bleiben? Der Einsatz von Technologien wie Künstlicher Intelligenz kann dabei helfen, von der digitalen Transformation bestmöglich zu profitieren. Vor allem maschinelles Lernen (ML) spielt in der Digitalisierungsstrategie vieler Unternehmen bereits eine große Rolle und ermöglicht unter anderem effizientere Prozesse sowie neue Geschäftsmodelle. Allerdings fehlt es oft an Fachkräften. So ist die Implementierung von ML-Lösungen bisher noch häufig mit hohem Arbeitsaufwand verbunden. Von der Datenakquisition über die Wahl der passenden Algorithmen bis hin zur Optimierung des Trainings ist ein detailliertes Fachwissen in ML notwendig.
Der Ansatz des automatisierten maschinellen Lernens (AutoML) wirkt diesen Herausforderungen entgegen und erleichtert EntwicklerInnen den Einsatz von Künstlicher Intelligenz, so die Annahme der Verantwortlichen. Insbesondere die Wahl der konkreten ML-Algorithmen soll deshalb automatisiert werden. AnwenderInnen müssen sich somit weniger mit ML beschäftigen und auskennen und können sich mehr auf ihre eigentlichen Prozesse konzentrieren. In diesem Zusammenhang markiert Quantencomputing den Durchbruch in eine neue technologische Ära, denn dadurch ließe sich der AutoML-Ansatz signifikant verbessern.
Quantencomputing ermöglicht es, rechenintensive Technologien wie das ML weiterzubringen. Im Projekt »AutoQML« entwickeln acht Partner aus Forschung und Industrie Lösungsansätze, die Quantencomputing und ML verknüpfen.
Unter Leitung des Fraunhofer-Instituts für Arbeitswirtschaft und Organisation IAO ermöglicht will das Projekt „AutoQML“ EntwicklerInnen künftig einen vereinfachten Zugang zu konventionellen und Quanten-ML-Algorithmen über eine Open-Source-Plattform bieten. Neben dem Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA beteiligen sich die Unternehmen GFT Integrated Systems, USU Software AG, IAV GmbH Ingenieursgesellschaft Auto und Verkehr, KEB Automation KG, TRUMPF Werkzeugmaschinen GmbH + Co. KG und die Zeppelin GmbH am Projekt. Die entwickelten Lösungen sollen anhand von konkreten Anwendungsfällen aus dem Automotive- und Produktionsbereich erprobt werden.
Das Projektkonsortium will Komponenten des Quantencomputings in heutige Lösungsansätze des maschinellen Lernens integrieren, um die Performance-, Geschwindigkeits- und Komplexitätsvorteile von Quanten-Algorithmen im industriellen Kontext nutzen zu können. In der sogenannten AutoQML-Developer Suite – einer Softwarebibliothek – sollen entwickelte Quanten-ML-Komponenten und Methoden in Form eines Werkzeugkastens zusammengeführt und den EntwicklerInnen in einer Open-Source-Plattform zur Verfügung gestellt werden. Dies befähigt AnwenderInnen, maschinelles Lernen und Quanten-Machine-Learning einzusetzen und hybride Gesamtlösungen entwickeln zu können.
Die Laufzeit des Projekts beträgt drei Jahre. Die weiterführende Marktverbreitung durch die Unternehmenspartner ermöglicht den Transfer von forschungsnaher Hochtechnologie in ein breites, industrielles Umfeld mit dem Ziel, den Industriestandort Deutschland signifikant zu stärken. Das Projekt wird vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) gefördert.
pm/tm
Wie gelingt es Unternehmen, die Potenziale der Digitalisierung zu nutzen und wettbewerbsfähig zu bleiben? Der Einsatz von Technologien wie Künstlicher Intelligenz kann dabei helfen, von der digitalen Transformation bestmöglich zu profitieren. Vor allem maschinelles Lernen (ML) spielt in der Digitalisierungsstrategie vieler Unternehmen bereits eine große Rolle und ermöglicht unter anderem effizientere Prozesse sowie neue Geschäftsmodelle. Allerdings fehlt es oft an Fachkräften. So ist die Implementierung von ML-Lösungen bisher noch häufig mit hohem Arbeitsaufwand verbunden. Von der Datenakquisition über die Wahl der passenden Algorithmen bis hin zur Optimierung des Trainings ist ein detailliertes Fachwissen in ML notwendig.
Der Ansatz des automatisierten maschinellen Lernens (AutoML) wirkt diesen Herausforderungen entgegen und erleichtert EntwicklerInnen den Einsatz von Künstlicher Intelligenz, so die Annahme der Verantwortlichen. Insbesondere die Wahl der konkreten ML-Algorithmen soll deshalb automatisiert werden. AnwenderInnen müssen sich somit weniger mit ML beschäftigen und auskennen und können sich mehr auf ihre eigentlichen Prozesse konzentrieren. In diesem Zusammenhang markiert Quantencomputing den Durchbruch in eine neue technologische Ära, denn dadurch ließe sich der AutoML-Ansatz signifikant verbessern.
Quantencomputing ermöglicht es, rechenintensive Technologien wie das ML weiterzubringen. Im Projekt »AutoQML« entwickeln acht Partner aus Forschung und Industrie Lösungsansätze, die Quantencomputing und ML verknüpfen.
Unter Leitung des Fraunhofer-Instituts für Arbeitswirtschaft und Organisation IAO ermöglicht will das Projekt „AutoQML“ EntwicklerInnen künftig einen vereinfachten Zugang zu konventionellen und Quanten-ML-Algorithmen über eine Open-Source-Plattform bieten. Neben dem Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA beteiligen sich die Unternehmen GFT Integrated Systems, USU Software AG, IAV GmbH Ingenieursgesellschaft Auto und Verkehr, KEB Automation KG, TRUMPF Werkzeugmaschinen GmbH + Co. KG und die Zeppelin GmbH am Projekt. Die entwickelten Lösungen sollen anhand von konkreten Anwendungsfällen aus dem Automotive- und Produktionsbereich erprobt werden.
Das Projektkonsortium will Komponenten des Quantencomputings in heutige Lösungsansätze des maschinellen Lernens integrieren, um die Performance-, Geschwindigkeits- und Komplexitätsvorteile von Quanten-Algorithmen im industriellen Kontext nutzen zu können. In der sogenannten AutoQML-Developer Suite – einer Softwarebibliothek – sollen entwickelte Quanten-ML-Komponenten und Methoden in Form eines Werkzeugkastens zusammengeführt und den EntwicklerInnen in einer Open-Source-Plattform zur Verfügung gestellt werden. Dies befähigt AnwenderInnen, maschinelles Lernen und Quanten-Machine-Learning einzusetzen und hybride Gesamtlösungen entwickeln zu können.
Die Laufzeit des Projekts beträgt drei Jahre. Die weiterführende Marktverbreitung durch die Unternehmenspartner ermöglicht den Transfer von forschungsnaher Hochtechnologie in ein breites, industrielles Umfeld mit dem Ziel, den Industriestandort Deutschland signifikant zu stärken. Das Projekt wird vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) gefördert.
pm/tm
Jetzt Newsletter abonnieren und von vielen Vorteilen profitieren!