FAST – Feedback-gesteuerte Automatisierung von Teilaufgaben

Unser FAST-Framework unterstützt Kunden bei Entscheidungsproblemen, die auf visuellen Informationen basieren (z.B. Qualitätskontrolle, medizinische Diagnose, ...) und bei denen nur wenige Daten zur Verfügung stehen. Das Fraunhofer IKS kann helfen, diese Entscheidungen zuverlässig zu automatisieren, indem es die automatisierbaren Muster identifiziert und die verbleibenden Muster an einen Experten delegiert. Im Gegensatz zu klassischen Ansätzen bieten wir eine einfach zu implementierende Lösung, die im Laufe der Zeit durch das Feedback der Experten verbessert wird.

Jetzt Kontakt aufnehmen

Lösungen, die auf Maschinellem Lernen (ML) basieren sind in der realen Anwendung durch fehlende Trainingsdaten eingeschränkt. Denn diese liegen häufig nicht in der ausreichenden Menge vor. Insbesondere kleine Unternehmen scheuen aufgrund der Kosten, des Aufwands und der Risiken der Datenerfassung und -beschriftung den Einsatz von ML. Auch für Aufgaben, die spezielles Fachwissen erfordern, beispielsweise in der Medizin, scheint der Einsatz von Maschinellem Lernen oft nicht praktikabel. Das FAST-Framework hat genau diese Anwender als Zielgruppe. Voraussetzung für die Nutzung von FAST sind Aufgaben, die auf Basis von visuellen Informationen automatisiert werden können, für die nur wenige Daten verfügbar sind und für die ein Experte zur Bewertung verfügbar ist.  

Der Ansatz von FAST ist folgender: Anstatt ein Problem vollständig zu lösen, wird auf der Grundlage eines kleinen Anfangsdatensatzes ein Teilproblem identifiziert. Das System ist darauf ausgelegt, dieses Teilproblem zuverlässig zu lösen (Fehlerminimierung). Proben, die nicht zu diesem Teilproblem gehören und daher nicht automatisch verarbeitet werden können, werden an eine Expertin oder einen Experten delegiert. Das Feedback des Experten kann genutzt werden, um den Anfangsdatensatz zu vergrößern. So können immer mehr Proben automatisiert werden, während das System bereits im Einsatz ist.

• Schnelle Integration: Die Teillösung mit FAST kann frühzeitig eingesetzt werden und somit eine lange Datenerhebungsphase im Vorfeld vermeiden. 
• Geringere Hürden und Risiken: Die Einrichtung ist einfach und erfordert nur wenige Ausgangsdaten. 
• Höhere Effizienz: Der Experte kann sich auf die Probleme konzentrieren, die seine Expertise erfordern. 
• Vertrauen in das System: Durch die Arbeit mit dem System wird Akzeptanz und Vertrauen in Maschinelle Lernverfahren aufgebaut.  

Die meisten Forschungsarbeiten konzentrieren sich darauf, die Gesamtgenauigkeit eines Systems mit wenigen Datenpunkte zu maximieren. Unser Fokus liegt dagegen darauf, die Fehler in einer Teilmenge zu minimieren. Dies macht das System zuverlässiger und ermöglicht einen frühen Einsatz.