Faragiri

Maschinelles Lernen KI

Eine Kamera, die nichts meldet, käme fast an die heran, die arbeitet. Wo dieses Fach anfängt: bei den beiden Fehlern, getrennt gezählt und bepreist.

7Abschnitte
6Min. Lesezeit
2Tiefe

Eine Kamera, die jedem Fensterbeschlag auf dem Band »kein Riss« sagt, hätte in der Frühschicht vom Montag bei 1.152 von 1.200 Griffen recht gehabt. Die Kamera, die Andrea Kienzle bei einem Zulieferer in Velbert tatsächlich hat einbauen lassen, hatte bei 1.176 recht. Vierundzwanzig Griffe Unterschied sind der gesamte Wert der Anlage, und die eine Zahl, in der beide angegeben werden, ist die, die ihn verdeckt.

Von den 1.200 Griffen hatten 48 wirklich einen Riss im Zinkdruckguss. Die Kamera hat 54 markiert. Genau dort fängt das nützliche Lesen an, denn zwei Zahlen, die gleich klingen, beschreiben eine arbeitende Prüfung und ein Stück Pappe.

Schlupf und Pseudoausschuss

Diese Seite hat es hier leichter als jede englische, denn die beiden Fehler haben in der deutschen Qualitätssicherung längst Namen. Pseudoausschuss ist das gute Teil, das aussortiert wird. Schlupf ist das schlechte Teil, das durchgeht. Wer in einem deutschen Betrieb arbeitet, hat beide Wörter schon in einer Besprechung gehört, und damit ist die halbe Lektion dieser Seite geschenkt.

Eine Frühschicht

Dieselben 1.200 Griffe, geteilt danach, welcher Fehler gemacht wurde

Drei Felder sind billig und eines ist es nicht. Eine einzelne Trefferquote addiert alle vier und meldet die Summe.

Kamera ließ durchKamera markierte

Griff war in Ordnung

1.137 in Ordnung, durchgelassenDer Großteil jeder Schicht, und der Grund, warum die Quote schmeichelt
15 in Ordnung, markiertZwanzig Sekunden an der Nacharbeitsbank. Der billige Fehler

Griff hatte einen Riss

9 mit Riss, durchgelassenVerchromt, montiert, im Rahmen verbaut, reklamiert. Der teure Fehler
39 mit Riss, markiertWofür die Kamera gekauft wurde

Das Feld unten links ist das einzige, über das sich entscheiden lässt, und es trägt die kleinste Zahl der Zeichnung. Was einen einzigen Wert meldet, hat es weggemittelt.

Die 54 Markierungen zuerst. 39 davon hatten wirklich einen Riss, 15 waren in Ordnung und wurden für nichts vom Band genommen. Bleiben 9 rissige Griffe, die durchgingen, und 1.137 einwandfreie, die die Kamera zu Recht laufen ließ.

Die beiden Fehler getrennt zählen, denn sie kosten nicht dasselbe. Ein Pseudoausschuss kostet zwanzig Sekunden an der Nacharbeitsbank. Ein Schlupf kostet die Verchromung, die Montage, den Weg zum Fensterbauer, den Einbau im Rahmen, und am Ende meldet sich der Bauherr. Eine Trefferquote auf einem seltenen Fehler erreicht auch das Nichtstun fast, und zwar dadurch, dass es über die 1.152 Griffe recht hat, um die sich nie jemand gesorgt hat.

Die Gewohnheit, die daraus folgt, ist übertragbar und in Deutschland halb fertig vorhanden: Bevor irgendein Modell existiert, aufschreiben, was jeder der beiden Fehler kostet, in den Einheiten des Betriebs. Eine Fehlerkostenrechnung führt fast jeder Fertiger dieser Größe ohnehin. Diese Zahl entscheidet, wo die Schwelle liegt, und die Schwelle ist der einzige Knopf, den die meisten Vorhaben wirklich brauchen.

Gelernt wird das Etikett

Die 48 kommen von irgendwoher. Zwei Prüferinnen haben vier Wochen Bilder markiert, und auf einer Stichprobe von 80 Bildern waren sie zwölfmal uneinig. Ein Modell lernt das Etikett, das jemand hingeschrieben hat, nicht die gemeinte Sache. Die Kamera ist also darauf abgerichtet, ein Urteil zu wiederholen, über das zwei erfahrene Personen bei etwa jedem siebten Bild verschieden entscheiden.

Grenze des Modells

Gelernt wird die Markierung, nicht der Riss

Ein Modell wiederholt das Urteil zweier Menschen. Wo die Definition unscharf ist, hilft keine tiefere Architektur.

  • Das vergebene EtikettDie Zuweisung, die das Modell im Bild wiederholen lernt
Sichtbares Etikett im Datensatz
  • Uneinigkeit der PrüferinnenZwei erfahrene Personen entscheiden bei strittigen Bildern verschieden
  • Zweizeilige FestlegungDie Klärung, was als Haarriss gilt, bringt mehr als neue Schichten
  • Erneutes MarkierenDer Ertrag liegt in sauberen Daten vor dem ersten Rechenlauf

Die Decke des Verfahrens entsteht beim Etikettieren. Wer sie ignoriert, versucht Datenprobleme durch Rechenzeit zu lösen.

Das spricht nicht dagegen, es zu tun. Es ist der Grund, warum es eine Decke gibt, und wer weiß, wo die Decke liegt, gibt kein Quartal für Architekturen aus, wenn der Ertrag in einer zweizeiligen Festlegung lag, was ein Haarriss ist, und im erneuten Markieren der strittigen Bilder. Entschieden wird das unter Lernarten, und zwar vor allem anderen.

Auf einer Tabelle gewinnen die alten Verfahren

Das zweite Problem in Velbert war eine Tabelle: welche Chargen den meisten Ausschuss bringen, aus Werkzeugtemperatur, Legierungscharge, Zykluszeit, Nestnummer und Jahreszeit. Zeilen und Spalten, ungefähr 9.400 davon.

Tabellendaten

Gradient Boosting gegen neuronale Netze auf Zeilen und Spalten

Auf tabellarischen Daten schlagen klassische Baumverfahren tiefe Netze seit zehn Jahren bei Rechenzeit und Erklärbarkeit.

Gradient BoostingVoreinstellung für strukturierte Tabellen
Neuronales NetzStark bei Bild, Ton und Text
RechenzeitSekunden auf einem gewöhnlichen RechnerLange Trainingsläufe und hohe Hardwareanforderungen
DatenvorbereitungVerarbeitet Rohspalten ohne aufwendige SkalierungBenötigt vollständige Vereinheitlichung und Normierung
NachvollziehbarkeitZeigt direkt, welche Spalte die Entscheidung trägtGewichte lassen sich kaum einzelnen Spalten zuordnen
EinsatzfeldAusschuss- und Fertigungstabellen mit 9.400 ZeilenKamerabilder und Signalverarbeitung am Band

Klassische Modelle sind bei Tabellen die rationale Voreinstellung. Die Alternative ist oft der falsche erste Griff.

Auf einer Tabelle aus Zeilen schlägt Gradient Boosting weiterhin ein neuronales Netz, und das seit etwa einem Jahrzehnt. Es rechnet in Sekunden auf einem Notebook, es sagt, welche Spalte die Entscheidung getragen hat, und es braucht die Daten vorher nicht vereinheitlicht. Klassische Modelle sind hier die Voreinstellung, und die interessante Alternative ist der falsche erste Griff, was deutlich gesagt gehört, weil kaum eine Veröffentlichung der letzten fünf Jahre es sagt. Neuronale Netze verdienen ihren Platz bei Bildern, bei Klang und bei Text, und genau das tut die Kamera am Band.

Die Teilung entscheidet, ob etwas davon stimmte

Das Ausschussmodell rechnete hervorragend und verlor das meiste davon in der Halle. Die Zeilen waren gemischt und zufällig geteilt worden, also bewertete eine Charge aus dem März eine Charge aus der Woche darauf, mit Legierungen, die es schon gesehen hatte.

Validierung

Wie Trainings- und Testdaten für die Fertigung geteilt werden

Eine zufällige Mischung zeigt schmeichelhafte Zahlen im Labor und versagt in der Werkhalle am nächsten Tag.

Wie wird der Datensatz zeitlich aufgeteilt?
  • Zufällig gemischt
    ZufallsteilungDas Modell bewertet Chargen mit Vorwissen aus derselben Produktionswoche. Die gemeldete Quote ist trügerisch.
  • Nach Stichtag getrennt
    Zeitliche TeilungTraining auf allen Daten bis zum Stichtag, Prüfung auf späteren Chargen. Die Quote ist ehrlich und hält in der Halle.

Sobald das Morgen vorhergesagt werden soll, entscheidet die zeitliche Trennung über den Wahrheitsgehalt der Messung.

Nach der Zeit teilen, nicht zufällig, sobald das Morgen der Gegenstand ist. Auf allem bis zu einem Stichtag rechnen, auf dem prüfen, was danach kam, und die Zahl, die herauskommt, ist die Zahl, die die Halle bekommen wird. Sie wird schlechter sein, und sie wird wahr sein, und die zweite Eigenschaft ist die, für die es sich lohnt.

Nach der Inbetriebnahme läuft dieselbe Uhr weiter, und hier hat das Deutsche wieder ein Wort dafür. Ein Prüfmittel unterliegt der Prüfmittelüberwachung: Es wird in festen Abständen kalibriert, sonst darf damit nicht freigegeben werden. Ein Modell, das nicht nachtrainiert wird, ist ein Modell vom letzten Jahr, und es ist genau ein Prüfmittel, dessen Kalibrierung abgelaufen ist. Der Legierungslieferant wechselt, die Form wird nachgearbeitet, und die Sache wird leise schlechter, ohne dass irgendwo ein Fehler erscheint. Wer darauf achtet, tut das unter Modellbetrieb.

Die Lager liegen nicht gleich weit

Die ersten drei Lager kosten einen Nachmittag, eine Woche und einen Monat. Das letzte kostet länger als alle zusammen, und keine Leseliste zeichnet es so. Frameworks sind ein Tag Orientierung, an dem viele vierzehn Tage verbringen, weil es sich nach Fortschritt anfühlt und weil es sichtbar ist.

Die Ordnung

Das letzte Lager liegt weiter als die ersten drei zusammen

Ein Nachmittag, eine Woche, ein Monat, und dann ein Jahr. Leselisten zeichnen daraus fünf gleich lange Kapitel, und der Boden ist nicht eben.

  1. 01Die drei LernartenWelche der drei das eigene Problem ist. Ein Nachmittag
  2. 02Ein klassisches ModellEine Woche, und oft das richtige Ende des Vorhabens
  3. 03Neuronale NetzeEin Monat, und vor allem, um zu wissen, wann nicht
  4. 04Bilder, Wort und KlangJe eine Saison, und je ein anderes Handwerk
  5. 05In den Betrieb bringenLänger als alle zusammen, und fast nichts davon ist Modellieren

Die Steigung ist die Behauptung, sonst nichts hier. Die Lager sind keine Stufen; ein Team kann beim zweiten stehenbleiben und fertig sein.

Rückwärts genommen ist das Feld eine Speisekarte von Architekturen. Wer bei Bilderkennung oder bei Text und Sprache anfängt, lernt, etwas Beeindruckendes zu bauen, das sich nicht prüfen lässt, weil die Kosten der beiden Fehler nie aufgeschrieben wurden und die Teilung nie stimmte.

Der Halt ist das Notebook, das gerechnet hat

Hier hören Menschen auf bei einer Zahl in einem Notebook. Der Wert ist gut, die Bilder sehen richtig aus, und die Arbeit fühlt sich fertig an, denn jede Gepflogenheit dieses Faches behandelt ein geprüftes Modell als das Ergebnis. Am Notebook ist nichts falsch. Es war nur der Nachmittag, und die Halle ist das Jahr.

Prüfkriterien

Wann ein Modell tatsächlich im Betrieb angekommen ist

Ein gutes Ergebnis im Notebook ist ein Nachmittag. Der Betrieb entscheidet sich an dem Ablauf in der Werkhalle.

  1. JaWeg der Vorhersage geklärtFestgelegt, was unmittelbar nach der Berechnung mit dem Wert geschiehtJa
  2. JaHandelnde Person benanntKlar definiert, wer das Ergebnis sieht und daraufhin anders handeltJa
  3. JaAusfallplan vorhandenGeregelt, was an dem Tag passiert, an dem das Modell nicht läuftJa
  4. JaGreifer und Sichtkontrolle abgestimmtVier Sekunden Puffer für die manuelle Prüfung des markierten TeilsJa

Wer diese vier Punkte nicht benennen kann, hat ein Rechenergebnis, aber kein System in der Produktion.

Der Nachweis lässt sich an sich selbst führen und ist unbequem genau: Wer nicht sagen kann, was mit einer Vorhersage nach ihrer Entstehung geschieht, wer sie sieht, was diese Person daraufhin anders macht und was an dem Tag passiert, an dem das Modell nicht läuft, hat kein Modell im Betrieb, ganz gleich, wo es läuft. In Velbert hält ein Greifer den markierten Griff vier Sekunden über einer Rutsche, und eine Person sieht ihn an. Das ist ein Satz über die Halle und keiner über das Modell, und für diesen Satz war das Vorhaben da.

Drei Bibliotheken, Stand 2026

Scikit-learn ist 2026 der Standardkasten, kostenlos und quelloffen, und hat das Selbstschreiben der Rechenschleife und der Kreuzvalidierung ersetzt. Sein eigentlicher Beitrag ist, dass Teilen, Rechnen und Bewerten über alle Verfahren dieselbe Form haben, was den Tausch eines Modells zu einer Änderung von zwei Zeilen macht statt zu einer Neufassung.

Softwarebasis

Drei quelloffene Bibliotheken für den lokalen Betrieb

Alle drei Werkzeuge laufen direkt auf dem Rechner in der Halle, sodass keine Bild- oder Fertigungsdaten das Werk verlassen.

Fertigungssystem 2026
  • Scikit-learnStandardkasten für einheitliches Teilen, Trainieren und verlässliches Bewerten
  • XGBoost und LightGBMKostenlose Werkzeuge für Gradient Boosting auf tabellarischen Ausschussdaten
  • PyTorchUmgebung für das Bildverarbeitungsnetz der optischen Prüfung am Band

Lokale Hardware im Werk ohne Datenabfluss

Der Wert liegt in der lokalen Ausführung: Alle Messungen und Modelle bleiben vollständig im eigenen Haus.

XGBoost und LightGBM sind die Bibliotheken für Gradient Boosting, kostenlos und quelloffen, Stand 2026, und haben zusammen den Griff zum neuronalen Netz auf einer Tabellenkalkulation ersetzt. Eine davon auf die Ausschusstabelle, mit den Spalten so, wie sie sind, ist eine Stunde Arbeit und der ehrliche Vergleichswert, den jedes spätere Modell schlagen muss.

PyTorch ist der Ort, an dem das Netz für die Kamera geschrieben wird, kostenlos und quelloffen, Stand 2026, und hat den festen Rechengraphen abgelöst, der übersetzt werden musste, bevor sich darin etwas ausgeben ließ. Für einen deutschen Betrieb zählt an allen dreien dasselbe: Sie laufen auf dem Rechner in der Halle, und die Messbilder verlassen das Haus nicht.

Bleibt die Frage, auf der die ganze Seite ruht und die sie nicht beantwortet. Jede Zahl hier stammt aus den 1.200 Griffen und den vier Wochen Bildern, und nichts davon sagt, wie diese Zeilen zustande kamen, wer festgelegt hat, was als eine zählt, und was mit den weggeworfenen Wochen geschah. Das ist Datenanalyse, und diese Hälfte entscheidet die andere. Wo die Etiketten die Arbeit von Menschen sind, hört es auf, eine technische Frage zu sein, und das steht unter KI-Einsatz.

Daneben

Darüber