Abschlussarbeiten

Das effiziente Durchsuchen und Identifizieren von Verknüpfungen in Fach-Dokumentendatenbank ist essenziell, um für Anwender relevante Informationen schnell zugänglich zu machen. Diese Arbeit vergleicht verschiedene Strategien zum Aufbau eines RAG (retrieval-augmented Generation) Agentensystems welches dies ermöglichen soll. Dabei sollen unter anderem die genaue Zusammensetzung des Systems aus Generalisten- und Spezialisten-Agenten und Möglichkeiten, effektiv Schlagworte zu generieren untersucht werden und hinsichtlich ihrer Nützlichkeit ausgewertet werden. Ein weiteres Ziel ist es, mit dem System Beziehungen zwischen verschiedenen Fachkonzepten über unterschiedliche Dokumente hinweg zu verknüpfen, um Fachanwendern gezielt in ihren Anfragen zu unterstützen.

Bei chemischen Batch Prozessen wird ein chemisches Produkt durch kontinuierliche Kombination von Ausgangsstoffen erzeugt. Die chemischen Reaktionen sind abhängig von unbekannten Umgebungseinflüssen, welche im Labor nicht kontrolliert werden können. Um die Wirtschaftlichkeit der Herstellung zu gewährleisten will man, trotz dieser Unsicherheiten im Herstellungsprozess, ein optimales Ergebnis, z.B. geringe Anzahl an Nebenprodukten, Vermeidung von Überhitzung, minimaler Zeitaufwand etc., erreichen.

Ziel dieser Masterarbeit ist es, mit modernen Machine-Learning Methoden Vorhersagen im laufenden Prozess über unterschiedliche Metriken des weiteren Prozessverlaufs zu treffen (z. B. Qualität, Zeitbedarf, Temperatur, etc.) . Die so entstandenen Vorhersagemodelle bilden dann die Basis eines agenten-basierten Regelsystems welches es erlaubt den Produktionsprozess optimal zu steuern.

In vielen Industrieprozessen führen zeitverzögerte und varianzbehaftet Abhängigkeiten, wie sie etwa durch unterschiedliche Fließgeschwindigkeiten oder Zwischenlagerung von Materialien entlang der Produktionsstrecke entstehen, zu Herausforderungen in der Datenanalyse und Vorhersagemodellierung. Obwohl theoretische Untersuchungen darauf hindeuten, dass solche Variationen die Vorhersageperformance negativ beeinflussen können, bleibt die Frage offen, ob die Vorhersageleistung unter realen Bedingungen ausreichend ist. Diese Arbeit zielt darauf ab, diese Wissenslücke zu schließen, indem die theoretischen Erkenntnisse durch praktische Untersuchungen anhand realer Sensordaten entlang der Produktionsstrecke validiert werden. Dabei sollen geeignete ML-Algorithmen gesucht, implementiert und deren Performance evaluiert werden, um den Herausforderungen zeitverzögerter Abhängigkeiten effektiv zu begegnen.

Synthetische Daten sind künstlich erzeugte Imitationen von sensiblen Daten und erlauben Nutzenden das Training von KI- und ML-Modellen ohne auf echte, betriebsinterne, Daten zuzugreifen. In den letzten Jahren erfreut sich die Forschung zur Generierung dieser Daten großer Beliebtheit. Es ist jedoch unklar, in welchem Umfang Unternehmen in Deutschland das Potential an synthetische Daten nutzen und was die Herausforderungen, die einer breiten Anwendung dieser Technik im Wege stehen, sind. Mit dieser Abschlussarbeit wollen wir dazu beitragen, diese Lücke zwischen Forschung und Industrie schließen, indem wir die Anforderungen die Unternehmen an synthetische Daten verfolgen erörtern.