Ziel des Forschungsvorhabens war es, maschinelles Lernen (ML) für Intelligente Technische Systeme (ITS) entlang der gesamten Wertschöpfungskette nachhaltig verfügbar zu machen und ML als Service insbesondere für kleine und mittlere Unternehmen (KMU) zu etablieren. Dieses erfordert Entwicklung und Transfer neuester ML-Innovationen auf die in ITS zentralen Handlungsfelder, um ML-Technologien in die Produkte und in die Produktionsketten zu bringen. Umgekehrt gelang die Schärfung des Bewusstseins regionaler Unternehmen, wann und wie ML in agile Geschäftsmodelle und Produktionsketten integriert werden kann.
Der Term ITS bezieht sich dabei auf Technologien, die auf intelligente Verfahren im Kern aufbauen und in spezifischer Hardware oder physikalischen Umgebungen eine spezifische Funktion realisieren. Beispiele sind intelligente optische Systeme, Qualitätsüberwachungskomponenten in der Industrie 4.0 oder Komponenten in der Medizintechnik. ITS bilden eine Kernkomponente,die für industrielle Erfolge etwa in der Automatisierung oder Qualitätskontrolle relevant ist – allerdings steht der effiziente Einsatz des maschinellen Lernens hier oft vor Herausforderungen: es sind teils nur beschränkte Datenmengen verfügbar, Daten in der Praxis unterliegen starken Variationen und Drift, und Hardwarebeschränkungen oder Restriktionen durch die physikalischen Gegebenheiten sind einzubeziehen. Zudem ist die Evaluation im praktischen Betrieb eine große Herausforderung, da oft nicht effizient und umfassend in realen Bedingungen getestet werden kann.
Im Projekt ITS.ML wurde die Strategie verfolgt, Methoden, Materialien und Informationen zu erarbeiten und bereitzustellen. Diese unterstützen Unternehmen auf ihrem Weg beim Einsatz von ML im Kontext von ITS und befähigen sie, Methodiken sicher und gewinnbringend auch ohne eigene Forschungsexpertise oder dedizierte Forschungsabteilung zu bewerten und anzuwenden.