Das Webinar von Monolith AI beginnt mit einer Schilderung der Herausforderungen, die beim Testen von Batterien bestehen und mit dem Versprechen, dass diese mit maschinellem Lernen schneller bewältigt werden können.
Das eigentliche Webinar startet bei Minute 5:05 mit der Frage, warum Batterietests und der Einsatz maschinellen Lernens (ML) in diesem Gebiet so an Bedeutung gewinnen.
Dabei nennt der Referent auch das größte Problem beim Einsatz von ML: Die Sammlung der Daten und die Gestaltung die Versuchsanordnung.
Ab 12:38 stellt er dazu den faktoriellen Ansatz, die Screening&Taguchi-Methode und den Optimalen Ansatz (Versuche einige Faktorkombinationen und lerne daraus für den nächsten Testdurchlauf, um schneller zum gewünschten Ergebnis zu kommen) vor.
Mit Minute 25:06 geht der Referent zum Next Test Recommender über. Das von Monolith entwickelte Tool nutzt parallel mehrere ML-Algorithmen (z.B. Random, Disagreement, Bayesian), um die Tests zu identifizieren, die den größten Wissenszuwachs generieren und schlägt diese dem Anwender vor. Der muss sie dann ausführen, um dann die erhaltenen Testergebnisse erneut dem Tool vorzulegen. Monolith bezeichnet dieses inkrementelle aktive Lernen daher auch als »Interaktiver Human-in-the-Loop«-Prozess. Durch dieses Tool wird der optimale Versuchsansatz einfacher handhabbar. Auf die Funktionsweise des Tools geht der Referendar ab Minute 26:00 etwas näher ein.
Abschließend (ab 36:20) fasst er den Inhalt mit sechs Aussagen zusammen.
Der Vortrag liefert einige sehr interessante Einblicke und Fakten. Leider ist er aber nicht ganz so klar strukturiert wie die abschließende Zusammenfassung nahelegen würde. Die technischen Erläuterungen zum Next Test Recommender kratzen nur an der Oberfläche. (jr)
