Überwachung und Anpassung eines Algorithmus zur Anomalieerkennung von Produktionsprozessdaten nach der Implementierung

Abstract

Machine Learning Algorithmen werden immer stärker in der heutigen Welt eingesetzt und sind speziell seit der Veröffentlichung von Chat-GPT in der breiten Bevölkerung angekommen. Eine Herausforderung, die viele Unternehmen bei der Anwendung von Machine Learning Algorithmen erleben, ist die Überführung eines Machine Learning Algorithmus aus der Entwicklungsumgebung in die Produktion. Aus diesem Grund bleiben viele der entwickelten Algorithmen reine Entwicklungsprojekte und schaffen es nicht, einen Mehrwert für das Unternehmen zu liefern.Ziel der vorliegenden Arbeit ist es, geeignete Strukturen innerhalb der Thyssenkrupp Presta Steering zu entwickeln, um einen Algorithmus zur Anomalieerkennung nach gängigen Standards in die Produktionsumgebung überführen zu können. Anschließend soll eben dieser in der Produktionsumgebung laufen überwacht werden, um eine hohe Qualität der Vorhersagen gewährleisten zu können.In diesem Zusammenhang wird eine geeignete Architektur und ein allgemeiner Prozess basierend auf dem Konzept von Machine Learning Operations (MLOps) entwickelt. Sowohl die implementierte Architektur als auch der Prozess wurde anschließend anhand der Überführung eines Algorithmus zur Anomalieerkennung in die Produktion getestet. Des Weiteren wurde für den vorliegenden Algorithmus eine Überwachungsstrategie ausgearbeitet, in der sowohl die Eingangsdaten als auch die Ausgangsdaten analysiert werden. Die Überwachungsstrategie wurde abschließend mit Hilfe von realen Produktionsdaten und künstlich veränderten Produktionsdaten getestet.Die Implementierung zeigte, dass mit Hilfe der ausgearbeiteten Architektur eine vollständige Automatisierung der Machine Learning Operations erreicht werden kann. Zudem ermöglicht der ausgearbeitete Prozess für alle Prozessteilnehmenden eine klare und transparente Vorgehensweise bei der Überführung des Algorithmus in die Produktionsumgebung. Bei der Testung der nachgelagerten Überwachungsstrategie wurde ein Drift innerhalb der Eingangsdaten erkannt,worauf hin geeignete Gegenmaßnahmen ergriffen werden können.

Machine learning algorithms are becoming more and more prevalent in today's world and have become popular within the broad society especially since the release of Large Language Models as Chat-GPT. One challenge that many companies experience in the application of machinelearning algorithms is the transition of a machine learning algorithm from the development environment to the production environment. For this reason, most developed algorithms remain pure development projects and fail to deliver value to the business.The aim of this thesis is to develop suitable structures within Thyssenkrupp Presta Steering in order to be able to transfer an anomaly detection algorithm to the production environment according to common standards. Subsequently, this algorithm will be monitored in the production environment to guarantee a high quality of predictions.In this context, a suitable architecture and a general process based on the concept of Machine Learning Operations (MLOps) will be developed. Both the implemented architecture and the process were subsequently tested by transferring an anomaly detection algorithm into production.Furthermore, a monitoring strategy was elaborated for the present algorithm, in which both the input data and the output data are analysed. Finally, the monitoring strategy was tested using real production data and artificially modified production data.The implementation showed that with the help of the elaborated architecture a complete automation of the machine learning operations can be achieved. In addition, the elaborated processenables a clear and transparent procedure for all process participants while transferring the algorithm into the production environment. During the testing of the downstream monitoring strategy, a drift within the input data was detected, where upon appropriate measures can be taken.