Home Sensors4Rail: Entwicklung einer Machine Learning Operations Pipeline Sensors4Rail: Entwicklung einer Machine Learning Operations Pipeline

Sensors4Rail: Entwicklung einer Machine Learning Operations Pipeline

Für das Sensors4Rail-Projekt haben wir gemeinsam mit unserer Konzernschwester Bosch Engineering GmbH eine MLOps-Pipeline entwickelt, die eine standardisierte und skalierbare Lösung für die gesamte Toolchain des maschinellen Lernens schafft.

Jetzt Kontakt aufnehmen

Ein in den Bahnhof einfahrender Zuges mit einer Person, die auf einem Tablet die Software des Zuges überprüft

Herausforderung: Hoher manueller Aufwand bei großen Datenmengen

Durch Machine Learning Operations (MLOps) soll Overhead reduziert und manuelle Aufgaben für bestehende und zukünftige Projekte vereinfacht und gegebenenfalls automatisiert werden. Das wachsende Datenvolumen bringt auch in Cloud-Umgebungen neue Herausforderungen mit sich:

Hoher Aufwand für manuelle ML-Workflows
Verarbeitung des wachsenden Datenvolumens
Begrenzung durch On-Premises-Hardware
Fehlende Nachvollziehbarkeit
Zunehmende Schwierigkeit der Datenauswahl schränkt die Modellentwicklung ein

Infografik mit vereinfachter Darstellung der Architektur der MLOps-Pipeline

Lösung: Automatisierung mit MLOps

Die MLOps Pipeline bietet die automatisierte Bereitstellung von skalierbarer Cloud-Infrastruktur und Workflow-Optimierung für die Entwicklung von Machine Learning Algorithmen. Der Prozess umfasst die automatisierte Datenaufnahme, sowie konfigurierte Tools zur Daten Exploration & Selektion, Anonymisierung, Labeling, Datenset Erzeugung, ML Training und Evaluierung. Durch Daten-Indexierung ermöglichen wir effiziente Suchmöglichkeiten nach relevanten Daten.

Unsere Lösung bietet vollständige Traceability: Versionierung des ML Codes, Datasets, ML Modelle und Verlinkung untereinander. Ein weiterer Vorteil ist die Datenauswahl mittels Active Learning, welche die Qualität der ML Modelle verbessert und die menschliche Arbeitsbelastung reduziert.

Portrait von Heiko Mangold, Leiter Geschäftsfeld Bahntechnik, Bosch Engineering GmbH

Für das Sensors4Rail-Projekt heben wir die ML-Entwicklung durch unsere MLOps-Pipeline auf ein neues Level. Durch standardisierte Tools und Skalierbarkeit erzielen wir enorme Kosten- und Zeiteinsparungen bei der Verarbeitung großer Datenmengen. Die Integration von Traceability gewährleistet Transparenz und Vertrauenswürdigkeit im gesamten Modelllebenszyklus.
Heiko Mangold, Leiter Geschäftsfeld Bahntechnik, Bosch Engineering GmbH

Mehrwert: Optimierung durch zukunftsweisende MLOps Pipeline

Diese MLOps Pipeline wurde im Rahmen des Forschungsprojekts Sensors4Rail, in dem sensorbasierte Systeme zur Umfelderkennung getestet wurden, entwickelt. Die Ergebnisse des Sensors4Rail-Projekts sollen dazu beitragen, die Effizienz, Sicherheit und Zuverlässigkeit von Schienenfahrzeugen zu verbessern und damit den Betrieb von Schienennetzen insgesamt zu optimieren.

Auf genau diese Ziele zahlt diese MLOps Pipeline ein. Durch ihre Implementierung wird für unsere Kunden die Produktivität gesteigert und ein kontinuierlicher Modellverbesserungsprozess ermöglicht. Die Pipeline bietet umfangreiche Skalierbarkeit und kürzere Entwicklungszyklen. Ein weiterer Vorteil ist, dass das volle Potenzial aller verfügbaren Daten ausgeschöpft wird. Mit dieser MLOps Pipeline können wir somit Effizienz und Leistung in der Bahntechnik verbessern.