Arbeitsgruppe für Supply Chain Services des Fraunhofer IISHenning Frechen arbeitet seit 10 Jahren an Data Analytics Use Cases zur Prozessverbesserung und zur Lösung technischer Probleme in verschiedenen Domänen. Der inhaltliche Schwerpunkt seiner Arbeit ist die Erforschung von Methoden zur Qualitätsprognose und -verbesserung in industriellen Produktionsprozessen (Predictive Quality). Hierbei werden Machine Learning Modelle entwickelt und trainiert, die auf Basis von Anlangen- und Prozessparametern die Qualität eines Produktes prognostizieren können. Durch Methoden aus dem Bereich der erklärbaren KI (XAI) können im nachfolgenden Schritt Zusammenhänge zwischen Prozessdaten und Produktqualität identifiziert werden. Diese identifizierten Zusammenhänge werden dann genutzt, um Handlungsempfehlungen für eine Anpassung der Prozessparameter auszugeben.
In den KI-Projekten der Analytics Abteilung der Arbeitsgruppe für Supply Chain Services ist er in alle Phasen des Lebenszyklus einer KI-Lösung involviert – von der Use Case Definition, über Data Engineering, Preprocessing und EDA bis hin zum Modelltraining und späterem Deployment. Insbesondere im Bezug auf das Deployment bedeutet das für ihn, einfach nutzbare und verständliche End-to-end-ML-Lösungen zu liefern, die für Anwendende einen tatsächlichen Mehrwert liefern.
Daher liegt der zweite Schwerpunkt seiner Forschungstätigkeit in der Vereinfachung der Operationalisierung von ML-Modellen (MLOps) und der menschzentrierten Gestaltung von KI-Systemen. Er arbeitet hierzu in interdisziplinären Projektteams aus Data Scientists, ML-Engineers, UX-Expertinnen und -Experten und Endanwendenden, um verschiedene Fragestellungen zur Benutzerfreundlichkeit und Verständlichkeit von KI-Lösungen zu beantworten. Hierbei stehen stets die Endnutzenden, die im Regelfall keine KI-Expertinnen und -Experten sind, im Mittelpunkt, da aus seiner Sicht nur eine benutzbare Lösung eine gute Lösung ist.
Persönliche Forschungsschwerpunkte:
- Machine Learning in industriellen Anwendungen mit Schwerpunkt Predictive Quality
- Operationalisierung von KI-Lösungen mit dem Fokus der Bedienung durch Nicht-KI-Expertinnen und -Experten