Robust Concept Drift Handling for Industrial Applications : Continuous Maintenance of Productive Machine Learning Regressors

Maschinelles Lernen hat sich zu einem zentralen Enabler der datengetriebenen industriellen Transformation entwickelt. Die langfristige Aufrechterhaltung der Leistungsfähigkeit von Machine-Learning-Modellen in Produktivumgebungen stellt jedoch weiterhin eine erhebliche Herausforderung dar. Nach ihrer Inbetriebnahme sind Modelle kontinuierlichen Datenströmen, also potenziell endlosen Sequenzen von Datenpunkten, ausgesetzt. Im Allgemeinen ist davon auszugehen, dass sich deren statistische Eigenschaften im Zeitverlauf verändern, was auch als Concept Drift bezeichnet wird. Unbeachtet kann dieser die Genauigkeit und Zuverlässigkeit von Modellen erheblich beeinträchtigen. Diese Arbeit befasst sich daher mit der kontinuierlichen Wartung von Modellen in industriellen Anwendungskontexten. Hierbei liegt der Fokus auf dem robusten Umgang mit Concept Drift, insbesondere im Kontext von Regressionsproblemen, was bislang nur unzureichend erforscht ist. Entwickelt wird daher eine Referenzarchitektur, die kohärent die Modellierung und den Entwurf von Machine-Learning-Modellsystemen mit robustheitsbewahrenden Komponenten unterstützt. Darüber hinaus setzt die Arbeit die Exploration von Concept Drift Detection Ensembles fort, indem sie eine umfassende Literaturanalyse, eine Taxonomie sowie ein Entwurfsschema für deren effektive Konfiguration bereitstellt. Aufbauend auf diesen Erkenntnissen wird die neuartige Methode für Concept-Drift-Adaption in Regressionsszenarien (SAM-CDAR) entwickelt. Sie integriert die Detektor-Ensemble-Struktur mit einem Machine-Learning-Modell-Ensemble, das die Robustheit von Regressoren mittels naturinspirierter Mechanismen zur Concept-Drift-Adaption aufrechterhält. Die vorgeschlagene Methode wird in zwei realen industriellen Regressionsszenarien experimentell validiert. In diesen wird die Machine-Learning-gestützte Prädiktion von Prozessschrittdauer-Angaben in einem Freiformschmiedebetrieb sowie von Lieferzeiten in der Möbelproduktlogistik betrachtet. Die Auswertung zeigt, dass SAM-CDAR im Vergleich zu mehreren Baseline-Ansätzen deutliche Reduktionen der Regressionsfehler erzielt, mit Verbesserungen von bis zu 43,85% bzw. 60,82%. Diese Ergebnisse unterstreichen die Wirksamkeit der Methode bei der Aufrechterhaltung der Modellrobustheit unter dem Einfluss unterschiedlicher Arten von Concept Drift und belegen zugleich ihren praktischen Nutzen.