ZusammenfassungDer Einsatz von Maschinellem Lernen (ML) zur Gewinnung von Erkenntnissen aus großen Datenmengen und der Lösung anspruchsvoller Aufgaben bietet ein enormes Potenzial für die industrielle Produktion. Allerdings ist der Einsatz von ML-Modellen auch mit Herausforderungen verbunden. Dazu gehören die meist großen benötigten Datenmengen sowie die mangelnde Transparenz und Erklärbarkeit dieser Modelle, was ihren Einsatz in der Praxis erschwert. Ein Ansatz, um diesen Herausforderungen zu begegnen, ist, in der Industrie vorhandenes Fachwissen zu nutzen und mit ML-Modellen zu verbinden. Dieser Ansatz wird als hybrides maschinelles Lernen bezeichnet. Im Folgenden werden die Vor- und Nachteile von klassischen wissens- und datenbasierten Modellen diskutiert sowie Ansätze vorgestellt, um beide Welten miteinander zu verbinden. Anhand von Beispielen aus der Regelungstechnik und Industrierobotik wird erläutert, wie sich diese anschließend im Produktionskontext umsetzen lassen. Im Fokus stehen dabei besonders Aspekte der Zuverlässigkeit, wie die Erklärbarkeit und Robustheit solcher Systeme, die wichtige Elemente der digitalen Souveränität des Anwenders sind.

No abstract