Ganzheitliche, föderative KI-Entwicklung für Mixed-Reality-Anwendungen in Europa (FAMILIAR)

Abstract

Das Verbundprojekt FAMILIAR verfolgte das Ziel, innovative Ansätze aus den Bereichen Federated Machine Learning (FedML), Künstliche Intelligenz und Cross Reality (XR) in realitätsnahen industriellen Anwendungsszenarien zusammenzuführen und prototypisch zu erproben. Im Mittelpunkt stand die Frage, wie datengetriebene Modelle dezentral trainiert und zugleich in XR-gestützte Assistenz- und Analyseumgebungen integriert werden können, ohne dass sensible Rohdaten zwischen den beteiligten Systemen ausgetauscht werden müssen. Damit adressierte das Projekt zentrale Herausforderungen der industriellen Digitalisierung, insbesondere den datenschutzkonformen Einsatz von KI, die Verarbeitung heterogener Sensordaten sowie die technische Integration verteilter Lern- und Visualisierungskomponenten. Die Arbeiten wurden in mehreren Use Cases umgesetzt, die unterschiedliche industrielle Anwendungsfelder abdeckten. Dazu gehörten unter anderem XR-gestützte Bildverarbeitung für immersive Fahr- und Simulationsumgebungen, KI-basierte Assistenzfunktionen zur Unterstützung industrieller 3D-Druckprozesse sowie datengetriebene Modelle zur Vorhersage simulationsnaher Fehler- und Belastungsverläufe. Im Projektverlauf wurden dabei nicht nur einzelne Machine-Learning-Modelle entwickelt, sondern auch durchgängige Datenpipelines, serviceorientierte Schnittstellen, Integrationsmechanismen und produktionsnahe Bereitstellungsformen aufgebaut und bewertet. Die Ergebnisse des Projekts zeigen, dass die Kombination aus FedML, KI und XR technisch tragfähig ist und ein hohes Potenzial für zukünftige industrielle Anwendungen besitzt. Gleichzeitig wurden wesentliche Erfahrungen hinsichtlich Datenqualität, Modellrobustheit, Hardwaregrenzen im XR-Umfeld und der Integration heterogener Technologien gewonnen. FAMILIAR leistete damit einen wichtigen Beitrag zur Weiterentwicklung datengetriebener Industrie-4.0-Lösungen und schuf eine belastbare Grundlage für die wissenschaftlich-technische Vertiefung sowie für die wirtschaftliche Verwertung der entwickelten Ansätze.