Assistenzsystem zur Qualitätssicherung von IoT-Geräten basierend auf AutoML und SHAP

Die Qualitätssicherung stellt einen wesentlichen Bestandteil der Produktentwicklung und Produktion dar, bei der die Potenziale der Daten aus IoT-Geräten bislang wenig Beachtung finden. IoT-Geräte ermöglichen eine Erfassung der tatsächlichen Gerätenutzung sowie auftretender Fehlerfälle, die in Summe als IoT-Gerätenutzungsdaten bezeichnet werden können. In diesem Beitrag wird ein Konzept und die Evaluation eines KI-basierten Assistenzsystems zur verbesserten Qualitätssicherung basierend auf IoT-Gerätenutzungsdaten vorgestellt. Das Konzept vereint eine kontinuierliche Fehlerüberwachung mittels deskriptiver Datenanalysen, eine automatisierte Modellbildung zum Erlernen von Zusammenhängen zwischen Gerätenutzung und auftretenden Fehlern mittels AutoML, und die Modellinterpretation mittels Shapley-Werten zur Bereitstellung hypothetischer Ursachen. Die Evaluation des Konzepts erfolgt anhand realer IoT-Gerätenutzungsdaten von über 40 Tsd. vernetzten Waschmaschinen. Als Ergebnis der Evaluation konnte eine zuvor unbekannte hypothetische Ursache für einen relevanten Fehlerfall auf Grundlage der Gerätenutzung identifiziert werden. Das Assistenzsystem unterstützt somit Domänenexpert:Innen des Qualitätsmanagements bei der explorativen Untersuchung von Kausalitäten zwischen Nutzung und Fehlern, wodurch sich Verbesserungsmaßnahmen in Bezug auf die IoT-Geräte ableiten lassen können.

---

Quality assurance represents an essential component of product development and production, in which the potential of data from IoT devices has received little attention so far. IoT devices enable a collection of actual device usage as well as occurring fault cases, which in total can be referred to as IoT device usage data. This paper presents a concept and evaluation of an AI-based assistance system for improved quality assurance based on IoT device usage data. The concept combines continuous fault monitoring using descriptive data analysis, automated model building to learn correlations between device usage and occurring faults using AutoML, and model interpretation using SHAP to provide hypothetical causes. The concept is evaluated using real IoT device usage data from over 40.000 washing machines. As a result of the evaluation, a previously unknown hypothetical cause for a relevant fault case could be identified based on the device usage. The assistance system thus supports domain experts in quality management in the exploration of causalities between usage and faults, allowing them to derive improvement measures with respect to the IoT devices.