Machine und Deep Learning: Zweitägige Schulung im InTraLab

Im Mai fand am Lehrstuhl für Wirtschaftsinformatik, Prozesse und Systeme eine zweitägige Schulung zu Machine Learning und Deep Learning statt. Die Teilnehmergruppe war gemischt: Fachkräfte aus der Nachrichtenverarbeitung in Automotive und Handel trafen auf Studierende des Maschinenbaus, des Wirtschaftsingenieurwesens und der Wirtschaftsinformatik.

Die Schulung fand im Industrial Transformation Lab (InTraLab) in Potsdam-Babelsberg statt.

Eine Gruppe mit unterschiedlichen Ausgangspunkten
Die berufliche Praxis der teilnehmenden Fachkräfte liegt im elektronischen Nachrichtenaustausch zwischen Unternehmen: Bestellungen, Lieferavise und Rechnungen, die in standardisierten Formaten wie EDIFACT zwischen Handelspartnern und entlang der automobilen Lieferkette übertragen und verarbeitet werden. Ein Anwendungsfeld mit hohem Datenvolumen, klaren Strukturen und einem erheblichen Anteil manueller Nacharbeit bei fehlerhaften oder abweichenden Nachrichten und damit mit konkretem Potenzial für maschinelle Lernverfahren.

Die Studierenden brachten demgegenüber methodische Vorkenntnisse mit, jedoch selten Erfahrung mit betrieblichen Datenbeständen. Genau diese Konstellation hat die Schulung getragen. Anwendungsfragen aus der Praxis konkretisierten die Methodik, die Fragen der Studierenden führten zu einer präziseren Darstellung der Verfahren. Für beide Seiten entstand daraus ein Perspektivwechsel, den ein rein homogenes Format nicht bietet.

Inhalte der Schulung
Tag 1 – Vom Grundbegriff zum vollständigen ML-Workflow. Nach den Grundlagen folgte der Überblick über die Lernverfahren: überwachtes Lernen mit Klassifikation und Regression, unüberwachtes Lernen mit Clustering und Anomalieerkennung. Eine Teilnehmer fasste die zentrale Weichenstellung prägnant zusammen: Machine Learning erkenne Muster in Daten, der Zielwert müsse jedoch bekannt sein, andernfalls bewege man sich im Bereich des Clusterings.

Ein durchgerechnetes Beispiel am Titanic-Datensatz machte den Workflow erstmals vollständig sichtbar. Der Block zur Datenvorverarbeitung, in der Praxis der aufwendigste Schritt, behandelte fehlende Werte, Feature Engineering, Encoding, Skalierung und die saubere Trennung von Trainings-, Validierungs- und Testdaten, mit besonderem Gewicht auf Data Leakage. Geübt wurde an einem bewusst „schmutzigen" Retail-Datensatz. Abschließend verglichen die Teilnehmenden vier Modellfamilien (Logistic Regression, Decision Tree, Random Forest und k-Nearest Neighbors) anhand von Accuracy, Precision, Recall, F1-Score und Confusion Matrix am Beispiel der Erkennung von High-Value-Transactions. Leitgedanke: Nicht das genaueste Modell gewinnt, sondern dasjenige, das am besten zu Daten, Fragestellung und Anforderungen passt. Die Rückmeldungen zu diesem Praxisteil fielen durchgehend positiv aus. Mehrfach wurde das Verhältnis von Theorie und Praxis als ausgewogen bewertet.

Tag 2 – Deep Learning, Bildverarbeitung und Praxistransfer. Der zweite Tag behandelte Aufbau und Funktionsweise neuronaler Netze bis hin zu den gängigen Architekturen, Feedforward-Netze, CNNs, LSTM und Transformer, sowie die Frage, wann klassisches Machine Learning ausreicht und wann Deep Learning erforderlich ist.

An einem industriellen Bilddatensatz zur Sichtprüfung von Gussteilen trainierten die Teilnehmenden ein eigenes CNN und setzten anschließend Transfer Learning ein. Ausdrücklich ging es dabei nicht um das reine Ausführen von Code. Fehlklassifikationen wurden fachlich bewertet, denn ein übersehener Defekt wiegt in der Qualitätssicherung schwerer als ein fälschlich aussortiertes gutes Teil. Die Frage, ob ein Modell mit guten Metriken, aber falschem Blickwinkel freigegeben werden dürfte, wurde in der Gruppe kontrovers diskutiert.

Der Praxistransfer folgte anhand einer Fallstudie: Was qualifiziert ein Problem überhaupt als durch Machine Learning lösbar? Bewertet wurden reale Business Cases, darunter auch solche, die sich bei genauerer Prüfung als ungeeignet erwiesen, etwa wegen Data Leakage oder inkonsistenter Labels. Den Abschluss bildeten die Integration von Modellen in bestehende Systeme, Low-Code-Automatisierung sowie Large Language Models im industriellen Kontext einschließlich Retrieval Augmented Generation (RAG). In den Gruppendiskussionen wurde unter anderem der Praxisbezug zur EDIFACT-Verarbeitung vertieft.

Die Teilnehmer bearbeiteten in Zweier- oder Dreiergruppe die verschiedenen Aufgaben.

Was die Teilnehmenden mitgenommen haben
Die Auswertung von Feedbackkarten am Ende beider Tage zeigt ein klares Bild. Als besonders wertvoll wurde die durchgängige End-to-End-Betrachtung des ML-Workflows genannt. Statt einzelner Verfahren isoliert zu behandeln, macht die Schulung nachvollziehbar, welche Schritte ein Vorhaben von der Datengrundlage bis zur Auswertung tatsächlich umfasst und an welchen Stellen es typischerweise scheitert. Ebenso positiv bewertet wurden die Anbindung an konkrete betriebliche Anwendungsfälle und das Tempo, das Einsteigern den Zugang offenhält, ohne Vorerfahrene zu unterfordern. Für die Praktiker stand am Ende die Fähigkeit, Potenziale im eigenen Prozess einzuschätzen. Welche Aufgaben eignen sich für maschinelle Lernverfahren, welche Datengrundlage ist dafür erforderlich und wo liegen die Grenzen? Die Studierenden nahmen den Blick auf reale Datenbestände und deren Eigenheiten mit.

Die Rückmeldungen fließen unmittelbar in die Weiterentwicklung des Formats ein. So wird der praktische Eigenanteil in der kommenden Fassung ausgebaut und der Übergang von klassischen Lernverfahren zu Sprachmodellen ausführlicher hergeleitet. Unsere Lernbausteine entwickeln wir iterativ weiter – jede Durchführung liefert dafür die Grundlage.
Zum Ausklang stießen Teilnehmende und Lehrende gemeinsam mit einem Bier aus dem WI-Braukeller an.

Zum Abschluss ein Tropfen aus dem WI-Braukeller – dem hauseigenen Braukeller des Lehrstuhls.

Interesse?
Der Lehrstuhl für Wirtschaftsinformatik, Prozesse und Systeme bietet Schulungen und Lernbausteine zu Machine Learning, Deep Learning und weiteren Themen der industriellen Transformation an. Die Durchführung erfolgt im Industrial Transformation Lab (InTraLab) in der Digitalvilla am Hedy-Lamarr-Platz in Potsdam, wahlweise als offenes Format oder als Inhouse-Schulung für einzelne Unternehmen und Gruppen. Programmier- oder Statistikkenntnisse sind hilfreich, aber keine Voraussetzung.

Kontakt

Univ.-Prof. Dr.–Ing. habil. Norbert Gronau
Lehrstuhlinhaber | Chairholder
Digitalvilla am Hedy-Lamarr-Platz, 14482 Potsdam
Tel +49 331 977 3322
E-Mail ngronau@lswi.de