Unternehmen müssen im Rahmen der Vision Industrie 4.0 ihre IT-Architekturen an die Charakteristiken von Daten anpassen und auf die Unterstützung von Datenanalysen ausrichten. In diesem Projekt wurden ausgehend von einer Untersuchung von speziell für Industrie 4.0 geschaffenen IT-Referenzarchitekturen zwei Forschungslücken identifiziert. Die erste Forschungslücke bezieht sich auf die mangelnde Verzahnung der Referenzarchitekturen mit Reifegradmodellen. Dies erschwert die Auswahl passender Konzepte aus den Referenzarchitekturen zur Weiterentwicklung von IT-Architekturen. Die zweite Forschungslücke bezieht sich auf die Verwaltung von Modellen des maschinellen Lernens (ML-Modellen) mithilfe von Modellverwaltungssystemen. Aktuelle Modellverwaltungssysteme sind nicht am Lebenszyklus der ML-Modelle ausgerichtet (s. Abbildung). Zudem fokussieren diese isoliert auf Datenwissenschaftler*innen (engl.: Data Scientists). Dies resultiert in einer ineffizienten Verwaltung der ML-Modelle und führt zur Vernachlässigung zusätzlicher Nutzergruppen. Zu diesen gehören zum einen Domänenexperten, die letztlich passende ML-Modelle für ihre Anwendungsfälle, wie etwa die vorausschauende Wartung von Maschinen, suchen und einsetzen möchten. Zum anderen gehören zu diesen auch Business-Analysten, die den Überblick über alle im Unternehmen verwendeten ML-Modelle behalten wollen.

In diesem Projekt wurde das Konzept eines Reifegradmodells und verschiedene Konzepte für eine Modellverwaltungsplattform entwickelt, welche die identifizierten Forschungslücken schließen. Die Modellverwaltungsplattform unterstützt Domänenexperten mit Funktionen zur Verschlagwortung der ML-Modelle und einer Suche, sodass diese ihre ML-Modelle besser organisieren und auffinden können. Business Analysten werden mit einer interaktiven Modelllandschaftskarte unterstützt, mit der die ML-Modelle mit ihrem umgebenden Geschäftskontext, z. B. mit Geschäftsprozessen und Organisationseinheiten, dokumentiert werden können. Die Konzepte für die Modellverwaltungsplattform wurden in einem Prototyp – der Model Management Platform (MMP) – implementiert und anhand verschiedener Anwendungsfälle evaluiert.