Produktionsunternehmen erzeugen in verschiedenen Bereichen der Fertigungsprozesse eine Fülle an Daten, die ihnen wertvolle Erkenntnisse zur Optimierung ihrer Prozesse, Anlagen oder Systeme anbieten können. Die effektive Ausnutzung dieser Industriedaten erfordert den Einsatz von Analysetechniken, darunter Algorithmen des maschinellen Lernens (ML-Algorithmen). Dabei sind verschiedene Komponenten einer Analyselösung auszuwählen und zu konfigurieren, wie z.B. die Datenaufbereitungstechniken, die IT-Recheninfrastruktur und die ML-Algorithmen selbst. Eine auf reine technische Informationen basierte Wahl dieser Komponenten kann die Leistung der resultierenden Analyselösung beeinträchtigen, da die domänenspezifischen Zielsetzungen und Anforderungen des Anwendungsfalls nicht explizit betrachtet worden sind.

Im Rahmen dieses Promotionsprojekts werden domänenspezifische Faktoren für die Auswahl und Konfiguration geeigneter ML-Algorithmen in der Produktion untersucht. Ein auf Basis dieser Untersuchung vorgeschlagenes Rahmenwerk ermöglicht die Spezifikation aller für eine Analyselösung erforderlichen Komponenten. Zusätzlich zu den Daten, der IT-Recheninfrastruktur und der ML-Algorithmen können über entsprechende Spezifikationen auch die Problemstellung der Analyselösung über domänenspezifische Zielsetzungen und Anforderungen definiert werden. Ebenso erlaubt es das Rahmenwerk, verschiedene Experten aus der jeweiligen Anwendungsdomäne und aus der Informatik bzw. den Datenwissenschaften in den Entwicklungsprozess einzubeziehen und deren Zusammenarbeit besser zu strukturieren. So können auch Querbezüge zwischen den Spezifikationen der Problemstellung, Daten, IT-Recheninfrastruktur und ML-Algorithmen definiert werden, um damit Analyselösungen ganzheitlich gestalten, umsetzen und validieren zu können.