KI-Drift in der Fertigung: Andere Daten oder schlechtere Ergebnisse?

Das Signal vor der Alarmschwelle benennen

Die Microsoft-Dokumentation zur Modellüberwachung unterscheidet Datendrift, Vorhersagedrift, Datenqualität und anhand tatsächlicher Referenzergebnisse gemessene Leistung. Diese Signale benötigen unterschiedliche Eingaben. Eine veränderte Kamerahelligkeitsverteilung kann eine echte Datenänderung sein, ohne schlechtere Fehlererkennung nachzuweisen.

Bewahren Sie für eine Fertigungsentscheidung außerdem fehlende Bilder, ungültige Einheiten, Produktrevisionen, Beleuchtungsänderungen, Kameraeinstellungen, Modellstand und Schwelle auf. Ein ausgefallener Sensordatenstrom ist ein anderer Vorfall als eine allmählich veränderte Produktgrundgesamtheit.

Den unvollständigen Referenzstand aus der Gesamtbewertung heraushalten

Unsere illustrative aktuelle Gruppe enthält 1.000 geprüfte Teile. Bei der ersten Bewertung haben erst 200 bestätigte Endergebnisse. Diese 200 wurden bevorzugt nachgeprüft. Ihre Referenzen sind daher keine zufällige repräsentative Stichprobe der übrigen 800.

Berichten Sie 200/1000 Referenzabdeckung und die Auswahlregel. Bezeichnen Sie 200 Teile mit Referenz nicht als gesamte aktuelle Produktion und unterstellen Sie nicht, dass die übrigen 800 gut sind. Der fiktive Datensatz erhält später Ergebnisse für jedes Teil. Nur diese vollständige Gruppe wird im folgenden Vergleich verwendet.

Vollständige Gruppen mit passenden Definitionen vergleichen

Die fiktive Ausgangsgruppe und die vervollständigte aktuelle Gruppe enthalten jeweils 1.000 Teile, davon 50 laut Referenz fehlerhafte und 950 gute. Die Ausgangsgruppe erkennt 45 Fehler und übersieht 5; 19 Gutteile werden fälschlich markiert. Die aktuelle Gruppe erkennt 40, übersieht 10 und markiert 38 Gutteile fälschlich.

Die Erkennungsrate, auch Recall, sinkt von 45/50 = 90 % auf 40/50 = 80 %. Die Falsch-Positiv-Rate steigt von 19/950 = 2 % auf 38/950 = 4 %. Diese beobachteten Unterschiede verlangen im Lehrszenario eine Untersuchung. Wenige Fehlerteile, Stichprobenunsicherheit und Betriebsunterschiede verhindern allein aus den Prozentwerten einen sicheren Kausalschluss.

Die Änderung vor dem Neutraining untersuchen

Prüfen Sie Eingabegültigkeit, Referenzmethode, Produktmix, Bildbedingungen, Schwellenstand und Arbeitsablaufänderungen. Eine verschobene Helligkeitskennzahl kann eine Kamera- oder Beleuchtungsprüfung nahelegen. Sofortiges Neutraining kann einen fehlerhaften Aufbau verdecken oder dem Modell eine vorübergehende Störung beibringen.

Nutzen Sie die Hinweise zu KI-Drift im umfassenderen Prozess vorausschauender Qualität. Die Prüfschwellenanalyse hilft, wenn sich die Abwägung ohne neue Modellgewichte verändert hat. Auch eine Schwellenanpassung braucht Validierung und Befugnis.

1. Den Betriebsstand erfassen

   Kamera, Vorverarbeitung, Modell, Schwelle und Produktkontext dokumentieren.

2. Daten und Referenzabdeckung prüfen

   Ungültige Eingaben, Verteilungsänderungen und unvollständige Ergebnisse trennen.

3. Ein definiertes Signal untersuchen

   Verantwortung zuweisen und plausible Ursachen mit repräsentativen Nachweisen prüfen.

4. Die gewählte Reaktion validieren

   Reparatur, Neukalibrierung, Neutraining oder unveränderten Betrieb an zurückgehaltenen Bewertungsdaten testen.

Überwachungstakt nach Folgen und verfügbaren Prüfergebnissen festlegen

Ein Modell für schnell laufende Produktion kann sofortige Eingabequalitätskontrollen brauchen, während endgültige Produktergebnisse erst Tage später eintreffen. Geben Sie den Signalen unterschiedliche Reaktionszeiten. Warten Sie bei fehlenden vorgeschriebenen Prüfnachweisen nicht auf das wöchentliche Drift-Dashboard.

Wählen Sie Alarmkriterien und Ersatzverfahren mit dem verantwortlichen Qualitäts- und Betriebsteam. Das AI Risk Management Framework von NIST versteht Messung und Risikosteuerung als laufende Aufgaben. Es liefert keinen universellen Driftprozentsatz, der jedes Fertigungsmodell sicher macht.

Den Überwachungskreis mit einer tatsächlichen Entscheidung schließen

Bewahren Sie Hinweis, Untersuchung, Maßnahme, Befugnis und späteres Ergebnis auf. „Drift erkannt“ ist noch kein betriebliches Ergebnis. Erfassen Sie, ob die Änderung Kundenrisiko, manuelle Prüflast oder Prozessverfügbarkeit betraf und was ungeklärt bleibt.

Der Download trennt den unvollständigen Stand von den beiden vollständigen fiktiven Matrizen. Erfassen Sie eigene Signale und Entscheidungen getrennt davon.