Die Integration maschineller Lernverfahren in die industrielle Produktion birgt Potenziale für ein besseres Prozessverständnis, den Wissensaufbau und Einsparmöglichkeiten durch Prozessoptimierung. Hemmend wirken die Kosten adäquater Datenakquise, die a priori schwer zu quantifizieren sind. Gründe dafür sind bspw. die Abhängigkeiten zwischen der erforderlichen Datenbasis und der Zieldefinition, die Vielzahl der Ausprägungsformen der Datenvorbereitung und Analytik, die Abschätzung von intangiblem Nutzen und rechentechnische Einschränkungen. Ein Lösungsansatz ist die quantitative Analyse von Wirkzusammenhängen beim Einsatz maschineller Lernverfahren in der Produktion. Als Datenbasis dient hier eine Fragestellung aus der Qualitätssicherung: Die Klassifikation von Bohrlöchern anhand von Formqualitätsmerkmalen durch Werkzeugmaschinensteuerungsdaten. Ziel dieser empirischen Arbeit ist es zunächst die Frage zu beantworten, ob Methoden des maschinellen Lernens zur Qualitätsbestimmung von Werkstücken ohne nachgelagerten Qualitätsmessprozess geeignet sind. Darauf aufbauend werden die Einflussfaktoren unterschiedlicher Datenvorbereitungsstrategien auf die Evaluationsergebnisse von Klassifikatoren quantifiziert, um anschließend erforderliche Schritte informiert zu reduzieren. Hierbei liegt der Fokus insbesondere auf der Identifikation der größten Einflussfaktoren sowie der Wechselwirkungen zwischen den Faktoren auf die Ergebnisse der Modellevaluation. Die Vorgehensweisen werden im Hinblick auf Aufwand und Nutzen kritisch diskutiert. Der Trade-off wird quantifiziert und Handlungsempfehlungen für die Praxis hinsichtlich der Anforderungen, Möglichkeiten und Einschränkungen bei der Nutzung von maschinellen Lernverfahren in der industriellen Produktion werden abgeleitet.weiterlesen