Synthetische Daten

Was sind synthetische Daten?

Synthetische Daten sind algorithmisch generierte Informationen, die reale Muster nachbilden, ohne sensible oder geschützte Daten zu verwenden. Im Gegensatz zu herkömmlichen Datensätzen, die manuell erfasst werden müssen, werden synthetische Daten durch prozedurale Generierung, 3D-Modellierung oder neuronale Netze erstellt. Mit dieser Methode können Unternehmen Herausforderungen wie Datenknappheit, Datenschutzbestimmungen und hohe Kosten für Anmerkungen überwinden und gleichzeitig die statistische Aussagekraft für maschinelles Lernen erhalten.

Wie synthetische Daten funktionieren

Der NYRIS-Prozess zur Generierung synthetischer Daten kombiniert computergestütztes Design (CAD) mit fortschrittlichen neuronalen Rendering-Techniken:

1. Aufnahme von CAD-Modellen: Industriepartner stellen 3D-CAD-Dateien von Maschinenkomponenten, Produkten oder Einzelhandelsartikeln zur Verfügung. Die NYRIS-Pipeline parst automatisch geometrische Daten, Materialeigenschaften und Baugruppenhierarchien in ein einheitliches digitales Zwillingsformat, das mit Rendering-Engines kompatibel ist.
2. Parametrisierung der Szene: Ingenieure definieren Umgebungsvariablen wie Lichtverhältnisse (Studio, Fabrikhalle, Außenbereich), Kamerawinkel, Verdeckungen und Oberflächenverschleißmuster. Für Anwendungsfälle in der Fertigung umfasst dies die Simulation von Ölflecken, Rost oder Teilsichtbarkeit in engen Maschinenräumen.
3. Bereichs-Randomisiertes Rendering: Mithilfe von Unreal-Engine-basierten Systemen erzeugt NYRIS Millionen einzigartiger Bildvariationen durch die zufällige Kombination von Materialien, Beleuchtung, Winkeln und Umgebungseffekten. Ein einziges CAD-Modell kann mehr als 10.000 synthetische Trainingsbilder erzeugen, die Randfälle abdecken, die in realen Fotos selten vorkommen.

Mit diesen synthetischen Daten werden Faltungsneuronale Netze (CNNs) trainiert, um Teile unter verschiedenen Bedingungen zu erkennen. Bei den NYRIS-Benchmarks für die visuelle Suche wurde eine Genauigkeit von 99,7 % erreicht.

Anwendungen

Herstellung

Die synthetischen Daten von NYRIS ermöglichen es Herstellern wie DMG Mori und Trumpf, die Identifizierung von Ersatzteilen aus unscharfen Wartungsfotos zu automatisieren. Durch das Training von KI auf CAD-Bildern, die Komponenten unter Korrosion, teilweiser Verstopfung oder schlechten Lichtverhältnissen zeigen, können Kunden die Ausfallzeiten ihrer Anlagen im Vergleich zu manuellen Suchprozessen um 85 % reduzieren.

Elektronischer Geschäftsverkehr

IKEA verwendet von NYRIS generierte synthetische Bilder, um visuelle Suchmodelle zur Identifizierung von Möbeln in 500 Millionen Artikeln zu trainieren. Synthetische Daten simulieren unterschiedliche Wohnumgebungen und ermöglichen eine genaue Produkterkennung trotz unübersichtlicher Hintergründe oder ungewöhnlicher Kamerawinkel.

Automobilindustrie

Daimler integriert synthetische Daten in Qualitätskontrollsysteme und verwendet gerenderte Bilder von Autoteilen, um mikroskopische Defekte während der Montage zu erkennen. Dieser synthetische Trainingsansatz reduzierte die Zahl der Fehlalarme um 40 % im Vergleich zu Modellen, die nur auf Basis von Werkskamerabildern trainiert wurden.

Ihre Vorteile

1. Kosteneffizienz: Die Generierung synthetischer Daten kostet 90 % weniger als die manuelle Erfassung und Beschriftung von Fotos für industrielle Anwendungsfälle. NYRIS-Kunden sparen Kosten für Fotoausrüstung, Besuche vor Ort und GDPR-konforme Datenverarbeitung.
2. Abdeckung von Grenzfällen: Synthetische Pipelines erzeugen seltene Szenarien wie beschädigte Komponenten oder extreme Beleuchtung, die in realen Datensätzen fehlen. Die Fertigungspartner von NYRIS erzielten 30 % höhere Fehlererkennungsraten nach dem Wechsel zu synthetisch trainierten Modellen.
3. Schnelligkeit bei der Bereitstellung: NYRIS kann innerhalb von 72 Stunden 1 Million beschriftete Trainingsbilder aus CAD-Dateien generieren und damit die Zeitspanne für den Einsatz von KI im Vergleich zur herkömmlichen Datenerfassung um 6-8 Monate verkürzen.