Foundation Model

Ein Foundation Model ist ein großes Machine-Learning-Modell, das auf breiten Daten trainiert wurde und sich an viele nachgelagerte Aufgaben anpassen lässt, statt für ein einzelnes eng begrenztes Problem entwickelt zu sein. In der Industrie dienen Foundation Models, die auf Text-, Sensor- oder Bilddaten trainiert wurden, als wiederverwendbare Basis für Instandhaltungs-, Bildverarbeitungs- und Prozessanwendungen.

Herkömmliche industrielle Modelle werden von Grund auf für eine einzelne Aufgabe trainiert – ein Modell pro Pumpentyp, ein Klassifikator pro Defekt. Ein Foundation Model wird stattdessen auf einem sehr großen, allgemeinen Datensatz vortrainiert und dann für spezifische Anwendungen feinabgestimmt oder per Prompt gesteuert, wodurch sich der hohe Trainingsaufwand über viele Anwendungen verteilt.

Die bekanntesten Beispiele sind große Sprachmodelle für Text, doch derselbe Ansatz breitet sich auf Zeitreihen-Sensordaten und maschinelles Sehen aus, wo ein einziges vortrainiertes Modell mit vergleichsweise wenigen aufgabenspezifischen Daten an neue Anlagen oder Produktlinien angepasst werden kann.

Für industrielle Teams liegt der Reiz in Wiederverwendung und schnellerer Bereitstellung: weniger gelabelte Daten und Engineering-Aufwand pro neuem Anwendungsfall. Die Kompromisse betreffen Modellgröße, Rechenkosten und die Notwendigkeit zu validieren, dass sich ein allgemeines Modell auf den Anlagen und Bedingungen eines konkreten Werks korrekt verhält.

Verwandte Begriffe

Large Language Model (LLM) · Generative AI · Machine Learning (Industrial) · Neural Network