Semi-überwachtes Lernen: Ungenutzte Daten nutzen

Ein Kranhersteller startete ein Fehlererkennungsprojekt. Das Annotationsteam zeichnete Tag für Tag Rahmen auf dem Bildschirm – nach einer Woche waren erst einige tausend Bilder markiert. Ein Erkennungsmodell, das im Feldeinsatz stabil funktioniert, benötigt jedoch in der Regel Zehntausende bis Hunderttausende annotierte Stichproben. Der auf dieser Plattform bereits veröffentlichte Datensatz zur Defektkennzeichnung umfasst inzwischen 500.000 Bilder – hinter dieser Zahl steht die monatelange, repetitive Arbeit der Annotateure.

Die Realität ist jedoch komplexer: Die täglich von Kränen erzeugten Bild-, Vibrations- und Stromdaten sind schier unerschöpflich – doch die überwiegende Mehrheit davon sind „nackte Daten" ohne jegliche Kennzeichnung. Würde man ausschließlich mit den wenigen tausend annotierten Bildern trainieren, lernte das Modell nicht genügend Änderungen der Betriebsbedingungen. Würde man hingegen warten, bis alle Hunderttausende Bilder manuell annotiert sind, wäre das Projektlieferfenster längst überschritten. Genau hier setzt semi-supervised Learning an: Es macht diese „nicht annotierbaren" Daten nutzbar.

Das Kernproblem: Annotation als teuerste Prozessstufe der Kran-KI

In Computer-Vision-Aufgaben wird die Leistungsobergrenze eines Modells durch zwei Variablen bestimmt: die Menge der Daten und die Qualität der Labels. Die Logik des überwachten Lernens ist simpel: Je mehr annotierte Stichproben, desto mehr Supervisionssignale erhält das Modell. Stoppt die Annotation, stagniert auch das Modell. Für die Fehlererkennung an Kränen ist das eine reale Herausforderung.

Am Beispiel der Drahtbrucherkennung im Seil: Das hier zuvor vorgestellte Modell erreichte auf einem spezifischen Datensatz eine Erkennungsgenauigkeit von 97,3 % – die Voraussetzung dafür war ein Trainingskorpus, bei dem jeder einzelne Stahldraht und jede Bruchstelle manuell annotiert wurde. Dass der Datensatz zur Defektkennzeichnung auf 500.000 Bilder angewachsen ist, zeigt: Der Personaleinsatz für die Annotation übersteigt den Aufwand für das Modelltraining selbst bei Weitem.

Semi-supervised Learning verändert genau diese Prämisse. Sein Input besteht aus zwei Teilen: einer kleinen Menge annotierter Stichproben und einer großen Menge nicht annotierter Stichproben. Das Modell baut zunächst auf den wenigen annotierten Daten eine grundlegende Urteilsfähigkeit auf, überträgt diese dann auf die nicht annotierten Daten und gewinnt aus deren Verteilungsstruktur zusätzliche Supervisionssignale. Streng genommen ist es kein „Verzicht auf Annotation", sondern eine Verdünnung der Grenzkosten der Annotation.

Eine technische Grenze muss hier klar benannt werden: Nicht annotierte Daten sind nur dann wertvoll, wenn sie bestimmten Verteilungsannahmen genügen – andernfalls liefern sie kein Signal, sondern Rauschen. GB/T 28264 – Sicherheitsüberwachungs- und Managementsystem für Hebezeuge stellt normative Anforderungen an die Erfassung, Übertragung und Speicherung von Überwachungsdaten – genau das ist die Datenbasis für semi-supervised Learning. Kelude Schwerindustrie hat in der Datenverwaltung die Erfahrung gemacht: Erst wenn die Erfassungsmethodik konsistent ist, kann ein Modell überhaupt von nicht annotierten Daten profitieren.

Self-Training, Konsistenzregularisierung und FixMatch im Vergleich

Die Familie der semi-supervised Learning-Methoden ist groß, doch in der Praxis werden vor allem drei Ansätze diskutiert: Self-Training, Konsistenzregularisierung und die hybride Methode, die beide kombiniert.

Self-Training folgt dem einfachsten Prinzip. Zunächst wird ein Basismodell mit annotierten Daten trainiert. Dieses Modell erstellt Prognosen für nicht annotierte Stichproben; Vorhersagen mit ausreichend hoher Konfidenz werden als „Pseudo-Labels" übernommen und zusammen mit den ursprünglichen Annotationen für das erneute Training verwendet – dieser Zyklus wiederholt sich. Der Vorteil liegt in der einfachen Implementierung, die nahezu jede Modellarchitektur akzeptiert. Der Nachteil: Frühe Fehler des Modells werden über Pseudo-Labels verstärkt und akkumulieren sich.

Der Vertreter der Konsistenzregularisierung ist Mean Teacher. Das System unterhält zwei Modelle mit identischer Struktur – ein Schülermodell und ein Lehrermodell. Die Gewichte des Lehrermodells entstehen durch exponentiell gleitenden Mittelwert der historischen Gewichte des Schülermodells. Beim Training wird dieselbe nicht annotierte Stichprobe zwei verschiedenen Störungen ausgesetzt; die beiden Modelle müssen ähnliche Ausgaben liefern. Diese Störungsinvarianz zwingt das Modell dazu, auch in Bereichen ohne Labels eine glatte Entscheidungsgrenze zu lernen.

FixMatch kombiniert Pseudo-Labels mit starker und schwacher Augmentierung: Zunächst wird eine nicht annotierte Stichprobe schwach augmentiert und vom Modell mit einem Pseudo-Label versehen. Anschließend wird dieselbe Stichprobe stark augmentiert; die stark augmentierte Version muss ebenfalls mit diesem Pseudo-Label übereinstimmen. Pseudo-Labels werden nur übernommen, wenn die Konfidenz einen Schwellwert überschreitet. Diese Kombination zeigt auf Bildklassifizierungs-Benchmarks deutliche Erfolge – bei der Fehlererkennung mit deutlich kleineren Zielobjekten ist die Wahl der Augmentierungsstärke jedoch mit Vorsicht zu treffen.

Die KI-Fehlerdiagnose an Kränen ist ein aufstrebendes Feld. Die Existenz von Normen wie ISO 24621:2022 – KI-Fehlerdiagnose für Krane zeigt, dass die Branche beginnt, KI-Fähigkeiten in normative Rahmenwerke zu integrieren. Wie sich semi-supervised Methoden mit den Normanforderungen nach rückverfolgbaren Daten und überprüfbaren Schlussfolgerungen verbinden lassen, ist eine zentrale Frage für die praktische Umsetzung.

Parameterübersicht der drei Methoden im Vergleich

Pseudolabel-Rauschen, Verteilungsannahmen und die anwendbaren Betriebsbedingungen der drei Methoden

Keine der drei Methoden ist absolut überlegen. Die zwei entscheidenden Variablen bei der Auswahl sind: ob die Verteilung der unbeschrifteten Daten mit der der annotierten Daten übereinstimmt und wie tolerant die Aufgabe gegenüber Fehlern in den Pseudolabels ist.

Wenn die unbeschrifteten Daten von derselben Anlagengeneration und aus demselben Betriebszustand stammen, ist die Verteilungsdrift gering, und Selbsttraining mit einem strengen Konfidenz-Schwellwert liefert bereits gute Ergebnisse. Sind die Felddaten jedoch geräuschbehaftet und die Betriebszustände heterogen, ist die Rauschresistenz der Konsistenzregularisierung wertvoller. Bei bildbasierten Aufgaben mit ausgereiften Datenerweiterungsmethoden verspricht ein hybrider Ansatz wie FixMatch in der Regel den größten Nutzen.

Umgekehrt gilt: Ist die Verteilungsannahme verletzt, kann halbüberwachtes Lernen schlechter abschneiden als gar keins. Ein typisches Szenario: In den unbeschrifteten Daten mischen sich Betriebszustände von Kränen unterschiedlicher Tragfähigkeit, verschiedener Mechanismen oder sogar anderer Hersteller, während die annotierten Daten nur eine kleine Teilmenge abdecken. In diesem Fall „lernt" das Modell aus den unbeschrifteten Daten Strukturregelmäßigkeiten, die tatsächlich geräteübergreifende Störungen darstellen.

Die Empfehlung von Kelude Schwerindustrie aus mehreren Projekten ist konsistent: Zuerst die Verteilungskonsistenz verifizieren, dann über die Methodenauswahl sprechen. Die folgende Checkliste umfasst acht Punkte, die vor der Einführung halbüberwachter Verfahren geprüft werden sollten.

Rechnet sich die Annotationskosten-Ersparnis durch halbüberwachtes Lernen? Eine realistische Rechnung

Um zu beurteilen, ob sich halbüberwachtes Lernen lohnt, ist der direkteste Weg, drei Dinge in einer Tabelle gegenüberzustellen: Umfang der annotierten Daten, Annotationskosten und Genauigkeitsgrenze. Voll überwachtes Lernen bietet die höchste Genauigkeit, verlangt aber eine vollständige Annotation. Halbüberwachtes Lernen erkauft eine vergleichbare Genauigkeit mit weniger Annotation, um den Preis zweier zusätzlicher Risiken: Verteilungsannahme und Pseudolabel-Rauschen.

Wichtig zu betonen: Halbüberwachtes Lernen spart vor allem Kosten für „wiederholende Annotation" ein, nicht für die „gesamte Annotation". Die initiale, qualitativ hochwertige Annotation bleibt das Fundament; sie bestimmt die Obergrenze der Pseudolabel-Qualität. Dies erklärt auch, warum halbüberwachtes Lernen in der Kranbranche noch in einem frühen Validierungsstadium steckt – wo die Datenbasis noch nicht geebnet ist, kann selbst die fortschrittlichste Methode nicht greifen. Kelude Schwerindustrie stellt bei der Planung von KI-Roadmaps für Kunden stets das Datenmanagement vor die Methodenauswahl.

Die Servicedaten von Kelude Schwerindustrie zeigen: Was Projekte wirklich behindert, sind oft nicht einige Prozentpunkte Modellgenauigkeit, sondern ein nicht funktionierender Engineering-Kreislauf aus Annotation, Bereinigung und Feedback. Diese Rechnung klar zu haben, ist wichtiger, als sich über die Wahl des halbüberwachten Frameworks zu zerstreiten.

Annotationskosten im Vergleich verschiedener Trainingsansätze

📖 Weiterführende Literatur: Datenerfassung für Kranfehler: Wie 500.000 annotierte Bilder entstanden  |  KI-basierte Sichtprüfung von Kranen: Ein Überblick

Häufige Fragen