Alexander Katzbeck

• In der vorliegenden Arbeit wird der Einsatz von erklärbarer künstlicher Intelligenz (XAI) zur Unterstützung von Predictive-Quality-Anwendungen in industriellen Prozessen untersucht. Ziel ist es, Qualitätsabweichungen frühzeitig zu erkennen und gleichzeitig die Entscheidungsprozesse der KI für Nutzer*innen nachvollziehbar zu gestalten. Es werden sowohl die Potenziale als auch die Herausforderungen beim Einsatz von XAI im Produktionsumfeld beleuchtet. Ein besonderer Fokus liegt auf der Integration von Erklärbarkeitsmethoden, die es ermöglichen, die Vorhersagen der KI-Modelle transparent darzustellen und das Vertrauen der Nutzer*innen in die Systeme zu stärken. Dazu wird ein XAI-Analytics-Board entwickelt, das eine benutzerfreundliche Visualisierung der KI-Ergebnisse sowie der zugrunde liegenden Erklärungen bietet. Die Arbeit behandelt dabei Aspekte wie eine intuitive Bedienoberfläche, responsives Design und die effiziente Datenhaltung zur Sicherstellung der Skalierbarkeit und Performance des Systems. Durch den Einsatz von erklärbarer künstlicher Intelligenz in Predictive-Quality-Anwendungen kann die Qualitätssicherung in der Produktion verbessert werden. Gleichzeitig bietet das XAI-Analytics-Board den Nutzer*innen eine verständliche und praxisnahe Möglichkeit, die KI-gestützten Vorhersagen und deren Erklärungen gezielt für Entscheidungsprozesse zu nutzen.
• This thesis examines the use of explainable artificial intelligence (XAI) to support predictive quality applications in industrial processes. The aim is to detect quality deviations at an early stage and at the same time to make the AI's decision-making processes comprehensible for users. Both the potential and the challenges of using XAI in the production environment are analysed. A particular focus is on the integration of explainability methods that enable the predictions of AI models to be presented transparently and to strengthen user confidence in the systems. To this end, an XAI analytics board is being developed that offers a user-friendly visualisation of the AI results and the underlying explanations. The work addresses aspects such as an intuitive user interface, responsive design and efficient data storage to ensure the scalability and performance of the system. The use of explainable artificial intelligence in predictive quality applications can significantly improve quality assurance in production. At the same time, the XAI Analytics Board offers users an understandable and practical way to utilise AI-supported predictions and their explanations in decision-making processes.