Startseite » Industrie 4.0 »

„Künstliche Intelligenz als Cloud Service bezahlbar“

Interview mit Melanie Schauber und Steffen Hartmaier, IBM Watson IoT
„Künstliche Intelligenz als Cloud Service bezahlbar“

Anzeige
Mit Watson IoT gilt IBM als Vorreiter in Sachen künstliche Intelligenz (KI). Die Watson IoT Experten Melanie Schauber und Steffen Hartmaier erklären, wohin die Reise geht und wo der Gesetzgeber gefordert ist.

Autor: Armin Barnitzke

Wo liegen die Hauptpotenziale für KI? In der Big-Data-Analyse in der Cloud? In der Optimierung von Maschinen, Stichwort selbst regelnde Produktion? Oder in der Interaktion, also etwa Maschinensteuerung via Sprache und Gesten?

Schauber: In allen Bereichen sind enorme Potenziale vorhanden. Eine Rangordnung kann da nicht vergeben werden. Wir stehen ohnehin erst am Anfang der Entwicklung. Klar ist aber: Die Kernkompetenzen von KI-Technologien – oder besser von intelligenten Systemen – sind Spracherkennung und Dialogfähigkeit. Hinzu kommen ihre Möglichkeiten, enorme Mengen strukturierter und unstrukturierter Daten zu verarbeiten, dabei Muster zu erkennen und Korrelationen herzustellen. Dabei lernen sie aus Interaktionen und Erfahrungen und werden immer besser: So können diese Technologien Hinweise und Ratschläge für die Optimierung von Produktionsprozessen oder für Wartung und Reparatur geben, sie können Fehler finden und Alarm schlagen, wenn konkrete Maschinenprobleme auftreten.

Wie weit ist die Industrie schon beim Thema vorausschauende Wartung?

Schauber: Die vorausschauende Wartung, also Predicitive Maintenance, ist in den Werkshallen noch nicht wirklich angekommen. Gegenwärtig geht es in den meisten Betrieben erst einmal um eine Condition-Based Maintenance, also um eine zustandsabhängige Wartung basierend auf der Auswertung von Maschinendaten. Predicitive Maintenance wäre erst der nächste Schritt.

Sie sprechen aber bereits von Prescriptive Maintenance. Was ist darunter zu verstehen?

Schauber: Prescriptive Maintenance geht noch weiter. Die Idee dahinter ist sehr viel komplexer. Bei Prescriptive Maintenance geht es nicht mehr nur um Prognosen, in welchem Zeitraum gewartet beziehungsweise etwas ausgetauscht werden soll, sondern auch um die genaue Berechnung, welches Zeitfenster dafür das betriebswirtschaftlich optimale ist. Ein Beispiel: Macht es bei Problemen mit dem Schiffsmotor mehr Sinn, ihn gleich zu reparieren? Oder sollte man ihn schonen und langsamer fahren? Oder aber ist es besser, das Letzte aus dem Motor rauszuholen, um die Ware rechtzeitig am Zielort zu haben? Alle drei Optionen sind potenziell mit Kosten und Risiken verbunden, die Frage ist nur, welche Option in der konkreten Situation am meisten Sinn hat.

Über Themen wie vorausschauende Wartung hinaus: Wird aus Ihrer Sicht KI fester Bestandteil von Maschinen und Robotern werden?

Schauber: Unserer Ansicht nach ja. Mehrere Gründe sprechen dafür: Zum einen wird KI als Cloud-Service bezahlbar, gleichzeitig verbessert sich die Qualität von Machine Learning (ML)-Algorithmen rasant. Hinzu kommt: Die Verfügbarkeit von Daten ist enorm gestiegen, zusätzlich machen sich die Auswirkungen der Open Source und Open API Bewegung bemerkbar. Wo noch vor wenigen Jahren meist proprietäre Systeme im Einsatz waren, sind heute viele Systeme mit standardisierten Schnittstellen versehen und damit auch wesentlich einfacher mit intelligenten Services und Anwendungen kombinierbar.

Wo liegen noch Herausforderungen?

Hartmeier: Weniger die Technik als vielmehr die bisher mangelnde Investitionsbereitschaft ist eine enorme Hürde für die Einführung von KI-Systemen. Viele Firmen leiden IT-technisch betrachtet unter einem regelrechten Investitionsstau. Denn Informationstechnologie wurde oft und viel zu lange nur als notwendiges Übel betrachtet. Mit Industrie 4.0 und KI ändert sich das gerade massiv: Auf einmal rückt der Einsatz von Software als gewichtiger Wettbewerbsfaktor in den Mittelpunkt unternehmensstrategischer Überlegungen. Und damit kommt es sozusagen zu einem IT-Kultur-Clash: Denn es trifft Investitionsstau mit meist veralteter Hard- und Software auf eine neue Generation innovativer Technologien.

Und wie steht es um rechtliche Fragen? Wer haftet, wenn ein autonom lernender KI-Roboter Schäden verursacht?

Hartmeier: Bei der Frage der Haftung für das Fehlverhalten eines intelligenten Roboters oder Fahrzeugs gibt es noch industrieübergreifend Handlungsbedarf. Der Roboter beziehungsweise die KI verfügt nach heute geltendem Recht nicht über eine Rechtspersönlichkeit und kann damit nicht eigenständig am Rechtsverkehr teilnehmen. Genauso wenig wie der Roboter wirksam Verträge schließen kann, kann er für Schäden, die er verursacht, haften. Im Schadensfall wird es also kompliziert.

Nämlich?

Hartmeier: So könnte der Geschädigte Ansprüche gegen den Hersteller des Roboters oder der KISoftware geltend machen, genauso könnte er aber auch gegen den Eigentümer des Roboters oder denjenigen vorgehen, der für den Betrieb im konkreten Fall verantwortlich war. Nicht zu vergessen diejenigen, die die Informationen bereitgestellt haben, mittels derer der Roboter sich die Tätigkeit beigebracht hat. Die Suche nach der Ursache und dem Verantwortlichen dürfte in solchen Situationen oftmals sehr schwierig und langwierig ausfallen – zum Ärger aller Beteiligten. Es ist daher Aufgabe des Gesetzgebers, hier eine zeitgemäße und praktikable Lösung zu schaffen.

IBM Watson

www.ibm.com/watson

Hannover Messe Halle 7, Stand C 16


Watson @ automatica 2018

Wie Watson IoT in der Praxis eingesetzt wird, berichten am 21. Juni 2018 Eduard Saller (Data Scientist Innovation Lab, BMW Group) und Kim Dressendörfer (Watson Cognitive Solution Architect, IBM Watson IoT Center) auf dem Automatica Forum. Ihr Thema „Kognitive Intelligenz in der Automobilproduktion“. ↓

https://automatica-munich.com/rahmenprogramm/foren/automatica-forum/index.html


Entwicklung bei Deep Learning verläuft exponentiell

Wie lernen künstliche neuronale Netze?

Künstliche neuronale Netze und Deep Learning sind wichtige Basistechniken der künstlichen Intelligenz. Dr. Dirk Michelsen, Managing Consultant bei IBM Watson, erklärt, wie das Ganze funktioniert.

„Grundidee von künstlichen neuronalen Netzen ist es, die Funktionsweise des menschlichen Gehirns nachzuahmen

“, sagt Michelsen. Im menschlichen Körper dienen solche Verbünde vernetzter Neuronen als Teil des Nervensystems ganz bestimmten Funktion dient – etwa dem Sehen. Ähnliches gelte nun auch für künstliche neuronale Netzwerke.

Allerdings sind die künstlichen neuronalen Netze nicht so universell einsatzbar wie das Gehirn, sondern die Topologie eines künstlichen Neuronen-Verbundes hängt stark von der Aufgabe ab, betont Michelsen: „Ein künstliches neuronales Netz wird stets aufgabenspezifisch konstruiert, zum Beispiel für die Bild- oder Spracherkennung, für die Textinterpretation.“ Dabei werden bereits auf der Ebene unter dem lernfähigen Netz, dem Pre-Processing Layer, bestimmte Fähigkeiten ausgebildet, zum Beispiel zum Sehen oder Hören. „Diese vorprozessierten Daten werden dann in das künstliche neuronale Netzwerk verschoben und dort dann sozusagen fine getunt.“

Beispiele, Beispiele, Beispiele

Dazu wird das künstliche neuronale Netz trainiert. Dafür brauchen die Systeme aber vor allem „Beispiele, Beispiele, Beispiele“, so Michelsen. „Je besser ein solches KI-System im Vorfeld mit Daten versorgt und trainiert wird, desto präziser kann es Trends und Muster erkennen.“

Mit den Daten lernt das künstliche neuronale Netz ähnlich wie ein menschliches Gehirn: „Es entwickelt neue Verbindungen oder löscht bestehende, es ändert die Gewichtung oder passt Schwellenwerte an.“ Vorteil: Wo frühere KI-Systeme Zeile für Zeile durchprogrammiert und für jede Aufgabe ein Lösungsweg entwickelt werden musste, können heutige Deep-Learning-Systeme eigenständig Muster erkennen, Verknüpfungen herstellen oder kontext-basierte Rückschlüsse ziehen.

Und das Ende der Deep Learning Fahnenstange sei noch lange nicht erreicht. „Die Entwicklung verläuft gegenwärtig nicht mehr linear, sondern exponentiell. Dabei erleben wir momentan immer wieder neue Überraschungen, wie lernfähig die Systeme jetzt schon sind.“

„Je besser ein KI-System im Vorfeld mit Daten versorgt und trainiert wird, desto präziser kann es Trends und Muster erkennen.“

Dr. Dirk Michelsen, IBM Watson:
Bild: IBM

Wartung mit Künstlicher Intelligenz: Von der Predictive bis zur Prescriptive Maintenance

Gerade von der Verknüpfung unstrukturierter Daten, wie Bilder oder Geräusche, mit strukturierten Daten aus den Maschinen verspricht sich IBM-Watson-Expertin Melanie Schauber Fortschritte durch Künstliche Intelligenz (KI). Ein schönes Beispiel für solche Kombinationen stamme aus der Energieerzeugung: „Mit der Analyse strukturierter Daten aus dem Betrieb von Solaranlagen in Kombination mit Wetterdaten, die mit Kommentaren zum Wetter aus sozialen Medien kombiniert werden, können wir Vorhersagen für die Energieerzeugung der Solaranlagen erstellen. Ohne lernende Systeme liegen wir hier bei einer Vorhersage-Genauigkeit von circa 60 Prozent, mit KI basierten Systemen bei über 90 Prozent.“

Die Kombination von strukturierten und unstrukturierten Daten könne zudem bei der vorausschauenden Wartung helfen. „Predicitive Maintenance ist allerdings noch nicht in den Werkshallen tatsächlich angekommen. Gegenwärtig geht es in den meisten Betrieben erst einmal um eine Condition-Based Maintenance, also die zustands-abhängige Wartung von Maschinen und Anlagen, basierend auf der Auswertung von Maschinendaten.“ Predicitive Maintenance wäre erst der nächste Schritt.

Dennoch arbeitet IBM bereits an der Prescriptive Maintenance. Schauber: „Bei Prescriptive geht es nicht mehr nur um Prognosen, in welchem Zeitraum gewartet beziehungsweise etwas ausgetauscht werden soll, sondern um die genaue Berechnung, welches Zeitfenster dafür das betriebswirtschaftlich optimalste wäre.“ Sie verdeutlicht das an einem Beispiel: Macht es bei Problemen mit dem Schiffsmotor mehr Sinn, ihn gleich zu reparieren? Oder sollte man ihn schonen und langsamer zu fahren? Oder aber ist es besser, das letzte aus dem Motor rauszuholen, um die Ware rechtzeitig am Zielort zu haben? „Alle drei Optionen sind potenziell mit Kosten und Risiken verbunden, die Frage ist nur, welche Option macht in der konkreten Situation am meisten Sinn?“


Mehr zum Thema Industrie 4.0
Anzeige
Aktuelle Ausgabe
Titelbild Automationspraxis 4
Ausgabe
4.2020
LESEN
ABO
Schlagzeilen
Newsletter

Jetzt unseren Newsletter abonnieren

Themenseite Cobot

Erläuternde Beiträge, Neuigkeiten, Anwendungsbeispiele und Hintergrundinfos rund um das Thema kollaborative Robotik

Messevideo


Mechatronik in der Mensch-Roboter-Kollaboration: Die Zimmer Group zeigt, wie es geht.

Kalender

Aktuelle Termine für die Automatisierungsbranche

Whitepaper

Whitepaper aller unserer Industrieseiten

Alle Webinare & Webcasts

Webinare aller unserer Industrieseiten

Anzeige
Anzeige

Industrie.de Infoservice
Vielen Dank für Ihre Bestellung!
Sie erhalten in Kürze eine Bestätigung per E-Mail.
Von Ihnen ausgesucht:
Weitere Informationen gewünscht?
Einfach neue Dokumente auswählen
und zuletzt Adresse eingeben.
Wie funktioniert der Industrie.de Infoservice?
Zur Hilfeseite »
Ihre Adresse:














Die Konradin Verlag Robert Kohlhammer GmbH erhebt, verarbeitet und nutzt die Daten, die der Nutzer bei der Registrierung zum Industrie.de Infoservice freiwillig zur Verfügung stellt, zum Zwecke der Erfüllung dieses Nutzungsverhältnisses. Der Nutzer erhält damit Zugang zu den Dokumenten des Industrie.de Infoservice.
AGB
datenschutz-online@konradin.de