Künstliche Intelligenz (KI) ist keine brandneue Technologie. Erste Anfänge der Technologie und der Begriff KI selbst reichen sogar bis in die 1950er-Jahre des vergangenen Jahrhunderts zurück. Damals wurde der Turing-Test entwickelt und der Informatiker und Elektroingenieur Arthur Samuels brachte einem Computer erstmals das Spiel Dame bei.
Auch wenn das Thema schon lange unterschiedlich intensiv bearbeitet wird, sind tatsächlich erst seit einigen Jahren die technischen Voraussetzungen vorhanden, um Machine Learning in industrielle Anwendungen zu bringen. Hierzu gehört zuvorderst die Digitalisierung und die zunehmende Vernetzung von Produktionsmaschinen verbunden mit leistungsstarken Sensoren und hoher Rechenkapazität. Letztere ist nötig, damit die große Menge erzeugter Daten auch verarbeitet und sinnvoll ausgewertet werden kann.
Grundsätze des Machine Learning
Oft werden die Begriffe Künstliche Intelligenz (KI) und Machine Learning (ML) synonym oder mindestens in einem Atemzug genannt. Zunächst gilt: KI ist der Oberbegriff für viele Problemlösungsmethoden, darunter Logik und Planungsverfahren, für die üblicherweise viel menschliche Intelligenz erforderlich wäre. Auch Machine Learning ist eine dieser Methoden und aktuell wohl die am meisten beforschte und angewandte.
Grundsätzlich geht es beim Machine Learning darum, Muster in Daten zu erkennen und dieses Wissen zur Problemlösung einzusetzen. Außerdem wird der Ansatz der traditionellen Datenverarbeitung umgewandelt: Bisher war es nötig, für einen Computer ein Programm zu schreiben, das mithilfe von Eingabendaten Ausgaben erzeugt. Dieses Programm zu erstellen, ist aufwendig und erfordert Fachwissen. Mithilfe von Machine Learning soll sich der Computer nun selbst programmieren. Hierfür erhält er Eingabedaten und, je nach Machine Learning-Methode, auch Ausgabedaten und erstellt darauf basierend automatisch das erforderliche Programm.
Was ist Machine Learning? So funktioniert das Lernen aus Daten
Drei Methoden des Machine Learning
Es gibt drei Methoden maschinellen Lernens:
- Beim überwachten Lernen liegen dem Algorithmus Eingabe- und Ausgabedaten vollständig vor. Konkret heißt das: Wenn beispielsweise ein Bild mit einer Katze erkannt werden soll, muss der Algorithmus vorher hunderte Bilder mit dem Label „Katze“ gesehen haben, um zu wissen, ob er ein unbekanntes Bild als Katze klassifizieren soll.
- Beim unüberwachten Lernen stehen nur die Eingabedaten bereit und der Algorithmus erzeugt selbstständig Cluster, also Merkmalsgruppen.
- Die dritte Methode ist das Verstärkungslernen (Reinforcement Learning): Hier erhält der Algorithmus ein Belohnungssignal, um schrittweise besser zu werden.
Deep Learning nutzt tiefe künstliche neuronale Netze
Das häufigste Verfahren beim Machine Learning ist Deep Learning. Deep Learning nutzt tiefe künstliche neuronale Netze, um Erkenntnisse aus Daten zu gewinnen. Die Arbeitsweise künstlicher neuronaler Netze orientiert sich an den Vorgängen im menschlichen Gehirn, das schätzungsweise aus 86 Milliarden Nervenzellen besteht. Jede Nervenzelle (Neuron) ist mit durchschnittlich 10.000 anderen Neuronen verbunden. Bei künstlichen neuronalen Netzen sind die Neuronen typischerweise in Schichten angeordnet und Verbindungen liegen zwischen Neuronen der direkt aufeinanderfolgenden Schichten vor.
Typisches Anwendungsbeispiel ist die Bildverarbeitung. Anhand von einzelnen Pixeln kann ein neuronales Netz nach diversen Rechenschritten ausgeben, um welches Objekt es sich handelt. Voraussetzung für diese automatische Auswertung von Daten ist, dass das neuronale Netz trainiert wird. Hierzu wird die Stärke der einzelnen Verbindungen zwischen den Neuronen so angepasst, dass das Netz möglichst wenig Fehler bei der Zuordnung der Daten zu einer Klasse macht.
Zur Anpassung der Verbindungsstärke (auch als Gewicht bezeichnet) kommen spezialisierte mathematische Optimierungsverfahren zum Einsatz. Für ein gutes Training des Netzes muss es eine Vielzahl an Eingabedaten, also beispielsweise gelabelte Bilder, erhalten, und für diese muss zunächst ein Mensch die richtige Ausgabeinformation angeben. Praktischerweise gibt es bereits umfangreiche Bilddatenbanken mit gelabelten Daten, z.B. ImageNet, sodass grundlegendes Trainingsmaterial vorhanden ist.
Anwendung des Machine Learning in der Produktion
Machine Learning bietet viele Einsatzmöglichkeiten in der Produktion. Schon die Produktionsplanung und der Aufbau von Anlagen können damit automatisierter und schneller ablaufen. Eine Inbetriebnahme innerhalb weniger Tage ist hier die Vision. Bei laufender Produktion kann Machine Learning die Qualität des Erzeugnis progostizieren, um bei Bedarf Produktionsparameter direkt ändern zu können. Ein weiteres Thema für Machine Learning-Methoden ist Predictive Maintenance, also die vorausschauende Instandhaltung, bei der zum genau richtigen Zeitpunkt Komponenten ausgetauscht und somit Stillstände verhindert werden.
Hinzu kommen neue Geschäftsmodelle auf Basis aller verfügbaren Daten.
- Ein Beispiel ist das Verkaufen einer Dienstleistung anstelle einer Maschine: Der Kunde mietet die Maschine und bezahlt, was er genutzt hat. Das funktioniert aber wiederum nur, wenn der Hersteller ein bestimmtes Servicelevel sicherstellen kann, beispielsweise eine Verfügbarkeit von 99 Prozent.
- Oder ein Maschinenbauer verkauft seine Maschinen an mehrere Kunden und erhält über die Datenanalyse Informationen über die jeweilige Produktionsleistung im Vergleich zum Wettbewerber. So könnte der Maschinenbauer auch ins Beratungsgeschäft einsteigen.
Anwendung des Machine Learning in der Robotik
Neben der Produktion ist auch die Industrierobotik ein großer Profiteur der gesteigerten Forschungsaktivitäten von Machine Learning und dies in dreierlei Hinsicht:
- Die Bildverarbeitung ist eine Schlüsseltechnologie, um Objekte zu identifizieren und zu lokalisieren oder um Umgebungen zu erfassen. Hier sind Algorithmen des Machine Learning verbreitet, um die Erkennungsleistungen zu optimieren. Das Fraunhofer IPA entwickelt damit beispielsweise die Software für den Griff in die Kiste weiter: Während neue Objekte bisher über das manuelle Eingeben von CAD-Daten erfolgte, soll die Software mithilfe von Machine Learning-Methoden unbekannte oder komplexe Objekte selbst einlernen können. Die hierfür nötige Lern- und Trainingserfahrung des neuronalen Netzes findet größtenteils in Simulationsumgebungen statt, was Zeit und Ressourcen spart.
- Weiterhin wird Machine Learning zunehmend zur intuitiven Instruktion von Robotern genutzt. So werden Programmierzeiten von Industrierobotern in steigendem Maße durch den Einsatz automatischer Trajektorien-Planer und Programmgeneratoren verkürzt.
- Außerdem wird begonnen, Machine Learning auch zur Verbesserung der Leistungsfähigkeit des Roboters zu nutzen: Genauigkeitssteigerung, Geschwindigkeitsoptimierungen oder Standzeitverbesserung können durch typische Methoden der KI wie genetische Algorithmen oder Reinforcement Learning erzielt werden. Dies sind allesamt Fortschritte, die das Anwendungsfeld von Industrierobotern in der Produktion erweitern.
Forschungstrends beim maschinellen Lernen
Aktuell stehen die Möglichkeiten von Machine Learning in Produktion und Robotik noch am Anfang. Es gibt zwar Bereiche, in denen es bereits einen festen Platz hat (die Bildverarbeitung ist ein bekanntes Beispiel), aber andere Themen sind forschungslastiger.
- Das derzeit dominanteste Forschungsthema ist das Deep Learning. Ein weiteres Thema ist Meta-Learning, also zu lernen, wie man lernt. Dieses Prinzip des menschlichen Lernens zielt auf die möglichst effiziente Nutzung der Daten ab. Die Forschung arbeitet daran, dieses Prinzip auch für Machine Learning nutzbar zu machen. Ein Beispiel hierfür ist das Übertragen von Erfahrungen aus einmal Gelerntem auf ähnliche Aufgaben.
- Nicht zuletzt ist die Erklärbarkeit der Ergebnisse im Machine Learning ein Forschungsfeld. Noch liegt die Funktionsweise der meisten Machine Learning-Verfahren nur als Black Box vor. Man gibt Daten in den Algorithmus und erhält Ergebnisse, aber es ist nicht nachvollziehbar, wie das Ergebnis zustande kommt. Aus der Black Box muss also bestenfalls eine White Box werden.
Datenschutz und Vertrauen
Dies ist aus mehreren Gründen entscheidend. So verlangt die neue Datenschutzgrundverordnung, dass Personen bei einer automatisierten Entscheidungsfindung informiert werden müssen, wie diese Entscheidung zustande kam. Noch grundsätzlicher wird eine Expertenkommission der Europäischen Kommission, die im April 2019 Ethik-Leitlinien für eine vertrauenswürdige KI vorgelegt hat. Erklärbarkeit ist darin eines von vier zentralen Kriterien.
Bei sicherheitskritischen Anwendungen wie dem autonomen Fahren oder Medizinanwendungen geht es um Haftungsfragen. Und auch die Entwickler selbst können ihre eigenen Methoden besser verstehen und bei fehlerhaftem Einsatz korrigieren. Letztlich ist das Vertrauen der Anwender in KI ein entscheidendes Kriterium dafür, wie sehr die neue Technologie akzeptiert und eingesetzt wird. Schließlich können KI und Machine Learning auch unliebsame Entscheidungen treffen, die im Falle ausreichenden Vertrauens eher akzeptiert werden.
Zentrum für Cyber Cognitive Intelligence CCI am Fraunhofer IPA
Zum Autor und zum CCI
Prof. Dr. Marco Huber leitet die Abteilung Kognitive Produktionssysteme am Institut für Industrielle Fertigung und Fabrikbetrieb (IFF) der Universität Stuttgart sowie das Zentrum für Cyber Cognitive Intelligence (CCI) am Fraunhofer IPA. Das CCI wurde 2018 eröffnet und treibt mit angewandter Forschung den Einsatz maschineller Lernverfahren in industriellen Produktionsprozessen voran, indem es Wissen und Technologien in die Praxis überträgt. Es unterstützt vor allem kleine und mittelständische Unternehmen bei allen Fragen zum Thema Machine Learning für die Produktion und der Erprobung und Umsetzung maßgeschneiderter Lösungen.
