KI in der Industrie – Teil 1

Maschinelles Lernen in der Industrie umsetzen

| Autor/ Redakteur: Edelbert Häfele, András Lelkes, Simon Lud* / Katharina Juschkat

Die Künstliche Intelligenz könnte unser Leben verändern – wir beleuchten in unserer zweiteiligen Artikelserie die Hintergründe von Künstlicher Intelligenz in industriellen Anwendungen. Thema im ersten Teil: Was ist maschinelles Lernen und wie wird es eingesetzt?

(Bild: ©hunthomas, stock.adobe.com)

Experten behaupten, dass die künstliche Intelligenz (KI) früher oder später fast jeden Wirtschaftszweig wesentlich verändern wird, und zwar in einer nie gesehenen Geschwindigkeit. Es entstehen sowohl neue Produkte und Dienstleistungen als auch neue Geschäftsmodelle. Angriffe auf das eigene Geschäft können nicht nur von den alten, gut bekannten Mitbewerbern kommen, sondern auch von der neuen, digitalen Konkurrenz.

KI-Lösungen können aus vielen Aspekten, wie Suchen, Planen und Optimieren bestehen. Oft ist jedoch die Lernfähigkeit solcher Systeme die ausschlaggebende Eigenschaft. Die Grundlage dafür ist das sogenannte maschinelle Lernen (ML).

Maschinelles Lernen – wie es funktioniert und was es

Maschinelles Lernen ist die Kombination von theoretischen Grundlagen und nutzbaren praktischen Algorithmen, um technischen Systemen das Lernen von „Erfahrung“ (also auch Daten) zu ermöglichen. Lernen bedeutet in dem Zusammenhang, dass das System seine Leistung hinsichtlich einer Aufgabe selbstständig verbessern kann, indem es die zur Verfügung stehenden Daten nutzt. Da unsere biologische Intelligenz noch nicht vollständig enträtselt wurde, basieren die bisher bekannten Lernmethoden auf rein mathematischen Algorithmen.

In der klassischen Softwareentwicklung bestimmen die Entwickler alle notwendigen Regeln für die Problemlösung und formulieren sie mit Hilfe einer Programmiersprache.
In der klassischen Softwareentwicklung bestimmen die Entwickler alle notwendigen Regeln für die Problemlösung und formulieren sie mit Hilfe einer Programmiersprache.
(Bild: Patev)

Die meisten heutzutage erfolgreich eingesetzten Algorithmen gehören der Gruppe „überwachtes Lernen“ (supervised learning) an. Bei der klassischen Softwareentwicklung überlegt der Entwickler, nach welchen Gesetzmäßigkeiten das Programm auf mögliche Eingangsdaten reagieren soll. Dementsprechend werden dann diese Gesetzmäßigkeiten in einem Programm umgesetzt.

Bei der Anwendung von maschinellem Lernen werden dagegen Trainingsdaten gesammelt und anhand der gewünschten Antwort stellt das System selbstständig die geeigneten Regeln auf.
Bei der Anwendung von maschinellem Lernen werden dagegen Trainingsdaten gesammelt und anhand der gewünschten Antwort stellt das System selbstständig die geeigneten Regeln auf.
(Bild: Patev)

Beim maschinellen Lernen wird eine gänzlich abweichende Vorgehensweise verwendet. Der Entwickler sammelt Beispiele, die zeigen, welche Ergebnisse das System bei bestimmten Eingangsdaten generieren soll. Der lernfähige Algorithmus muss anhand dieser Trainingsdaten während des Lernprozesses selbst herausfinden, wie die gewünschten Ausgangsdaten am besten erreicht werden können. Essentiell für die Leistungsfähigkeit des Systems ist die Qualität der Trainingsdaten. Unter Daten werden hier nicht nur Zahlen, sondern auch Bilder, Tonaufnahmen, Texte oder Signale in technischen Anlagen verstanden, also alles, was man heute digital darstellen kann.

Neuronale Netze brauchen mehr Trainingsdaten

Viele Algorithmen benutzen zum Lernverhalten parametrisierbare mathematische Modelle, wobei die Modellparameter am Anfang zufällig gesetzt werden. Während der Trainingsphase versucht der lernende Agent die Parameter so zu ändern, dass die Ausgangswerte immer mehr den gewünschten Werten entsprechen. Dazu werden die genannten Parameter in mehreren Zyklen geringfügig verändert und die Änderung der Ausgangsdaten mit den vorgegeben „richtigen“ Antworten verglichen. Für einfache Aufgaben sind auch einfache Modelle mit wenig Parametern ausreichend. Beispiele für solche Algorithmen sind:

  • logistic regression,
  • support vector machine
  • oder boosting.

Bei komplexen Aufgaben brauchen wir komplexe Modelle. Insbesondere sogenannte künstliche neuronale Netze (artificial neural network) können eine sehr hohe Zahl von Parametern aufweisen. Allerdings brauchen die Algorithmen umso mehr Trainingsdaten, je mehr Parameter sie zu bestimmen haben – was man als deep learning bezeichnet.

Wie ein künstliches neuronales Netz aufgebaut ist

Die Entwicklung der künstlichen neuronalen Netze wurden zwar von den Kenntnissen über das menschliche Hirn inspiriert, sie basiert jedoch auf ganz anderen Prinzipien. Ähnlich ist, dass zahlreiche „Neuronen“ vernetzt sind. Die verwendeten künstlichen Neuronen sind jedoch nur einfache, nichtlineare mathematische Funktionen. Damit haben sie mit den biologischen Neuronen wenig gemein. Auch die Zahl der Verbindungen im menschlichen Hirn konnte noch nicht erreicht werden.

Besonders erfolgreich werden heutzutage zwei spezielle Arten von neuronalen Netzen eingesetzt: Convolutional Neural Networks (CNNs) für die Bilderkennung und Recurrent Neural Networks (RNNs) zum Beispiel für die Text- oder Spracherkennung.

Solche lernfähigen Systeme sind gut geeignet, auch komplexe Muster in den Daten zu erkennen. Heutige Systeme sind jedoch noch nicht in der Lage, diese Zusammenhänge wie ein Mensch auch zu verstehen. Oft weiß man deshalb nicht, was diese Systeme tatsächlich gelernt haben. Für die Überprüfung der Lernergebnisse werden deshalb Testdaten genutzt, die vom System im Lernprozess noch nicht gesehen wurden. Damit kann das System nur statistisch überprüft werden, eine hundertprozentige Sicherheit darf von solchen Systemen nicht erwartet werden.

Wie Algorithmen Lernen lernen

Bei einigen Lernalgorithmen sind die Lern-, Test- und Nutzungsphasen streng getrennt, andere Algorithmen lernen kontinuierlich dazu. Oft ist es ein kritischer Punkt, wie die Trainingsdaten gesammelt werden können. Sammelt der Entwickler manuell seine Daten? Oder werden sie zentralisiert automatisch gesammelt? Im Consumerbereich ist dies oft der Fall. Im industriellen Bereich wird es jedoch häufig durch die ungeklärte Frage über die Datenhoheit verhindert. In der Zukunft werden sicherlich immer mehr Lösungen erscheinen, bei denen die Systeme vor Ort ihre Daten sammeln und verarbeiten (sog. Edge Computing). Damit erübrigt sich die Frage, ob man diese Daten übertragen darf und wie die übertragenen Daten vor einem unerlaubten Zugriff geschützt werden können. Manchmal sind die Trainingsdaten, bestehend aus den Eingangs- und Ausgangsdaten, in genügend großer Menge nur schwer oder teuer zu besorgen.

Ein Beispiel dazu sind Röntgenaufnahmen, das sind die Eingangsdaten, mit den entsprechenden ärztlichen Diagnosen als Ausgangsdaten. Hier können Systeme helfen, die neben den üblichen Trainingsdaten auch eine große Zahl von möglichen Eingangsdaten (also in diesem Beispiel: Röntgenaufnahmen ohne Diagnose) zum Lernprozess verwenden können – darunter versteht man das semi-supervised Learning, zu deutsch das teilüberwachte Lernen. Eine andere Gruppe von Lernalgorithmen verwendet ausschließlich die Eingangsdaten und versucht, ohne menschliche Hilfe Muster in den Daten zu finden – der Vorgang nennt sich unsupervised Learning, das nicht-überwachte Lernen.

Erwähnenswert ist noch eine weitere Gruppe von Lernalgorithmen, das sogenannte „bestärkende Lernen“ – Reinforcement Learning. Hier besteht eine Zusammenwirkung zwischen dem lernenden Agenten und seiner Umgebung. Der Agent hat die Aufgabe, sein Umfeld zu erforschen und sein Verhalten zu optimieren. Der Entwickler schreibt nicht vor, wie dieser Agent seine Aufgabe lösen muss, sondern nur eine mathematische Zielfunktion („Belohnung“), die der Agent zu maximieren hat. Bei einem Schachprogramm zum Beispiel ist diese Zielfunktionen einfach zu definieren: das Programm soll möglichst oft gewinnen. Bei vielen praktischen Anwendungen bleibt jedoch die Vorgabe einer skalaren mathematischen Zielfunktion eine große Herausforderung und erfordert möglicherweise eine erfinderische Tätigkeit.

Wie maschinelles Lernen in der Industrie eingesetzt werden kann

Lernende Algorithmen können zum Beispiel gut in der Produktentwicklung eingesetzt werden. Das heißt: Man entwickelt ähnliche Produkte wie bisher – nur nutzt man die neuen Möglichkeiten als Werkzeug. Die Entwicklung kann schneller und/oder günstiger werden, die Endergebnisse können neue, verbesserte Eigenschaften aufweisen. Wenn Menschen in der Entwicklung beteiligt sind – sog. „Human in the Loop“ – können sie eine erfinderische Lösung für sich beanspruchen. Zu prüfen ist jedoch, ob die Verwendung von KI am Produkt erkennbar ist. Wenn nicht, bleibt fraglich, ob eine Patentverletzung erkennbar wäre und damit, ob die Erfindung aus wirtschaftlicher Sicht patentwürdig ist.

Auch bei der Inbetriebnahme von komplexen Maschinen und Anlagen lässt sich die KI-Technologie nutzbringend einsetzen. Für bestimmte Anwendungen reisen die besten Ingenieure in aller Welt herum, um die optimale Einstellung vorzunehmen. Das kann durch lernfähige Algorithmen künftig einfacher gestaltet werden. Üblicherweise auftretende Anlaufschwierigkeiten ließen sich beispielsweise vermeiden, indem die Maschine präzise Zielvorgaben sowie Daten aus vergleichbaren Anwendungen erhält. Wie das Ziel erreicht wird, überlässt man dabei dem Algorithmus. Da Daten nur während der Inbetriebnahme gesammelt werden müssen, ist die Frage der Datenhoheit einfacher zu beantworten.

Selbstlernende Maschinen in der Fabrik der Zukunft

Dagegen bleibt die Datenhoheit eine kritische Frage bei den viel diskutierten Anwendungsmöglichkeiten der künstlichen Intelligenz: Zustandsüberwachung bzw. Condition Monitoring und vorausschauende Wartung bzw. Predictive Maintenance. Zusätzlich machen Produkte mit hoher Qualität die Fehlervorhersage schwieriger, weil nicht genug Trainingsdaten von den seltenen Fehlern gesammelt werden können. Falls die Fehlerprognose dadurch nicht präzise genug arbeitet und zum Beispiel öfter einen falschen Alarm auslöst, ist der Kunde mehr verunsichert als überzeugt von diesem Produkt bzw. dieser Dienstleistung.

Es werden innovative KI-Lösungen mit Sicherheit auch in der Mensch-Maschine-Schnittstelle auftauchen. Maschinen werden in der Zukunft immer öfter durch Sprachsteuerung, eventuell auch mit Gesten bedient.

Und letztendlich werden auch lernfähige Maschinen entwickelt und eingesetzt, die ihre Produktivität, Energieeffizienz und/oder Verfügbarkeit im Betrieb selbstständig verbessern können. Fraglich ist noch, wie es mit der Maschinensicherheit steht. Wenn man im Voraus nicht genau sagen kann, wie sich die Maschinen selbsttätig weiterentwickeln werden, ist es eine schwierige Aufgabe, die Sicherheit der Anlage dauerhaft zu garantieren.

Im zweiten Teil unserer Artikelserie geht es darum, wie Innovationsschutz bei künstlicher Intelligenz gelingt.

* Dr. Edelbert Häfele, Geschäftsführer, Patev Associates GmbH

* Dr. András Lelkes, Partner, Patev Associates GmbH

* Dr. Simon Lud, Partner, Maiwald Patentanwalts- und Rechtsanwaltsgesellschaft mbH

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 46170740)