KEM Konstruktion 11.2019
Trendthemen: Messe SPS 2019, Machine Learning, Digitalisierung, Verwaltungstools, Additive Manufacturing, Predictive Maintenance; KEM Porträt: Peter Lutz, Director Field Level Communications, OPC; KEM Perspektiven: Digitale Pioniere - Rolls-Royce nutzt Virtual und Augmented Reality bereits
Trendthemen: Messe SPS 2019, Machine Learning, Digitalisierung, Verwaltungstools, Additive Manufacturing, Predictive Maintenance; KEM Porträt: Peter Lutz, Director Field Level Communications, OPC; KEM Perspektiven: Digitale Pioniere - Rolls-Royce nutzt Virtual und Augmented Reality bereits
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
TRENDS<br />
MACHINE LEARNING<br />
SERIE<br />
Der Einsatz von Künstlicher Intelligenz und Machine-<br />
Learning-Prozessen ist bei der heutigen Produkt -<br />
entstehung keine Seltenheit mehr<br />
Bild: greenbutterfly/adobe.stock.com<br />
Serie Grundlagen der Technik, Teil 8: Maschinelles Lernen und Künstliche Intelligenz<br />
KI reflektiert anwenden<br />
Mit dem Maschinellen Lernen (ML) kann Künstliche Intelligenz (KI) immer stärker auch in der Produkt -<br />
entstehung eingesetzt werden – das generative Design ist ein Beispiel dafür. Um die Frage zu beantworten,<br />
ob wir den Einsatz auch fördern sollten, lohnt ein Blick auf die Entwicklung der Künstlichen<br />
Intelligenz selbst – diese Entscheidung können und sollten wir selbst treffen.<br />
Jörg Drees, Geschäftsführer, Ifakt GmbH, Stuttgart<br />
Der Einsatz von „Künstlicher Intelligenz“ (KI) und „Maschinellem<br />
Lernen“ (ML) in der Produktentstehung wird die Produktentwicklung<br />
in der nahen Zukunft verändern. In Forschungsvorhaben<br />
wird etwa untersucht, wie die üblichen Expertenurteile bei der<br />
konstruktiven Auswertung von numerischen Simulationen durch KI<br />
unterstützt werden können. Und beim sogenannten generativen<br />
Design arbeitet man an der Topologie-Optimierung in der frühen<br />
Phase des Designprozesses – Ziel ist, verschiedene Konzepte auszuwerten<br />
und eine optimale <strong>Konstruktion</strong>slösung hinsichtlich Materialeinsatz,<br />
Gewicht, Stabilität, Strömungsverhalten, Kraftverteilung,<br />
Wärmeableitung etc. zu wählen. Gerade auch im Zusammenhang<br />
mit dem industriellen 3D-Druck werden hier durch die additiven Fertigungsverfahren<br />
viele neue Möglichkeiten eröffnet.<br />
Künstliche Intelligenz und Machinelles Lernen<br />
Der Begriff „Maschinelles Lernen“ als ein Teilgebiet der Künstlichen<br />
Intelligenz ist vereinfacht formuliert eine Methode dieser Disziplin.<br />
Durch ML wird mit künstlichen Systemen versucht, durch selbstlernende<br />
Algorithmen Wissen aus Erfahrung zu generieren. Die begriffsprägenden<br />
Phasen des ML sind in der Anwendung<br />
•die Lernphase (Trainieren durch Beispieldaten) und<br />
•der Lerntransfer (Erkennen der Gesetzmäßigkeiten zur<br />
Verallgemeinerung).<br />
Daher leitet sich das „Lernen“ der Maschinen (will heißen: Computer)<br />
ab. Das ML benötigt damit eine zumeist ganz konkrete Eingangsfrage:<br />
„Was soll beantwortet werden?“ Das führt zum Ziel<br />
des künstlichen Systems, das entweder Zusammenhänge erken-<br />
nen, Rückschlüsse ziehen oder Vorhersagen treffen soll. Daraus<br />
folgt aber auch, dass eine systematische Herangehensweise bei<br />
der Modellbildung notwendig ist. Denn es ist erforderlich, in der<br />
Analysephase eine Entscheidung zu fällen, welche algorithmischen<br />
Ansätze hierzu sinnvoll Verwendung finden können.<br />
Überwachtes und unüberwachtes Lernen<br />
Grundsätzlich lassen sich die Typen des Maschinellen Lernens in<br />
zwei Hauptarten des Lernstils unterscheiden. Es gibt das „Überwachte<br />
Lernen“ (Supervised Learning) und das „Unüberwachte Lernen“<br />
(Unsupervised Learning).<br />
• Vereinfacht formuliert wird beim „Überwachten Lernen“ das<br />
künstliche System für Fragestellungen von Vorhersagen auf Basis<br />
vorhandener Analysedaten antrainiert. Angewandte Lernverfahren<br />
sind etwa bei der Regression oder bei der Klassifikation typischerweise<br />
CARTs oder das SVM, aber auch das „Bestärkende<br />
Lernen“ (Reinforcement Learning) wird hierzu gezählt.<br />
•Beim „Unüberwachten Lernen“ wird das künstliche System für<br />
Fragestellungen des Verstehens von Analysedaten angelernt.<br />
Das künstliche System baut beim Lernen ein Modell mit hilfe der<br />
Daten auf, um zukünftig die Zuordnung selbstständig vornehmen<br />
zu können. Lernverfahren sind das K-Means, SVD, PCA, HMM<br />
oder das FP-Growth, um nur ein paar Verfahren zur Modellbildung<br />
zu nennen.<br />
In der Anwendung des Maschinellen Lernens wird klar, dass zur Befähigung<br />
des Lerntransfers für die Lernphase – also das Antrainieren<br />
solcher Algorithmen – eine riesige Menge an Daten aus der Vergangenheit<br />
notwendig ist. IT-Infrastrukturen und -Systeme müssen<br />
damit umgehen können, was aber heute durch die ständig steigende<br />
Leistungsfähigkeit der Systeme gegeben ist.<br />
40 K|E|M <strong>Konstruktion</strong> 11 2019