KEM Konstruktion 11.2019

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