1-2021

Künstliche Intelligenz
Ein Schlüssel zu dieser neuen
Form der Qualitätskontrolle ist der
Einsatz von Machine Learning. …
Besonders im Maschinenbau kommt
Machine Learning in der Industrie
4.0 darum eine immer größere
Relevanz zu.“
5. Autonome Fahrzeuge in Fertigung
und Logistik sind ohne Machine
Learning nicht denkbar
„Durch autonome
Fahrzeuge
werden viele
Systeme innerhalb
der Industrie
völlig neu strukturiert.
… Eines der
prominentesten
Beispiele für die
Transformation des Fertigungsprozesses
durch autonome Fahrzeuge
ist Produktion in der vernetzten
Fabrik. Der exakte Bedarf
an Material und die Bestückung
können perfekt aufeinander abgestimmt
und teilweise automatisiert
werden. Auch der gesamte Bereich
der Logistik kann durch Machine
Learning auf ein völlig neues Niveau
gebracht und so effizient wie nie
zuvor gesteuert werden.“
Auf den Punkt gebracht: Ob Großkonzern
oder mittelständisches
Unternehmen – Machine Learning
in der Industrie 4.0 ist einer der wichtigsten
Trends in den kommenden
Jahren. Die Voraussetzungen für
den Erfolg sind günstige Datenverarbeitung
und Generierung große
Datenmengen. Das sind reale Möglichkeiten
und diese gewährleisten
die optimale Anwendung von
Machine Learning in der Industrie
4.0. Bislang ungenutzte Informationen
werden dadurch Teil der
Wertschöpfungskette und begünstigen
die digitale Transformation
von Unternehmen.
Automated Machine Learning
(AutoML)
Je nach Komplexität und
Umfang der Aufgabenstellung
im Unternehmen lassen sich einzelne
Schritte oder der komplette
Prozess des Machine Learnings
automatisieren.
Automatisiertes maschinelles
Lernen vereinfacht und beschleunigt
den Machine-Learning-Workflow
und ermöglicht einem nach
unten erweiterten Anwenderkreis
das Erstellen von Machine-Learning-Systemen.
Typische Prozessschritte, die automatisiert
werden können, sind:
• Aufbereitung der Daten
• Auswahl geeigneter ML-Algorithmen
• Auswahl eines optimalen ML-
Modells
• Training des Modells
Maschinelles Lernen
heißt, dass Programme selbständig Muster entwickeln, um
ein bestimmtes Problem zu lösen. letztlich ist eine KI aber nur
so gut wie ihr Trainingsmaterial.
• Einsatz/Einbindung in die vorgesehene
Anwendung
• Optimierung von Lieferketten
• ein für Kunden individualisiertes
Online-Marketing
• ein automatisiertes Energiemanagement.
Einen besonderen Schwerpunkt
bilden dabei?fertigende
Betriebe,?Maschinenbauer?und
Unternehmen, die bereits auf die vernetzte
Produktion umgestellt haben.
Als Vorteile von AutoML sind der
geringere zeitliche Aufwand zur
Erstellung eines produktionsreifen
ML-Modells und der reduzierte
Bedarf an Datenwissenschaftlern
und Programmierern für die verschiedenen
Prozessschritte zu
nennen.
Der KI-Markt
Ein wichtiges
Hilfsmittel für
automatisiertes
Machine Learning
ist die Cloud
im Netz. Cloudbasierte
Plattformen
stellen
diverse Services
bereit. Einige der
Lösungen am Markt sind aber
auch für den lokalen Einsatz vorgesehen.
Die Einsatzmöglichkeiten von
AutoML sind vielseitig. Damit lassen
sich beispielsweise Aufgabenstellungen
in den folgenden
Bereichen lösen:
• Bilderkennung/Inspektion
• Verkaufsvorhersagen
• Marketing
• Robotertechnik
• vorausschauende Instandhaltung
(Predictive Maintenance)
steht immer noch am Anfang und hat noch ein starkes Wachstum
vor sich. Eine aktuelle Prognose der International Data
Corporation (IDC) zeigt, dass die Ausgaben für KI-Systeme
im Jahr 2023 97,9 Mrd. USD erreichen werden. Das ist mehr
als doppelt so viel wie noch 2019, wo die weltweiten Ausgaben
bei 37,5 Mrd. USD lagen.
KI, ML und Deep Learning (DL)
„Die in der Anfangszeit der künstlichen
Intelligenz gelösten Probleme
waren für den Menschen
intellektuell schwierig, aber für
Computer einfach zu verarbeiten.
Diese Probleme ließen sich durch
formale mathematische Regeln
beschreiben. Die
wahre Herausforderung
an die
künstliche Intelligenz
bestand
jedoch in der
Lösung von Aufgaben,
die für die
Menschen leicht
durchzuführen sind, deren Lösung
sich aber nur schwer durch mathematische
Regeln formulieren lassen.
Dies sind Aufgaben, die der
Mensch intuitiv löst, wie zum Beispiel
Sprach- oder Gesichtserkennung.“
(Wikipedia)
Soll nun ein Computer Aufgaben
dieser Art lösen, so benötigt
er die Fähigkeit, gewissermaßen
aus der Erfahrung zu lernen und
die ihm über Sensoren zugänglich
gemachte Umwelt in Bezug
auf eine Hierarchie von Konzepten
zu verstehen. Hierbei ist jedes
Konzept durch seine Beziehung zu
einfacheren, also untergeordneten
Konzepten definiert. Der Computer
nimmt damit dem Bediener
die Arbeit ab, Informationen formal
spezifizieren zu müssen. „Die
Hierarchie der Konzepte erlaubt
es dem Computer, komplizierte
Konzepte zu erlernen, indem er
sie aus einfacheren zusammensetzt.
Wenn man ein Diagramm
zeichnet, das zeigt, wie diese Konzepte
übereinander aufgebaut werden,
dann ist das Diagramm tief,
mit vielen Schichten. Aus diesem
Grund wird dieser Ansatz in der
künstlichen Intelligenz Deep Learning
genannt.“ (Wikipedia)
Deep Learning, also mehrschichtiges
Lernen, tiefes Lernen,
ist einer der wichtigsten Trends
innerhalb des maschinellen Lernens,
der zur Autonomie beiträgt,
ist. Bereits in den sechziger Jahren
entstanden in Russland (!) die
ersten Deep-Learning-Systeme.
Deep-Learning-Ansätze aus dem
Bereich des maschinellen Sehens
folgten in den achtziger Jahren in
Japan. Der Begriff Deep Learning
(DL) im Kontext des maschinellen
Lernens wurde erstmals 1986
verwendet, um damit ein Verfahren
zu bezeichnen, bei dem
alle verwendeten, aber verworfenen
Lösungen eines betrachteten
Suchraums aufgezeichnet
werden. Die Analyse dieser aufgezeichneten
Lösungen sollte es
ermöglichen, anschließende Versuche
zu optimieren. Ab 1989 verwendete
man einen DL-Algorithmus
mit dem Ziel, handgeschriebene
Postleitzahlen zu erkennen.
Heute wird DL vorwiegend im
Zusammenhang mit künstlichen
neuronalen Netzen verwendet.
Diese Netze nutzen künstlich
erzeugte Neuronen (Perzeptron),
um Muster zu erkennen. Sie sind
dem menschlichen Gehirn nachempfunden,
in dem die Neuronen
netzartig miteinander verknüpft
sind.
„Deep Learning bezeichnet eine
Methode des maschinellen Lernens,
die künstliche neuronale
Netze (KNN) mit zahlreichen Zwischenschichten
(hidden layers)
zwischen Eingabeschicht
und
Ausgabeschicht
einsetzt und
dadurch eine
umfangreiche
innere Struktur
herausbildet. Es
ist eine spezielle
Methode der Informationsverarbeitung.“
(Wikipedia)
Auf den Punkt gebracht: Eine
der häufigsten Techniken in der
künstlichen Intelligenz ist maschinelles
Lernen. ML ist ein selbstadaptiver
Algorithmus. DL, eine
Teilmenge des maschinellen Lernens,
nutzt eine Hierarchie, um
den Prozess des maschinellen
Lernens durchzuführen.
10 1/2021
FS