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