1-2021

Weitere Magazine

Empfehlungen

Info

Künstliche Intelligenz, Maschinelles Lernen & Deep Learning Bildquelle: www.alexanderthamm.com/de/blog/machine-learning-ultimative-ratgeber/ Künstliche Intelligenz Ob es wirklich einmal soweit kommen wird, wie der Computer-Pionier Alan Turin 1951 prophezeite, dass Maschinen die Kontrolle auch über uns Menschen übernehmen? Fakt ist: Die Entwicklung Künstlicher Intelligenz (KI) hat sich in letzter Zeit stark beschleunigt. Künstliche Intelligenz (Artificial Intelligence) bettet, wie die Aufmachergrafik illustriert, Machine Learning und Deep Learning ein. Hardware wurde immer besser... Ein Hauptgrund für diese Entwicklung sind die immer günstigeren und leistungsfähigeren Prozessoren, die mittlerweile enorme Rechenleistungen vollbringen. Das Mooresche Gesetz besagt, dass sich die Anzahl an Transistoren, die in einen integrierten Schaltkreis festgelegter Größe passen, im Zeitraum von ein bis zwei Jahren verdoppeln. Also ein exponentieller Anstieg, dessen Wucht das menschliche Gehirn nicht fassen kann (man denke an die Fabel vom Schachbrett und den Reiskörnern). Gordon E. Moore gründete 1968 mit Kompagnon den Chip-Hersteller Intel. Moores Annahme bestätigte sich bis vor einigen Jahren, allerdings mehr in der Form, dass sich die Prozessorleistung alle etwa 18 Monate verdoppelt hat. Dies sollte man trotz des atemberaubenden Anstiegs nicht überbewerten, denn sehr wichtig ist auch die Geschwindigkeit von Prozessoren. Allerdings kam es auch hier zu beeindruckenden Fortschritten. Sowohl Komplexität als auch Schaltgeschwindigkeit profitierten dabei gemeinsam von den immer kleiner werdenden Strukturen, also einer höheren Packungsdichte, als auch gesenkter parasitärer Kapazitäten, die elektronische Schaltvorgänge nun nicht mehr so stark verlangsamen. Mittlerweile allerdings stockt die vom Mooreschen Gesetz prophezeite Entwicklung, weil man an physikalische Grenzen gestoßen ist. So meldete Intel im Sommer 2015, dass der Zyklus wohl eher 30 statt 18 Monate dauert. CPUs werden seit längerem auch nicht mehr an ihrer Taktrate gemessen. Mittlerweile ist eher die Anzahl der verbauten CPU-Kerne maßgebend für die Geschwindigkeit. Fortschritt und Effizienzmaximierung wird es indes weiterhin geben. ... und erschwinglicher Im Gegensatz zum Mooreschen Künstliche Intelligenz/Artificial Intelligence Darunter versteht man alle Programme, die Aspekte menschlicher Intelligenz nachahmen und automatisieren. Etwa KI im Kundenkontakt zielt beispielsweise auf Chatbots ab, die im Kundenkontakt mehr Einfühlsamkeit bieten sollen. Gesetz ist ein weiterer spektakulärer Zusammenhang nicht so stark in den Köpfen der Hardware-Emtwickler und -Produzenten verankert: Seit Konrad Zuse 1941 die erste programmierbare Rechenmaschine, also den ersten Computer, schuf, sind die Kosten für das Rechnen alle fünf Jahre um 90% (also auf 10%) gesunken. also in zehn Jahren ein Rückgang auf 1%! Deshalb steckt bekanntlich in jedem Smartphone mehr Rechenleistung als in den Computern, die 1969 die erste Mondlandung unterstützten bzw. ermöglichten. Und deshalb tobt auch unter den Chip-Produzenten ein gnadeloser Preiskampf. Software hat noch viel Entwicklungspotential Es sind die aktuellsten CPUs, die immer komplexere Programme erlauben. Diese weisen nicht mehr die bekannte Flexibilität auf, sondern sind auch in der Lage, selbstständig zu lernen. Dazu müssen sie das komplexe neuronale Netzwerk unseres Gehirns simulieren. Ähnlich wie bei menschlichen Entscheidungen, gibt es für Aufgaben, welche die Software lösen soll, keine vorprogrammierten Lösungswege. Stattdessen lernt die Software durch Versuch und Irrtum und kommt so zu immer besseren Lösungen. Das ist eigentlich nicht neu, weil etwa längst bei Schach-Computern angewandt, wo alle möglichen Züge auf Erfolgsaussichten abgecheckt werden. Noch vor wenigen Jahren dienten Maschinen dazu, den Menschen von körperlich schweren, monotonen oder bei der Präzision heraufordernden Tätigkeiten zu befreien. Heute rücken nun parallel dazu auch maschinelle Denkund Entscheidungsprozesse in den Vordergrund. Die Maschine soll dem Menschen also bald auch knifflige Entscheidungen abnehmen. Wer das nicht begrüßt, ist sich über die Schachstellen menschlicher Denkfähigkeit nicht im klaren. (Der oben erwähnte Zinseszinseffekt, von Ein- 8 1/<strong>2021</strong>
Künstliche Intelligenz stein als achtes Weltwunder bezeichnet, ist hier nur ein Beispiel.) Künstliche Intelligenz im Alltag KI hat sich längst als Basis vielfältiger neuer Anwendungen etabliert. So basieren digitale Assistenten wie Echo oder Cortana auf KI, genauso wie lernende Spracherkennungs- und Übersetzungsprogramme oder die Algorithmen von Internet-Suchmaschinen. Auch beim autonomen Fahren, in der Medizintechnik oder in der Wehrtechnik spielen lernende Systeme eine immer wichtigere Rolle. Wenn man genauer hinschaut, wird klar: Es gibt kaum mehr eine Branche, in der die KI nicht schon oder zunehmend Anwendung findet. Wirtschaftlich gesehen, hat KI das Potential zum Wachstumstreiber: Laut der Unternehmensberatung McKinsey könnte die globale Wirtschaftsleistung durch KI bis zum Jahr 2030 um 1,2% pro Jahr gesteigert werden. Das klingt nicht berauschend. Doch nur zum Vergleich: Die Dampfmaschine brachte damals nur einen jährlichen Wachstumseffekt von 0,3%. „Autonome Dinge“ Schwache und starke KI Künstliche Intelligenz beschäftigt sich mit der maschinellen Nachahmung menschlicher Intelligenz anhand von Algorithmen. Dabei wird zwischen der schwachen und der starken KI unterschieden: • schwache KI Die aktuell existierenden Künstlichen Intelligenzen sind alle schwach ausgeprägt. Die schwache KI fokussiert sich auf die Lösungen einzelner Anwendungsprobleme, wobei die entwickelten Systeme zur Selbstoptimierung bzw. zum Lernen befähig werden. Die aktuellen KI- Lösungen werden vor allem angewandt für die digitale Sprach- und Textverarbeitung (KI-System versteht Texte und Sprache, kann also Sprache in Text verwandeln oder Sprache oder Text übersetzen), autonome Maschinen (Maschine kann sich an neue Umgebungssituationen anpassen und in Echtzeit lernen) und Mustererkennung in großen Datensätzen (etwa zur Steuerung von Infrastrukturen). Man muss aber genau hinschauen: Viele Lösungen werden als KI vermarktet, obwohl sie nur über sehr wenig intelligente Software verfügten. sind Objekte wie Drohnen, Roboter und Fahrzeuge. Komplexität und Reifegrad variieren dabei stark. Für die zunehmend autonome Technik sorgen vor allem technologische Fortschritte und Kostensenkungen bei Sensoren, Aktuatoren, Radar-, Lidarund Kamerasystemen. KI, Machine Learning und Deep Neural Networks bilden die Grundlage für autonom navigierende Maschinen – die nächste Generation an Supercomputern und der 5G-Ausbau sollten diese Entwicklung zusätzlich fördern. • starke KI Die starke KI ist nicht nur in der Lage, rein reaktiv zu handeln, sondern entscheidet proaktiv und aus eigenem Antrieb heraus. Das ist gegenwärtig noch eine Fiktion. Eine wichtige Rolle bei der Anwendung von KI etwa in der industriellen Fertigung sind Trainingsdaten. KI und Maschinelles Lernen (ML) Unternehmen investieren derzeit massiv in die Automation von Prozessen und Digitalisierung. Damit lassen sich Vorgänge und Routineprozesse nicht nur effizienter und schneller gestalten, sondern ermöglichen auch signifikante Kosteneinsparungen. Dabei verlagert sich der Fokus zunehmend auf dynamische Software-Applikationen, die mithilfe neuer Technologien wie KI oder Machine Learning neue und bestmöglich passende Lösungen für komplexe Problemstellungen anbieten und damit auch für schwierige Aufgabenbereiche geeignet sind. Unternehmen sollen und wollen auf Basis historischer Daten und der Auswertung von Daten aus verschiedensten Quellen (Predictive Analytics) neue Erkenntnisse zu erhalten, mit deren Hilfe sich Geschäftsprozesse optimieren lassen. Etwa Routineaufgaben sollen sich deutlich schneller und effizienter umsetzen lassen. So lassen sich etwa Kundenanfragen binnen Stunden statt Tagen bearbeiten. Mit der Unterstützung von KI können auch komplexe Entscheidungsfindungsstrategien aufgebaut werden. Dabei werden für das Entscheidungs- M a n a g e m e n t Daten von IoT- Sensoren, Geräten und Robotern, aus menschlichen Arbeitsabläufen oder aus Lieferketten und Vertriebskanälen kombiniert und analysiert. KI und ML erlauben Lösungen, die sich insbesondere für Anwendungen rund um das Trendthema „Industrie 4.0“ eignen. Machine Learning und Industrie 4.0 Machine-Learning-Marktplätze werden massiv an Bedeutung gewinnen, denn diese bieten Unternehmen die Möglichkeit, bereits vorgefertigte KI-Modelle passgenau in ihre Architektur einzubinden. Machine Learning wird in bestimmten Bereichen der Industrie sogar zum Innovationstreiber. Aus diesem Anlass stellte Michaela Tiedemann, Künstliche Neuronale Netze In dieser Form wurde das Prinzip der Selbstorganisation auf den Computer übertragen. Die Rolle von Nervenzellen übernehmen dabei „Knoten“, das sind mathematische Gleichungen, die eintreffende signale verarbeiten. Das erste KNN hat der US- Psychologe Frank Rosenblatt 1958 entwickelt. Es enthielt nur drei Knoten – heutige Netze haben mehrere Millionen davon. CMO bei der Alexander Thamm GmbH, fünf Anwendungsfälle für Machine Learning in der Industrie 4.0 vor (s. www.alexanderthamm.com/de/blog/anwendungsfaelle-machine-learningin-der-industrie-4-0/): 1. Smart Manufacturing: Den Produktionsprozess besser verstehen und steuern „Mit Data-Science-Methoden wie Machine Learning lassen sich einzelne Produktionsprozesse neu betrachten und transformieren. Dazu werden Daten im Rahmen des Produktionsprozesses gesammelt und ausgewertet. Dadurch lassen sich einzelne Prozesse besser verstehen und in der Folge optimieren.“ 2. Predictive Maintenance: Die intelligente, vorausschauende & präventive Wartung „Bauteile wie Sensoren werden nicht nur immer kleiner, sie können auch immer kosten-effizienter eingesetzt werden. Dadurch wird das Monitoring von Maschinen immer interessanter. Viele tausende Messpunkte innerhalb eines Fahrzeugs, einer Maschine oder eines ganzen Maschinenparks können so überwacht werden.“ 3. Optimiertes Energiemanagement dank maschineller Lernmethoden „Data-Science-Methoden wie Machine Learning machen einen immer komplexer werdenden Energiemarkt beherrschbar. Damit der Bedarf immer optimal gestillt werden kann, ist es nötig, sowohl die Rahmenbedingungen der Energieerzeugung genauestens im Blick zu haben, als auch den voraussichtlichen Verbrauch. Für diese Aufgabe, bei der Wissen aus Erfahrung abgeleitet werden muss, bietet sich Machine Learning als ideale Lösung an. Machine-Learning-Algorithmen helfen dabei, Nachfrage und Angebot aufeinander abzustimmen oder Anomalien im Stromverbrauch zu erkennen.“ 4. „Testautomatisierung 2.0“ bringt die Umkehrung der Verhältnisse bei der Qualitätskontrolle „Früher wurde die Qualität von Produkten am Ende des Produktionsprozesses überprüft. Durch den Einsatz von Sensortechnik und durch die kontinuierliche Auswertung von Daten auf Bauteil-Ebene kann die Qualität von Werkteilen während des laufenden Betriebs überprüft und sichergestellt werden. 1/<strong>2021</strong> 9
Seite 1: Februar/März/April 1/2021 Jahrgang
Seite 4 und 5: Inhalt 3 Editorial 4 Inhalt 6 Aktue
Seite 6 und 7: Aktuelles Katek übernimmt die Lees
Seite 10 und 11: Künstliche Intelligenz Ein Schlüs
Seite 12 und 13: Produktion Maßgeschneiderte Montag
Seite 14 und 15: Produktion Future Operator - HMIs f
Seite 16 und 17: Permanente Inventur, aber vollautom
Seite 18 und 19: Produktionsausstattung Bauteilzähl
Seite 20 und 21: Produktionsausstattung Wareneingang
Seite 22 und 23: Qualitätssicherung/Messtechnik Hö
Seite 24 und 25: Anzeige Qualitätssicherung/Messtec
Seite 26 und 27: Qualitätssicherung/Messtechnik Vol
Seite 28 und 29: Qualitätssicherung/Messtechnik Ind
Seite 30 und 31: Qualitätssicherung/Messtechnik Dig
Seite 32 und 33: Qualitätssicherung/Messtechnik Ber
Seite 34 und 35: Qualifikation und Fehleranalyse von
Seite 36 und 37: Qualitätssicherung/Messtechnik Üb
Seite 38 und 39: Qualitätssicherung/Messtechnik Rel
Seite 40 und 41: Dosiertechnik Versiegeln und kleben
Seite 42 und 43: Dosiertechnik Best of 2020 Intellig
Seite 44 und 45: Dosiertechnik Anforderungen an die
Seite 46 und 47: Dosiertechnik besteht nach wie vor
Seite 48 und 49: Lasertechnik Evosys nominiert für
Seite 50 und 51: Komponenten Hervorragende EMI-Absch
Seite 52 und 53: Software Management von IoT-Sicherh
Seite 54 und 55: Verpacken/Kennzeichnen/Identifizier
Seite 56 und 57: Dienstleistung Rechtzeitig Engpäss
Seite 58 und 59:
Dienstleistung Fokus auf Dienstleis
Seite 60 und 61:
Dienstleistung Best of 2020 Virtuel
Seite 62:
Dienstleistung Inspektionssystem sp
Alle anzeigen

1-2021

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?