Das Thema künstliche Intelligenz (KI) ist aktuell in aller Munde. Das ihr zugrunde liegende maschinelle Lernen (ML) war viele Jahrzehnte nur Akademikern zugänglich. Die durch immer größere Datenmengen in Kombination mit immer größerer Rechenleistung ermöglichte Technologie treibt revolutionäre Änderungen in unserer Gesellschaft voran. Jetzt ist Künstliche Intelligenz im Begriff die Welt der industriellen Fertigung und Qualitätssicherung nachhaltig zu verändern.

ML-Algorithmen entscheiden mittlerweile, ob ein Kunde am Automaten Geld ausbezahlt bekommt, sie erkennen die Gesichter unserer Freunde in den sozialen Netzen und unterstützen oder ersetzen teilweise den Radiologen bei der Bilderkennung. Aus der Konsumentenwelt kommend, springt sie nun über in die industrielle Fertigung. Obwohl mit dem Begriff „Maschine“ im ML ein Rechner und nicht eine Produktionsmaschine gemeint ist, werden auch diese über kurz oder lang tatsächlich die Fähigkeit bekommen, selbstständig zu lernen. Umso repetitiver die Arbeitsabläufe, umso tief greifender die Änderung zukünftiger Arbeitsabläufe. Während im Bereich der Medizin KI immer öfter die eigentliche Arbeit des Radiologen übernimmt, weil sie mittlerweile in immer mehr Teilbereichen akkurater Diagnosen stellen kann wie der Mensch, ermöglicht KI dem Werker in der industriellen Fertigung hochwertigere Arbeit auszuführen. Firmen die sich keinen Datenanalytiker („Data Scientist“) leisten können, sollten Sie sich überlegen, aus Ihrer IT-/ Entwicklungs- / Forschungsabteilung heraus eigene Mitarbeiter an das Thema heranzuführen. Mit der Einführung von Anwendungen im Bereich der Selbstbedienung („Self-Service“)-Analytik, werden Domänen-Experten selbst einen Mehrwert aus Daten generieren können.

Daten als Rohstoff

Daten entwickeln sich zur wichtigsten Währung des 21. Jahrhunderts und sind die Grundlage für ML. In den vergangenen zwei Jahren wurden mehr Daten generiert als in der gesamten Geschichte der Menschheit. Daten werden, zusätzlich zu Boden, Kapital und Arbeitskraft, zunehmend zum Produktionsfaktor. Sie ermöglichen Kosteneinsparungen und neue Geschäftsmodelle. Aus der zunehmenden Herrschaft der Daten resultiert die Umkehr der Reihenfolge von Algorithmen -> Daten -> Entscheidungen hinzu Daten -> Algorithmen -> Entscheidungen. Das repräsentiert die gerade stattfindende Revolution.
Seit dem ersten programmierbaren Chip - der Intel 4004 kam 1971 auf den Markt - wird Software nach dem gleichen Schema entwickelt: Zuerst wird das Problem definiert, danach Ziele und Arbeitsschritte festgelegt und schließlich die Anwendung als eine Reihenfolge von Algorithmen programmiert. In der Praxis werden diese Algorithmen mit Daten gefüttert, und Anwender treffen auf deren Basis Entscheidungen. Diese Vorgehensweise ändert sich momentan strukturell: Die Daten werden gesammelt und anschließend mittels allgemeingültiger Algorithmen analysiert. Daraus resultieren Kausalitäten, auf deren Basis Entscheidungen getroffen werden, z. B. zur Produktionsoptimierung. Diese Entscheidungen werden im Übrigen immer öfter autonom getroffen.

Unterschied zwischen ML und KI

Bereits 1959 definierte der US-amerikanische Informatiker und Computerpionier Arthur Samuel ML als ein Studiengebiet, welches „Computern die Fähigkeit gibt zu lernen, ohne dazu vorher explizit programmiert worden zu sein“. Es kommt, wie das Data Mining, aus der Statistik. Die Unterschiede: Die Statistik definiert, was passiert ist; das Data Mining erklärt, warum etwas geschehen ist; das ML bestimmt, was passieren wird und gibt vor, wie bestimmte Situationen optimiert oder vermieden werden können.
ML ist eine eigenständige Disziplin, die häufig mit KI (Künstliche Intelligenz) verwechselt wird. Der Begriff KI stammt aus dem Jahre 1956 und ist damit nur geringfügig älter. Er bezeichnet den Versuch, eine menschenähnliche Intelligenz nachzubilden. ML kann auf diesem Weg ein erster, erfolgreicher Schritt sein, weshalb es gerne als Teilbereich der KI verstanden wird (Bild 4). Doch nicht nur die Ziele dieser beiden Disziplinen sind von unterschiedlicher Größe — es gibt einen weitaus wichtigeren Unterschied: ML ist schon da, ist bereits unter uns; wann wir das von der KI behaupten können, steht dagegen in den Sternen. Damit der deutsche Maschinen- und Anlagenbau seine internationale Führungsrolle beibehalten und auszubauen kann, ist die Auseinandersetzung mit der Digitalisierung und konkret ML (nicht KI), zwingend erforderlich. Trotzdem werden wir in näherer Zukunft wohl immer öfter von KI hören, auch wenn ML, mit seinen Teilbereichen Neuronale Netze / Deep Learning, gemeint ist, einfach weil es anspruchsvoller klingt.

Anwendungen

Zunehmend findet ML Einzug in den Maschinen- und Anlagenbau sowie in die industrielle Fertigung und ermöglicht dort neue Anwendungsfälle sowohl in der Optimierung der Prozesse als auch im Erhalt und in der Erweiterung der Produktinnovationsführerschaft. Die menschenähnliche Bildverarbeitung („Human-like Machine Vision“) werden wir hier beispielhaft näher beschreiben.
Oberflächen mit Texturen zu beurteilen ist eine der Aufgaben, bei denen klassische Bildverarbeitungs-Systeme an ihre Grenzen stoßen. Das menschliche Auge dagegen kann Texturen, Muster, Objekte und Strukturen erkennen und bereits nach kurzer Anlernzeit zuverlässig visuell beurteilen und klassifizieren. Anhand von wenigen Beispielen lernt der Mensch, zulässige Variationen von Fehlern zu unterscheiden — selbst bei Naturprodukten, bei denen keine zwei Teile gleich sind. Beim bildgebenden Verfahren können in Kombination mit der menschenähnlichen Bildverarbeitung alle Arten von Sensoren eingesetzt werden: 2D, 3D, Ultraschall, Röntgen und Shape from Shading. Die ML-Anwendung stützt sich dabei auf eine Trainingsphase mit Gut-Teilen; bei herkömmlichen Bildverarbeitungsanwendungen dagegen sind meist umfassende Fehlerkataloge zu berücksichtigen. Mit ML ist somit das gewünschte Ergebnis selbst das Maß und nicht die Abweichung davon.
Die prozesssichere Lösung für solche Aufgabenstellungen sind ML-basierte Bildverarbeitungssysteme, die speziell für das industrielle Analysieren von Bildern entwickelt und optimiert werden. Der Einsatz solcher Systeme auf Basis von ML erschließt weitere Anwendungsmöglichkeiten von prozesssicherer, automatisierter Inspektion mit sehr hoher Erkennungsleistung. Wo klassische Vision-Systeme an ihre Grenzen stoßen, bietet die „menschenähnliche Bildverarbeitung“, basierend auf ML-Algorithmen, aktuell eine Lösung auf dem Stand der Technik, die in deutlich reduzierte Entwicklungs- und Produkteinführungszeiten resultiert.

Ausblick

Die industrielle Fertigung befindet sich in einer frühen Phase des ML-Anwendungszyklus mit seiner enormen Dynamik und seinen Potenzialen. Daraus resultiert ein großer Fachkräftemangel an Datenanalytiker (Data Scientists). Diesem Mangel kann man nur mit effizienteren Möglichkeiten für den Einsatz von ML begegnen. Deshalb hat die neue Disziplin der „Selbstbedienung“ („Self-Service“) oder der „geführten Analytik“ (Guided Analytics) ein konkretes Ziel: sowohl den Bedarf an Datenanalytiker minimieren als auch die Abhängigkeit von ihnen. So soll die große Lücke zwischen Datenmeer und Datenanalytik-Werkzeugen geschlossen werden.
Heute ist der Datenanalytik-Ansatz überwiegend manuell und explorativ. Deshalb sollen die meisten Arbeitsschritte der Datenanalytiker automatisiert werden. So wird im Falle von Guided Analytics die Ausführung der Datenanalyse durch einen Domänenexperten nur noch initiiert, läuft jedoch ansonsten automatisiert. Der Domänenexperte wird befähigt, den Mehrwert in „seinen“ Daten selbst zu finden. In einer weiter fortgeschrittenen Phase wird durch „Autonomen Analytics“ der gesamte Datenanalyseprozess automatisiert — von der Eingabe bis zur Präsentation der Resultate.
Die ungleich größeren Investitionen, die speziell in China und den Vereinigten Staaten in den KI-Bereich investiert werden, geben angesichts der langsameren Entwicklung in Europa Anlass zur Sorge. Die Industrie hat aber gute Karten. Während Amerikanische Daten-Firmen uns im Konsumentenbereich gezeigt haben, was möglich ist, wird der Deutsche Maschinen- und Anlagenbau der Welt – mittels eingebetteter KI – seine weltweite Vorreiterrolle erfolgreich verteidigen können.