Im März 2016 besiegte AlphaGo, ein von Google DeepMind entwickeltes Programm, den damaligen vermutlich weltbesten Go-Spieler klar mit 4:0. Deep Learning war in aller Munde.

Die Idee künstlicher neuronaler Netze ist nicht neu und wird schon seit Jahrzehnten diskutiert. Für einige Vertreter aus der Bildverarbeitungsindustrie erscheint die Diskussion und Themenwahl wie ein Ausflug in die Vergangenheit, zurück zur Künstlichen Intelligenz Debatte in den 80gern. Nun scheinen die damaligen Visionen von intelligenten Maschinen, die in immer mehr Hoheitsgebiete menschlicher Intelligenz vordringen, in greifbare Nähe gerückt. Der stetige Fortschritt in der Entwicklung von Elektronik und Software, immer höhere und bezahlbare Rechenleistung hat inzwischen vieles möglich gemacht, was vor einigen Jahren noch unrealistisch schien.

VDMA Future Business nahm sich dem Trendthema „Machine Learning“ an und untersuchte mit Vertretern aus Industrie und Forschung, welche Herausforderungen und Geschäftschancen im Maschinen- und Anlagenbau sich auftun. Ergebnisse wurden im November 2016 den Mitgliedern vorgestellt und in einer Studie zusammengefasst. Einen Einblick liefert dieser Artikel – die Studie ist für Mitglieder bei VDMA Future Business erhältlich. 

Ein neuer Schub für die Digitalisierung

Machine Learning, ein Teilbereich der Künstlichen Intelligenz, wird die digitale Transformation der Wirtschaft prägen und damit auch für den Maschinenbau von großer Bedeutung sein. Maschinelles Lernen schafft es, große Datenströme in vernetzten, autonomen Systemen beherrschbar zu machen – auch in der Produktion. Mit selbstlernenden Systemen entsteht aus „Big Data“ verwertbares Wissen. Neue datenbasierte Geschäftsmodelle der Industrie 4.0, wie zum Beispiel „Predictive Maintenance“ werden so ermöglicht. Softwarekompetenz und Machine Learning sind die Werkzeuge, diesen Schatz zu heben und der Maschinenbauindustrie einen weiteren Wettbewerbsvorsprung zu verschaffen.

Im Zuge der Diskussion zeigte sich, dass sich die Nutzungsmöglichkeiten von Machine Learning für den Maschinen- und Anlagenbau über alle Bereiche erstrecken, vom Konstruktionsprozess über die Verwaltung, Herstellung bis hin zu Vertrieb, Kundenbindung und Reengineering. Eine schrittweise Einführung im Maschinenbau ist zu erwarten. Nach dem Einzug von elektronischen Komponenten in den Maschinenbau in den 1980er Jahren scheinen wir jetzt vor einer neuen, fast unbemerkten Revolution zu stehen – Maschinen können Datenströme eigenständig verwerten, entwickeln „Intuition“, re-programmieren sich selbst und steuern in Folge Prozesse eigenständig. 

„Daten sind das Öl des 21. Jahrhunderts, Softwarekompetenz und Machine Learning sind die Werkzeuge diesen Schatz zu heben.“

Big Data und die Bildverarbeitung

„Big Data“, also große Datenströme und -ansammlungen allein sind weitgehend nutzlos. Es gilt die Daten auszuwerten, Zusammenhänge herzustellen, Schlüsse zu ziehen – und das in Echtzeit. Nichts Anderes tut die Bildverarbeitung schon seit Jahren: Keine andere Komponente im Produktionsprozess sammelt und interpretiert schon heute so viele Daten. Die Bildverarbeitung verifiziert das „Gesehene“ in jeder Phase der Produktion, verarbeitet die Information, übermittelt Resultate und steuert in Folge eine intelligente Handlung.

Machine Learning ist gemäß Einschätzung von VDMA Future Business ein wesentlicher Eckpfeiler im Rahmen einer umfassenden digitalen Transformation. Es ist bereits heute absehbar, dass Machine Learning für den Maschinen- und Anlagebau von Bedeutung sein wird. In der Produktion kann die Digitalisierung, die mit Industrie 4.0 ihren Anfang genommen hat, mit dieser KI-Technologie konsequent weiter ausgebaut werden und noch mehr Nutzen stiften. Und eines ist sicher: die Bildverarbeitung hat in dieser Entwicklung längst ihren Platz gefunden.

Die Handlungsempfehlungen von VDMA Future Business

• Kompetenzaufbau im Unternehmen durch einen Dreiklang an Aktivitäten:
  1. Umfangreiche Integration von innovativen Sensoren in die Komponenten, Systeme und Anlagen, die auf Machine Learning ausgerichtet sind
  2. Klar geregelte Datennutzungsmöglichkeiten (Datenhoheit und Zugang zu Daten) in enger Zusammenarbeit mit dem Kunden
  3. Kompetenzaufbau im Bereich der Softwareentwicklung – intern oder durch Kooperation
• Kernbaustein für den Erfolg: Ausbildung von „Data Scientists“ und „Data Analysts“. Die Politik sollte hier neue Wege in der Ausbildung gehen, die Leistungsfähigkeit und das Transmissionsband zwischen der Forschung und Anwendung stärken. Eine weitergehende Förderung der Startup-Kultur in Deutschland könnte hierfür dienlich sein.
• Ein zweiter Handlungsauftrag an die Politik ist die Regelung von Datenhoheit und Datensicherheit unter Berücksichtigung der gesellschaftliche-ethischen Fragen. Nur durch praktikable und nicht zu starren Regelungen kann die internationale Wettbewerbsfähigkeit der Unternehmen gesichert werden.