Machine Learning

Mitdenken angesagt

Durch Digitalisierung und zunehmende Vernetzung von Maschinen wird es möglich, dass maschinelles Lernen Einzug in die industrielle Praxis hält. Die Forschung läuft. Doch welche Vorteile bietet die Technologie, und wie weit ist die Wissenschaft?

21. Februar 2019
Mitdenken angesagt
Große Datenmengen aus vernetzten Produktionsanlagen sind die Basis für Verfahren des maschinellen Lernens. (Bild: Fraunhofer IPA/Rainer Bez)

Künstliche Intelligenz und ihr Teilgebiet maschinelles Lernen können industrielle Produktionen grundlegend verändern und auf ein neues Niveau heben. Die Technologie hat das Potenzial, den Automatisierungsgrad sowie die Kapazitäten einer Produktion zu erhöhen und gleichzeitig Kosten zu senken. Nicht erst seit kurzer Zeit ist das Thema lernende Maschinen auf zahlreichen Forschungsagenden vertreten. Erste Anfänge der Technologie reichen sogar bis in die 1950er-Jahre zurück, als der Turing-Test entwickelt wurde oder der Informatiker und Elektroingenieur Arthur Lee Samuel einem Computer erstmals das Spiel Dame beibrachte.

Wann der Einsatz Sinn macht

Doch erst seit einigen Jahren sind die technischen Voraussetzungen vorhanden, um maschinelles Lernen (ML) tatsächlich in industrielle Anwendungen zu bringen. Hierzu gehören zuvorderst die Digitalisierung und die zunehmende Vernetzung von Produktionsmaschinen im Kontext von Industrie 4.0 verbunden mit leistungsstarken Sensoren und hoher Rechenkapazität. Dadurch kann die große Menge erzeugter Daten auch verarbeitet und sinnvoll ausgewertet werden. ML-Methoden basieren auf Strukturen oder Verfahren, mit denen Software sich Wissen aus eigenen oder fremden Erfahrungen, also Daten, aufbauen und daraus Aktionen ableiten kann. Sie lernt anhand von meist sehr vielen Beispielen oder Lerndaten. Dieser Lernprozess erfolgt oft in einer Simulationsumgebung, um Ressourcen zu sparen und die reale Anwendung schnell umsetzen zu können. Das aus den Lerndaten entstandene Modell ist Basis dafür, auch neue Daten passend verarbeiten zu können.

Die Technologie eignet sich besonders dann, wenn die Zusammenhänge von Ursache und Wirkung analytisch nur schwer oder gar nicht beschreibbar oder auch unbekannt sind. Dann kann die Datenauswertung helfen, Muster zu erkennen. Zudem ist maschinelles Lernen sinnvoll, wenn Optimierungen mittels physikalischer Modelle sehr aufwendig wären – simpel gesprochen: ein Vorgang lässt sich nicht im Vorfeld komplett beschreiben und entsprechend programmieren, sondern im Verlauf des Vorgangs muss die Software selbstständig Wissen erlangen und dieses für die Entscheidungsfindung nutzen.

Die Integrationsmöglichkeiten in Produktionen sind vielfältig und bieten Unternehmen verschiedene Vorteile. Schon die Produktionsplanung und der Aufbau von Anlagen sind erste Punkte, die perspektivisch automatisierter ablaufen können. Bisher erfordert dies mitunter Monate an Planungszeit, was Unternehmen natürlich verkürzen möchten. Eine Inbetriebnahme innerhalb weniger Tage, was durchaus eine Vision ist, ginge aber nur mithilfe von künstlicher Intelligenz.

Produktionsprozess direkt im Blick

Sobald die Produktion am Laufen ist, sollen die Erzeugnisse gut sein. Aktuell erfährt ein Produktionsleiter erst am Ende, welche Qualität ein Erzeugnis hat und ob der Prozess stets funktioniert. Effektiver wäre es allerdings, dies bereits im Produktionsverlauf zu wissen und bei Bedarf Parameter direkt ändern zu können. Auch hierfür, so sind sich Wissenschaftler einig, wird die Technologie eine wichtige Rolle spielen. Unternehmen haben davon diverse Mehrwerte, zum Beispiel wird der Produktionsprozess schneller aufgebaut und es gibt weniger Verluste, weil weniger Ausschuss produziert wird. Zudem können die Unternehmen die Produktion optimiert und flexibel gestalten, die Kapazität erhöhen und gleichzeitig Kosten senken.

Ein weiteres Thema für ML-Methoden ist Predictive Maintenance, die vorausschauende Instandhaltung. Bisher wird meist vorbeugend, also zu früh, oder reaktiv, und somit zu spät gewartet. Die Maschine fällt in dieser Zeit aus. Mit der richtigen Datenanalyse können Unternehmen jedoch vorhersagen, wann welches Teil ausfallen wird und es damit genau zum richtigen Zeitpunkt tauschen. So muss der Produktionsprozess seltener ganz angehalten werden.

Hinzu kommen völlig neue Geschäftsmodelle auf Basis aller verfügbaren Daten. Ein bekanntes Beispiel ist das Verkaufen einer Dienstleistung anstelle einer Maschine. Der Kunde mietet die Maschine und bezahlt, was er genutzt hat. Das funktioniert aber wiederum nur, wenn der Hersteller ein bestimmtes Servicelevel sicherstellen kann, beispielsweise eine Verfügbarkeit von 99 Prozent.

Datenanalysen und maschinelles Lernen helfen Ausrüstern dabei, vorhersagen zu können, dass die Maschine wie gefordert funktionieren wird. Oder ein Unternehmen verkauft seine Maschinen an mehrere Kunden und erhält über die Datenanalyse Informationen über die jeweilige Produktionsleistung im Vergleich zum Wettbewerber. So könnte der Hersteller auch ins Beratungsgeschäft einsteigen.

Ein weiter steigender Nutzen für die Produktion ist durch die aktive grundlagen- und anwendungsorientierte Forschung im ML zu erwarten. Diese ist auch politisch stark gewollt, wie die im vergangenen Jahr beschlossene Strategie der Bundesregierung zur künstlichen Intelligenz (KI) belegt. In deren Rahmen sollen bis zum Jahr 2025 rund drei Milliarden Euro in die KI-Forschung investiert und der Slogan »KI made in Germany« zu einem internationalen Markenzeichen werden.

Deep Learning im Fokus

Das mit Sicherheit derzeit dominanteste Forschungsthema ist Deep Learning, also tiefe neuronale Netze. Mit diesen Verfahren lassen sich komplexe Fragestellungen lösen, von denen man bisher dachte, dass sie dem Menschen vorbehalten seien. Ein berühmtes Beispiel sind die Siege des Google-Programms AlphaGo im Spiel Go 2015, 2016 und 2017 gegen die weltbesten menschlichen Spieler. Hierbei wichtig ist das sogenannte Reinforcement Learning für das Planen von Aktionen. Übertragen auf die Produktion kann man sich einen Roboter vorstellen, der nicht mehr programmiert wird, sondern seine Tätigkeit mithilfe eines Algorithmus wie ein Kind nach dem Prinzip von Versuch und Irrtum lernt. Ein weiteres Thema ist Meta Learning – also zu lernen, wie man lernt. Dieses Prinzip des menschlichen Lernens zielt auf die möglichst effiziente Nutzung der Daten ab. Die Forscher arbeitet daran, es auch für ML nutzbar zu machen. Ein Beispiel hierfür ist das Übertragen von Erfahrungen und Wissen aus einmal Gelerntem auf ähnlich geartete Aufgaben.

Griff in die Kiste weiterentwickeln

Nicht zuletzt ist auch die Interpretierbarkeit oder Nachvollziehbarkeit der Ergebnisse im maschinellen Lernen ein Forschungsfeld. Noch liegt die Funktionsweise der meisten Verfahren des maschinellen Lernens nur als Black Box vor. Man gibt Daten an den Algorithmus und erhält Ergebnisse, aber es ist nicht nachvollziehbar, wie das Ergebnis zustande kommt. Aus der Black Box muss also eine Grey oder sogar eine White Box werden.

Neben der Produktion ist auch die Industrierobotik ein Profiteur der gesteigerten Forschungsaktivitäten von ML und dies in dreierlei Hinsicht: Die Bildverarbeitung ist eine Schlüsseltechnologie, um Objekte zu identifizieren und zu lokalisieren oder um Umgebungen zu erfassen. Hier sind Algorithmen der KI und des maschinellen Lernens inzwischen verbreitet, um die Erkennungsleistungen zu optimieren. Das Fraunhofer IPA entwickelt damit beispielsweise die Software für den Griff in die Kiste weiter: Während neue Objekte bisher über das manuelle Eingeben von CAD-Daten erfolgten, soll die Software mithilfe von ML-Methoden unbekannte oder komplexe Objekte selbst einlernen können. Ebenso sollen auch verrauschte oder unvollständige Sensordaten zu verlässlichen Greifhypothesen führen und auch Greifstrategien bei Teilen, zum Beispiel mit Verhakungsgefahr, erlernt werden. Die hierfür nötige Lernerfahrung findet größtenteils in Simulationsumgebungen statt. Objektkonstellationen und Sensordaten werden erzeugt und in zahlreichen, oft mehreren Hunderttausend Beispielgriffen variiert, die in der Realität nicht mit angemessenem Aufwand zu leisten wären. Mit dem Greiferfolg in der Simulationsumgebung trainiert man ein tiefes neuronales Netz, das dann die Erkennungs- und Greifleistung der Software perfektioniert.

Automatisierungsgrad erhöhen

Weiterhin nutzen Forscher und Entwickler ML zunehmend zur intuitiven Instruktion von Robotern. So werden Programmierzeiten von Industrierobotern in steigendem Maße durch den Einsatz automatischer Trajektorien-Planer und Programmgeneratoren verkürzt. Last, but not least wird begonnen, KI auch zur Verbesserung der Leistungsfähigkeit des Roboters zu nutzen: Genauigkeitssteigerung, Geschwindigkeitsoptimierungen oder Standzeitverbesserung können durch typische Methoden der KI wie genetische Algorithmen oder Reinforcement Learning erzielt werden. Dies sind allesamt Fortschritte, die das Anwendungsfeld von Industrierobotern in der Produktion erweitern und somit dazu beitragen, den Automatisierungsgrad in der Produktion weiter zu erhöhen.

Erschienen in Ausgabe: 01/2019
Seite: 28 bis 30