Treiber, Einsatzfelder und Perspektiven für die Industrie

Künstliche Intelligenz als Schlüssel zur Smart Factory

Anzeige
Wer eine smarte Fabrik (Smart Factory) realisieren will, braucht flexibel anpassbare (agile) und damit ebenso smarte Maschinen. Einen der wichtigsten Schlüssel dazu liefert die Künstliche Intelligenz (KI). Wir liefern Antworten zur Funktionsweise, Einsatzgebieten und Grenzen der KI und beleuchten die Entwicklungstrends.

Der Autor Ulrich Eberl promovierte 1992 an der TU München in Physik, arbeitete bei Daimler und leitete 20 Jahre lang bei Siemens die Kommunikation über Forschung, Innovationen und Zukunftstrends. 2015 machte er sich als Wissenschaftsjournalist, Buchautor und Keynote-Speaker selbstständig. Sein besonderes Interesse gilt der Künstlichen Intelligenz – ein Feld, zu dem er lange in Japan, den USA und Europa recherchierte und 2016 das Buch „Smarte Maschinen“ veröffentlichte.

Inhaltsverzeichnis

Worauf basieren die modernen Systeme der Künstlichen Intelligenz?

  1. Die Leistungssteigerung der Hardware:
  2. Die Algorithmen des maschinellen Lernens:
  3. Die Datenmenge im Internet:

Wo passieren derzeit die rasantesten Fortschritte?

  1. (a) die Verarbeitung von Sprache, Bildern, Videos und Texten
  2. (b) die Extraktion und Darstellung von Wissen (in „kognitiven Systemen“)
  3. (c) die Analyse großer Datenmengen („von Big Data zu Smart Data“)
  4. (d) die Konstruktion von (teil)autonomen Maschinen – vom selbsttätig fahrenden Auto über Flugdrohnen bis zu zweibeinigen humanoiden Robotern

Was sind die wichtigsten Einsatzgebiete von KI im industriellen Umfeld?
Was wird künftig möglich sein und wo sind die Grenzen?

Vor 50 Jahren – lange vor den ersten Gedanken an eine smarte Fabrik (Smart Factory) – hat der Computer- und Roboter-Pionier Marvin Minsky „Künstliche Intelligenz“ (KI) definiert als „die Wissenschaft, die Maschinen dazu bringt, Dinge zu tun, die – würden sie von Menschen vollbracht –Intelligenz erfordern würden“. Die damaligen Erwartungen der Forscher an KI-Systeme waren hoch, doch jahrzehntelang blieben die Erfolge dahinter zurück: Erste selbsttätig fahrende Autos in den 1980er-Jahren, der IBM-Rechner Deep Blue, der 1997 den Schachweltmeister besiegte, zweibeinige Roboter wie Hondas Asimo und kleinere lernfähige Programme, die die Steuerung von Walzwerken und Papierfabriken optimierten (sinngemäß die Vorläufer der Smart Factory) – das waren die wesentlichen Meilensteine bis zum Beginn des 21. Jahrhunderts.

Doch nun ändert sich dies dramatisch. In den letzten Jahren hat es auf dem Feld der KI mehr Fortschritte gegeben als in den 50 Jahren zuvor. Smarte Maschinen können heute sprechen und zuhören, lesen und schreiben, laufen und greifen, Objekte erkennen und sicher mit ihnen umgehen, immense Datenmengen analysieren und, was das Wichtigste ist: Sie können im Betrieb hinzulernen – sich also laufend optimieren. Damit bilden sie die Basis einer Smart Factory und damit der Industrie 4.0.

Worauf basieren die modernen Systeme der Künstlichen Intelligenz?

Die Treiber für den aktuellen Boom der KI sind vor allem drei Entwicklungen:

            • 1) Die Leistungssteigerung der Hardware:
              Vor 25 Jahren konnten die stärksten Supercomputer etwa 100 Milliarden Rechenoperationen pro Sekunde durchführen – das schafft heute jedes gute Smartphone. Zugleich sanken die Kosten und der Energiebedarf von Mikrochips bei gleicher Leistung um einen Faktor 10.000 bis 100.000. Darüber hinaus wurden auch Kameras, Mikrofone und Sensoren aller Art – etwa Beschleunigungs-, Radar-, Wärme- und Tastsensoren – wesentlich kleiner und kostengünstiger.
            • 2) Die Algorithmen des maschinellen Lernens:
              Viele KI-Systeme basieren auf dem Konzept der Neuronalen Netze: Dabei sind Schichten künstlicher Nervenzellen (Neuronen) hintereinander gestapelt und miteinander auf komplexe Weise verschaltet – wobei ihre Verbindungsstärke wie im Gehirn variieren kann, was sie lernfähig macht. Insbesondere eignen sich solche Netze dazu, Muster zu erkennen, ohne dass ihnen einprogrammiert werden muss, an welchen exakten Eigenschaften sie dies festmachen sollen. Präsentiert man ihnen viele Fotos von Gesichtern oder Autos, können sie auch auf unbekannten Bildern sofort Gesichter oder Autos finden. Ebenso kann man sie mit gesprochenen Worten oder Schriftzeichen trainieren, und sie erkennen danach Sprachbefehle oder Handschriften. In den letzten Jahren haben Forscher spezialisierte Netze entwickelt, die bestimmte Aufgaben besonders gut erfüllen, etwa die Erkennung von Kanten in Bildern, zeitlich kodierte Informationen oder eine Art Erinnerung an frühere Erfahrungen. Man kann auch Neuronale Netze gegeneinander antreten lassen oder wie im Gehirn mit Belohnungseffekten arbeiten. Der Hauptunterschied heutiger, sogenannter Deep-Learning-Systeme gegenüber den Netzen der 1990er-Jahre ist aber vor allem ihre Leistungsstärke: Waren damals nur einige Tausend Neuronen in wenigen Schichten verbunden, so sind es bei den besten Systemen von heute Milliarden von Neuronen in Dutzenden von Schichten, die die Erkennungsaufgaben erledigen.
            • 3) Die Datenmenge im Internet:
              Künstliche Neuronale Netze sind nur so gut wie die Qualität der Lernbeispiele, mit denen sie trainiert werden. Der Datenschatz der Menschheit ist enorm: Auf rund 25.000 Exabyte (Milliarden Gigabyte) dürfte er inzwischen angewachsen sein, und der größte Teil wird über Internet-Technologien, also in der Cloud, weitergeleitet oder gespeichert. All diese Milliarden Bilder, Texte, Videos und Audiodateien lassen sich als Trainingsmaterial nutzen. Und mit jeder Suchanfrage, mit jeder Spracheingabe, mit jedem Übersetzungswunsch lernen die smarten Maschinen hinzu, wird die Smart Factory leistungsfähiger.

Wo passieren derzeit die rasantesten Fortschritte?

Vor allem vier Felder sind es, auf denen KI-Systeme derzeit besonders Furore machen – und die zudem immer mehr zusammenwachsen:

            • (a) die Verarbeitung von Sprache, Bildern, Videos und Texten,
            • (b) die Extraktion und Darstellung von Wissen (in „kognitiven Systemen“),
            • (c) die Analyse großer Datenmengen („von Big Data zu Smart Data“)
            • (d) die Konstruktion von (teil)autonomen Maschinen – vom selbsttätig fahrenden Auto über Flugdrohnen bis zu zweibeinigen humanoiden Robotern.

Fast schon im Wochentakt wird von erstaunlichen Erfolgen berichtet, bei denen sich KI-Systeme oft sogar besser schlagen als Menschen. Ein paar Beispiele zu den oben genannten Feldern:

 

            • (a) Im Mai 2018 berichtete Google über ein Telefonat seines Dialogsystems Duplex mit einem Friseursalon. Es war nicht mehr zu erkennen, ob der Anrufer ein Mensch oder eine Maschine war, zumal die KI auch Denkpausen und Laute wie „hmm“ verwendete. Ähnlich beeindruckend sind Programme wie Google Translate oder DeepL: Sie können heute in Sekundenschnelle Texte in andere Sprachen übersetzen – nicht fehlerfrei, aber doch in einer so guten Qualität, wie sie noch vor zwei, drei Jahren unvorstellbar gewesen wäre. Stichwort Bilderkennung: Die beste Software zur Erkennung von Verkehrszeichen macht nur noch halb so viele Fehler wie Menschen. Und 2013 gelang es einem Programm, in 100 Minuten auf Millionen von Google-StreetView-Bildern die Hausnummern zu finden – eine Aufgabe, für die ein menschliches Team Jahre gebraucht hätte. Eine weitere Software entdeckte in Gewebeschnitten Hinweise auf Krebszellen, die Ärzten bisher unbekannt waren, und ein Algorithmus der Firma Affectiva lernte, Gefühle wie Wut, Freude und Überraschung aus Gesichtern zu lesen. In Studien schnitt diese Emotionserkennungs-Software besser ab als viele menschliche Testpersonen.
            • (b) Im Jahr 2011 besiegte das IBM-System Watson, das den Sinn von Texten in natürlicher Sprache erfassen kann, die menschlichen Champions im Quiz-Spiel Jeopardy. Dabei musste es auf 200 Millionen Textseiten Hinweise finden, die zur jeweiligen Fragestellung passten, sie kombinieren, Hypothesen bilden, priorisieren – und das alles in zwei bis drei Sekunden. Im Januar 2018 folgte ein weiterer Meilenstein: Erstmals schnitten KI-Systeme im Lesetest der Universität Stanford auch ohne Zeitlimit besser ab als Menschen – sie übertrafen also im reinen Textverständnis die menschlichen Wettbewerber. Solche wissensverarbeitenden Systeme werden heute von Ärzten, Finanzberatern und Managern eingesetzt und geben Empfehlungen für Diagnosen, Geldanlagen oder die Optimierung von Industrieprozessen. Für viele Schlagzeilen sorgte auch die Software AlphaGo von Google DeepMind, eine Kombination aus Deep-Learning-Netz mit Belohnungen, analytischen Berechnungen und Zufallsgenerator. In den Jahren 2016 und 2017 schlug sie nicht nur die weltbesten Spieler des Brettspiels Go, das aufgrund der Menge möglicher Spielzüge als weitaus komplexer gilt als Schach. Mehr noch: Die Version AlphaGo Zero verbesserte sich allein dadurch, dass der Computer millionenfach gegen sich selbst spielte. Vorgegeben waren dem Programm nur die Spielregeln, nicht mehr Partien, die von Menschen gespielt worden waren. Mit derart lernfähiger Software, die eigenständig die besten Gewinnstrategien herausfindet, will DeepMind künftig auch die Entwicklung neuer Materialien oder Arzneimittel voranbringen.
            • (c) Große Windturbinen verfügen über viele Sensoren, die pro Tag Hunderte Gigabyte Daten produzieren. Neuronale Netze lernen, diese Datenflut weit besser zu analysieren, als es jeder Mensch könnte. Sie erkennen ungewöhnliche Schwingungen oder einen unrunden Lauf und organisieren ein Wartungsteam für Reparaturen – Tage oder Wochen, bevor es zu Beschädigungen kommt, die zum Ausfall der Turbine führen würden. Eine solche vorausschauende Wartung funktioniert auch bei vielen anderen Geräten – von Aufzügen über Ampeln bis zu Fahrzeugen. Der Hochgeschwindigkeitszug Velaro in Spanien erreicht damit eine extrem hohe Zuverlässigkeit. Nur eine von 2300 Fahrten ist deutlich verspätet – der Bahnbetreiber Renfe erstattet Kunden sogar den vollen Fahrpreis bei einer Verspätung über 15 Minuten. Besonders interessant wird die vorausschauende Wartung (Predictive Maintenance) zudem in der Smart Factory – hier kann sie dabei unterstützen, ungeplante Stillstände zu vermeiden.
            • (d) In Fabriken lernen kollaborative Roboter heute Bewegungen, indem sie Menschen nachahmen – sie müssen nicht mehr programmiert werden. Sie arbeiten ohne Schutzzäune Hand in Hand mit menschlichen Arbeitern und können binnen Tausendstel Sekunden ihre Bewegungen stoppen, bevor sie einen Menschen verletzen würden. Auch gibt es feinfühlige Roboter, die sogar weiche Erdbeeren pflücken, ohne Druckstellen zu hinterlassen, und im Sommer 2018 startete der Kugelroboter Cimon zur Weltraumstation ISS. Cimon kann selbsttätig fliegen und autonom agieren. Sprachgesteuert soll er für die Astronauten Bedienungsanleitungen darstellen und erklären sowie Fotos und Sprachnachrichten aufzeichnen. In Zukunft, so die Idee von KI-Forschern, müssen Roboter auch nicht mehr alles, was sie an Daten und Fähigkeiten benötigen, bei sich tragen, sondern können es bei Bedarf wie Apps aus einem „RoboNet“ herunterladen – etwa wenn sie schnell lernen müssen, wie man empfindliche Gläser greift, Türen öffnet oder einen Dinnertisch deckt. Der Anfang ist bereits gemacht: So haben Google-Wissenschaftler 14 Roboter zwei Monate lang immer wieder neue Greifstrategien ausprobieren lassen, um unbekannte Objekte zu packen. Die Maschinen reichten dabei ihre Ergebnisse an Deep-Learning-Netzwerke in der Cloud weiter, so dass jeder Roboter von den Versuchen aller anderen profitierte.

Was sind die wichtigsten Einsatzgebiete von KI im industriellen Umfeld?

Die Produktivitätspotenziale, die durch KI-Systeme im industriellen Umfeld gehoben werden können, schätzen Unternehmensberater von McKinsey und Boston Consulting auf 20 bis 50 Prozent. Die wichtigsten Einsatzfelder sind in dieser Tabelle zusammengefasst:

Einsatzfeld

Nutzen

Beispiele

Produktionsumgebung Mensch und Maschine zusammen effizienter dank kollaborativer Roboter. Höhere Flexibilität bei kundenspezifischen Produkten und schnelleres Reagieren auf unvorhergesehene Situationen. Maschinen kommunizieren miteinander, um Abläufe zu optimieren. Kollaborative Leichtbau-Roboter (Cobot) wie ABB YuMi, Kuka LBR iiwa, Franka Emika Panda. Vollständig digitale Fabrik und digitale Zwillinge: SmartFactoryKL, Siemens Digital Enterprise Suite
Qualitätssicherung KI findet – etwa über präzise und schnelle Bildverarbeitung – Beschädigungen und Defekte bei Produkten sowie Fehler im Prozess Google AutoML Vision, IBM Watson Visual Recognition, Fraunhofer IPA (Oberflächenprüfung, Kabelbelegung, Schweißnähte etc.), MVTec Software
Datenanalyse Kontinuierliche Analyse und Lernen aus großen Datenmengen (etwa von Sensoren) ermöglicht vorausschauende Wartung und Minimierung von Energieeinsatz und Ressourcen Siemens MindSphere (Internet-of-Things Plattform), GE Predix, Google DeepMind (z.B. für Energieverbrauch von Rechenzentren), SAP Leonardo
Textanalyse und Wissensverarbeitung KI liest große Textmengen, wertet Dokumente aus und fasst sie zusammen (z.B. juristische Verträge, Fachliteratur, Anleitungen) IBM Watson Explorer, Siemens Augmented Intelligence (Wissensgraph + KI-Algorithmen)
Logistik und Supply Chain Management KI optimiert Lieferprozesse, Montage und Lagerhaltung BMW IoT (Überwachung der Logistikkette), IBM Weather Company (Vorhersage von Verzögerungen bei Lieferungen), Kewazo (KI in Gerüstmontage), Roboter im Lager: Amazon Robotics, DHL, Magazino, Mojin Robotics/Fraunhofer
Sales und Marketing KI prognostiziert Kundennachfrage und verbessert personalisiertes Marketing Amazon, Netflix, YouTube, Mikrotargeting (ehem. Cambridge Analytica)
Customer Relationship Management KI ermöglicht virtuelle Assistenten in Call Centern, Beschwerdemanagement, Sprachdialoge mit Maschinen Google Assistant, IBM Watson, Amazon Alexa, SemVox (kontextbasierte Sprachdialoge)

 

Was wird künftig möglich sein und wo sind die Grenzen?

Die Einsatzgebiete von KI werden sich schon bald auf alle Lebensbereiche erstrecken – das Smartphone war sicherlich nur der Anfang der Ära der smarten Maschinen. Smart Grids (intelligente Energienetze), Smart Building, Smart Factory, Smart Office, Smart Health, Smart Car (das autonom fahrende, vollvernetzte Auto) und Smart City sind hier die Schlagworte. Betrachtet man die Entwicklungen der Halbleiterindustrie, so dürfte sich die Rechenleistung, Speicherfähigkeit und Kommunikations-Datenrate von Mikrochips in den nächsten 25 Jahren bei gleichem Preis noch einmal vertausendfachen – die Hardware lässt also noch eine erhebliche Leistungssteigerung erwarten.

Bei der Software gibt es allerdings deutliche Grenzen. So sind Deep-Learning-Systeme Meister im Vergleich von Mustern, nicht mehr. Wurden sie etwa auf Tierbilder trainiert, finden sie überall Tiere, auch in Wolken oder dem Rauschen eines Bildschirms. Ihnen fehlt völlig das Hintergrundwissen und das Verständnis für Zusammenhänge. Auch brauchen sie Zigtausende von Beispielen, um Objekte zuverlässig erkennen zu können – uns Menschen reichen wesentlich weniger. Wie Neuronale Netze neue Objektklassen aus bisher gelerntem Wissen ableiten könnten, ist ein ungelöstes Problem – ebenso wie das sogenannte Transfer Learning: So würden Wissenschaftler gerne Roboter in virtuellen Welten das Greifen von Gegenständen üben lassen und dann das Gelernte in die reale Welt übertragen, doch oft stimmen beispielsweise simulierte und reale Reibungskräfte nicht überein.

Und über allem steht eine große Frage: Wie kann man Maschinen ein Modell der Welt beibringen? Denn so wie KI-Systeme heute konstruiert werden, sind sie Spezialisten für ihre Einsatzfelder, ohne Allgemeinintelligenz, ohne „gesunden Menschenverstand“. Deshalb werden KI-Systeme zwar in den nächsten Jahren immer mehr Routineaufgaben übernehmen, aber Menschen werden weiterhin als Lenker und Denker gebraucht, als Planer und Entscheider, als kreative Problem- und Konfliktlöser, als Qualitätssicherer und als Partner mit emotionaler und sozialer Intelligenz gegenüber ihren Kunden und Zulieferern – auch in einer Smart Factory. Maschinen, die uns auf allen Gebieten überflügeln könnten, sind bei weitem nicht in Sicht. co


Bild: Eberl/Hanser

Info

Buchtipp

Wenn maschinelles Lernen, kognitive Computer und die besten Roboter zusammenkommen, dann werden sie eine Revolution auslösen, wie sie die Welt noch nicht gesehen hat. Künstliche Intelligenz schafft Multi-Milliarden-Euro-Märkte, verändert Millionen von Jobs und wirft ganz neue Sicherheitsfragen auf – wohin führt das alles? Ulrich Eberl hat für sein Buch in vielen Labors und Unternehmen in den USA, Japan und Europa recherchiert und schildert anschaulich und präzise die Entwicklungen auf dem Gebiet, das den Kern unseres Selbstverständnisses trifft: die menschliche Intelligenz.

Smarte Maschinen – wie Künstliche Intelligenz unser Leben verändert, Hanser-Verlag, 406 Seiten, 24 Euro. Mehr unter:

https://zukunft2050.wordpress.com/

Anzeige

Festo: Digitalisierung

Smartenance

Die Digitalstrategie von Festo im Überblick

Schlagzeilen

Video aktuell

Oliver Vogel, Team Leader Commercial Engineering bei Rockwell Automation GmbH erläutert das Besondere an Engineeringtools und welchen Vorteil Maschinenbauer davon haben

Aktuelle Ausgabe

Newsletter

Jetzt unseren Newsletter abonnieren

Webinare & Webcasts

Technisches Wissen aus erster Hand

Automation Award

Automation Award 2018
Die Besucher der SPS IPC Drives haben gewählt. And the winners are…

Videos

Hier finden Sie alle aktuellen Videos

Whitepaper

Hier finden Sie aktuelle Whitepaper

Anzeige
Anzeige

Industrie.de Infoservice

Vielen Dank für Ihre Bestellung!
Sie erhalten in Kürze eine Bestätigung per E-Mail.
Von Ihnen ausgesucht:
Weitere Informationen gewünscht?
Einfach neue Dokumente auswählen
und zuletzt Adresse eingeben.
Wie funktioniert der Industrie.de Infoservice?
Zur Hilfeseite »
Ihre Adresse:














Die Konradin Verlag Robert Kohlhammer GmbH erhebt, verarbeitet und nutzt die Daten, die der Nutzer bei der Registrierung zum Industrie.de Infoservice freiwillig zur Verfügung stellt, zum Zwecke der Erfüllung dieses Nutzungsverhältnisses. Der Nutzer erhält damit Zugang zu den Dokumenten des Industrie.de Infoservice.
AGB
datenschutz-online@konradin.de