Künstliche Intelligenz bietet ein hohes Potenzial, um komplexe Zusammenhänge aus Daten zu erkennen und damit Prozesse zu automatisieren. In der produzierenden Industrie können KI-Tools wertvolle Dienste leisten, da sie computerbasiert und selbstlernend diverse Problemstellungen lösen. [...]
Grundsätzlich lassen sich unter Künstlicher Intelligenz (KI) Technologien zusammenfassen, die menschliche Fähigkeiten im Sehen, Hören, Analysieren, Entscheiden und Handeln ergänzen und stärken. Am bekanntesten und mit hohem Potenzial verbunden sind heute die neuronalen Netze, mittels derer sich Analysen von Bildern, Schall, Schwingungen etc. automatisieren lassen. Diese abstrahierten Modelle von verbundenen künstlichen Neuronen können z.B. zur Fehlererkennung oder für vorausschauende Wartung (Predictive Maintenance) eingesetzt werden. Als Teilbereich der IT verfügt Data Science über Methoden, wertvolles Wissen aus strukturierten und unstrukturierten Daten zu ziehen und für den jeweiligen Anwendungsfall das richtige KI-Tool zu finden. Dabei stehen die Analyse der Daten und Prozesse zu Beginn jeder Entscheidung, ob und wie sich KI für den jeweiligen Anwendungsfall einsetzen lässt.
Großes Potenzial und vielfältige Anwendungen
Künstliche Intelligenz ist in fast allen Branchen anwendbar, vorausgesetzt, es sind ausreichend Daten vorhanden. In der Consumerwelt sind KI-basierte Anwendungen bereits seit längerem fixer Bestandteil vieler Geräte, etwa die Gesichtserkennung bei Smartphones oder kamerabasierte Assistenzsysteme in Autos. Leistungsfähige Sprachverarbeitungsmodelle wie GPT-3 oder Chat GPT, die Künstliche Intelligenz und maschinelles Lernen nutzen, erzeugen Texte, die sich kaum von jenen unterscheiden, die von Menschen geschrieben sind. Verknüpft mit der Fähigkeit aus Textbeschreibungen Bilder zu generieren, bieten solche Technologien ein enorm großes Potenzial.
Komplexe Zusammenhänge aus Daten erkennen
Auch in der Industrie beschäftigen sich viele Branchen mit den Möglichkeiten von Künstlicher Intelligenz. Produktionsprozesse bieten sich besonders für den Einsatz von KI an, weil hier meist viele Daten vorhanden sind, die sich nutzen lassen und eine gute Ausgangsbasis für KI-Anwendungen darstellen. Zudem sind Prozesse wie die Qualitätssicherung ein wichtiges und zugleich vielschichtiges Thema in der Fertigung. Hier kann KI komplexe Zusammenhänge aus Datenströmen erkennen, die für den Menschen nicht wahrnehmbar sind, und daraus Regeln ableiten. Diese Algorithmen unterstützen die Optimierung und Automatisierung von Qualitätssicherungsprozessen und können maßgeblich zu deren Effizienz und Kostenreduzierung beitragen.
Trends wie die automatisierte Bilderkennung und -analyse bieten eine Ausgangsbasis für weitere Methoden, etwa die Anomalieerkennung, die in der Industrie sehr gut einsetzbar sind. In der industriellen Produktion lassen sich damit beispielsweise Bauteile im Fertigungsprozess automatisiert auf ihre Qualität prüfen. Der KI-Algorithmus lernt anhand von vorgegebenen „Trainingsbildern“, wie ein Bauteil aussehen soll. Im Fertigungsprozess werden die von Kameras gelieferten Bilder eines Bauteiles analysiert und fehlerhafte Produkte vollautomatisch erkannt. Der große Vorteil des Anomaly-Detection Ansatzes ist, dass Abweichungen von einem gewünschten Soll-Zustand der Bauteile erkannt werden und somit nicht schon im Vorhinein alle möglicherweise auftretenden Fehler bekannt sein müssen. Grenzen sind bei den Rechenmodellen neuronaler Netze dann gesetzt, wenn Entscheidungen nachvollziehbar und beschreibbar sein müssen. Bei Anwendungen wie dem autonomen Fahren spielt die Nachvollziehbarkeit eine zentrale Rolle. Denn im Fall z.B. eines Unfalls muss klar nachvollziehbar sein, ob der Fahrer oder das Steuergerät des Autos die Schuld tragen bzw. warum die entsprechende Entscheidung vom System getroffen wurde. Explainable AI beschäftigt sich genau mit diesem Dilemma, mit dem Ziel, die Lösungsmodelle zu erklären und somit Transparenz und Akzeptanz von KI zu fördern.
Know-how, Prozess- und Datenanalyse entscheidend
Ob KI sinnvoll einsetzbar ist und welche Lösung zum Anwendungsfall passt, ist nach einer umfassenden Analyse des jeweiligen Prozesses und der vorhandenen Daten zu entscheiden. In der Praxis sind hier oftmals mehrere Iterationen durchzuführen, weil man beispielsweise zusätzliche Datenquellen entdeckt oder neue Informationen beziehungsweise neu hinzugekommene Aspekte bewerten muss und die KI-Lösung entsprechend angepasst werden muss. Im Zuge dieses iterativen Prozesses wird das Rechenmodell laufend verbessert, um ein optimales Ergebnis zu erzielen. Es gibt zwar etliche KI-Standardlösungen, diese passen aber meist nur auf einen speziellen Use Case. Komplexere und spezifische Anwendungsfälle benötigen ein individuelles Customizing und das Know-how eines IT-Spezialisten, um nach der Analyse der Daten und Prozesse eine gewinnbringende Lösung entwickeln zu können. Dabei ist die nahtlose Integration der KI-Lösung, etwa in den Produktionsprozess und die Maschinensteuerung, ein wesentlicher Erfolgsfaktor. Ebenso benötigt die Datenspeicherung in ein Data Warehouse breites IT-Know-how.
Mehrwert, Nutzen und Grenzen
Der Einsatz von KI-Werkzeugen erfordert das Vorhandensein von Daten in digitaler Form. Je mehr historische Daten verfügbar sind, desto besser lassen sich daraus Rechenmodelle und Analysen ableiten. Eine Grenze für KI-Anwendungen setzen gesetzliche Bestimmungen, etwa im Umgang mit personenbezogenen Daten, oder aber die Leistungsfähigkeit der eingesetzten Hardware. Wenn etwa eine Kamera an einer Fertigungslinie hunderte Produkte pro Minute zur Qualitätssicherung abbilden soll, braucht das viel Rechenleistung und Speicherplatz. Darüber hinaus gibt es Situationen, in denen 100 Prozent Genauigkeit gefordert wird, also null Toleranz, etwa bei der Produktion von Medikamenten. Trotzdem bieten bereits KI-Teillösungen einen hohen Mehrwert: Wenn sich Prozesse mittels KI größtenteils digitalisieren bzw. automatisieren lassen, schafft das großen Nutzen und spart Ressourcen sowie Arbeitsaufwand ein. Der Einsatz von KI ist nicht nur in der Fertigung, sondern auch in vielen anderen Bereichen nutzenbringend. So kann beispielsweise mit der automatisierten Klassifizierung von Dokumenten durchschnittlich eine Erfolgsquote von 80–99 Prozent erzielt werden.
Höhere Qualität und Produktivität
Die großen Vorteile Künstlicher Intelligenz liegen in der konstanten und zuverlässigen Leistung der Technologie, dem Erkennen von komplexen Zusammenhängen in Daten, die ein Mensch eventuell nicht erkennen würde, und schnelleren Entscheidungen. Diese Konstanz ist zum Beispiel in der Qualitätssicherung besonders wichtig. Im Gegensatz zur menschlichen Arbeitskraft werden KI-Tools nicht müde und erfüllen die Aufgaben auch oft deutlich schneller als der Mensch. Mittels intelligenter Systeme lassen sich somit höhere Qualität und mehr Produktivität erzielen. Einen nicht unwesentlichen Zusatznutzen schafft die Analyse der Daten, um Informationen nutzbar zu machen und Erkenntnisse daraus zu ziehen. Kondensiert in einem KI-Modell, eröffnet dieses Wissen neue Potenziale – etwa bisher unbekannte Zusammenhänge zwischen verschiedenen Prozessschritten aufzudecken und zu nutzen. Künstliche Intelligenz bietet jedenfalls einen mächtigen Hebel. Zukünftig werden immer mehr Systeme entstehen, die dem Menschen „assistieren“ und Arbeiten erleichtern oder mit zusätzlichen Informationen dienen.
*Der Autor Matthias Puhr ist Machine Learning Consultant bei DCCS.
Be the first to comment