15,7 Billionen US-Dollar soll Künstliche Intelligenz bis 2030 laut einer Studie zur Weltwirtschaft betragen.

Bild: iStock, Pracha

Künstliche Intelligenz in der Industrie Wie schlau ist KI wirklich?

12.11.2020

Industrieunternehmen werden immer offener gegenüber dem produktiven Einsatz von KI. Denn erfolgreiche Anwendungen ermöglichen denen, die das Potenzial erkennen, substanzielle Wertschöpfung und Wettbewerbsvorteile. Allerdings handelt es sich nicht bei allen vermeintlichen KI-Lösungen am Markt um wirklich neue Innovationen.

Laut der PwC-Studie über Künstliche Intelligenz (KI) „Exploiting the AI Revolution“ hat KI das Potenzial, bis zum Jahr 2030 beeindruckende 15,7 Billionen US-Dollar zur Weltwirtschaft beizutragen. Bei genauerer Betrachtung gibt es jedoch viele als KI deklarierte Lösungen am Markt, die Entscheidungsträger mit aufwendigem Marketing zu überzeugen versuchen, aber nur den Anschein von Innovation haben und bestenfalls inkrementelle Verbesserungen liefern.

Oft werden nur traditionelle Ansätze wieder vermarktet, die relativ einfach anzuwenden sind, aber nur sehr eingeschränkt mit hochdimensionalen oder strukturierten Daten umgehen können. Oder es finden Methoden des maschinellen Lernens „von der Stange“ Anwendung, die durch die generische Natur der verfügbaren Algorithmen nur eingeschränkte Möglichkeiten bieten.

Natürlich können prinzipiell auch Standardlösungen nennenswerten Nutzen bieten, aber oft tauchen in der Praxis unüberwindbare Probleme auf, zum Beispiel aufgrund von Unterschieden zwischen „sauberen“ Daten, von denen während der Entwicklung ausgegangen wird und den, im Produktionsbetrieb anfallenden Daten. In diesem Fall braucht es eine auf umfangreicher Erfahrung basierende Vorstellung davon, was verbessert werden muss. Diese erfordert wiederum ein tiefgehendes Verständnis über die wissenschaftlichen Grundlagen hinter den angewandten Methoden und das Know-how, wie man für kundenspezifische Anwendungen selbst die fortgeschrittensten Algorithmen anpassen oder neue ersinnen kann.

Daher ist es meist am sinnvollsten, direkt von Anfang an mit einem Partner zusammenzuarbeiten, der Experte auf dem Gebiet ist und eine Lösung entwickeln kann, die exakt auf die Daten und Anforderungen des Kunden zugeschnitten ist.

Prozesse „lernen“

Auf dem Weg zu einer Multi-Billionen-US-Dollar-Industrie sind künstliche neuronale Netze (KNN) heute der mächtigste Ansatz zur Realisierung von Künstlicher Intelligenz. Sie bestehen aus Schichten von Berechnungseinheiten, sogenannten Neuronen. Diese wandeln ihre Eingaben um und geben das Ergebnis an die nächste Schicht weiter – vergleichbar mit der Übertragung und Verarbeitung von Signalen in einem biologischen Nervensystem.

KNNs sind in der Lage, beliebig komplexe Funktionen abzubilden. Die Besonderheit besteht darin, dass sie lernen, eine bestimmte Aufgabe zu erfüllen, indem sie die Stärke der Verbindungen zwischen den Neuronen anpassen, um Fehler bei der Ausgabe immer weiter zu reduzieren.

Durch die Verwendung von Beispielen von Eingaben und gewünschten Ausgaben können neuronale Netzwerke darin trainiert werden, selbst extrem komplexe Beziehungen zwischen Eingaben und Ausgaben zu erkennen und dadurch Vorhersagen zu treffen, die in nachgelagerten Entscheidungsprozessen verwendet werden können. Dieses Paradigma des überwachten Lernens ist jedoch auf Aufgaben begrenzt, bei denen die gewünschten Ausgaben bekannt und verfügbar sind, um als „Lehrer“ zu fungieren.

Im Unterschied zum überwachten Lernen benötigt das verstärkende Lernen (englisch: Reinforcement Learning, RL) keinen Lehrer und kann dadurch für Entscheidungsprozesse in Anwendungsfällen genutzt werden, in denen ein Prozess gesteuert werden muss, auch wenn keine optimalen Verhaltensbeispiele verfügbar sind. Anstatt gesagt zu bekommen, was zu tun ist, erlernt ein „RL-Agent“ durch Versuch-und-Irrtum-Interaktionen mit dem Prozess eine Handlungsstrategie, die ein Belohnungssignal maximiert.

Diese Art zu lernen ist schwieriger, aber auch universeller als überwachtes Lernen, vor allem weil Handlungsstrategien in Situationen erlernt werden können, in denen Ingenieure selbst nicht wissen, was die optimale Strategie wäre, weil das Problem zu komplex oder zu schwer zu greifen ist.

Kein Alleingang

In der aktuellen Situation blicken viele Unternehmen mit berechtigtem Zweifel auf Künstliche Intelligenz. Das kommt nicht zuletzt von überbewerteten Standardlösungen, die in keiner Weise halten, was sie versprechen. Skeptiker können daher nur überzeugt werden, wenn man beweist, dass KI in der Praxis Mehrwert und Wettbewerbsvorteile bietet – nicht nur in der Theorie in Pilotprojekten oder virtuellen Welten.

Auf dem Weg hin zu einer produktiven Umsetzung ist eine enge Zusammenarbeit zwischen Lösungsanbietern und Kunden wichtig, um das gemeinsame Geschäftsinteresse zu erreichen – die erfolgreiche Markteinführung von Lösungen der Künstlichen Intelligenz und deren erfolgreiche Anwendung. Denn kein Anbieter von industriellen KI-Lösungen kann behaupten, ausreichende Expertise im ganz spezifischen Geschäftsbereich jedes Kunden zu haben, sodass er Lösungen im Alleingang umsetzen könnte. Dazu braucht es das hochspezialisierte Wissen der Experten im jeweiligen Fachgebiet, denn letztendlich können nur sie die Leistung und den Wert des fertigen Produkts bewerten.

In der Praxis

Der Einsatz von KI-basierten Lösungen steckt noch in den Kinderschuhen, vor allem im Bereich der industriellen Produktion. Aber weil die Vorteile von intelligent gesteuerten Prozessen auf der Hand liegen, muss das nicht mehr viel länger so bleiben.

KI steigert beispielsweise die Effizienz und ermöglicht so eine kosteneffektivere Produktion – etwa durch empfindlichere Qualitätskontrollen, einem besseren Verständnis von Produktionsprozessen dank datenbasierter Modellierung und Prozessoptimierung durch intelligente Steuerung. Zudem kann KI Forschung und Produktentwicklungszyklen beschleunigen und dadurch ebenfalls Kosten senken. Die Anwendung fortschrittlicher Lösungen auf Basis neuronaler Netzwerke in industriellen Prozessen kann in drei Bereiche eingeteilt werden: Inspektion, Modellierung und Steuerung.

Bei der Inspektion geht es um Anwendungsfälle, bei denen Vorhersagen getroffen werden müssen, für die Vorgaben von richtigen Ausgaben existieren. Ein einfaches Beispiel hierfür ist die Erkennung von Defekten in Stahlerzeugnissen anhand von Bildern während der Produktion, bei der die Einschätzung eines menschlichen Experten als Vorlage dient.

Bei der Modellierung nimmt man Messwerte (Sensordaten) eines Prozesses und trainiert damit ein neuronales Modell darin, das Verhalten des Prozesses nachzubilden. Dieser digitale Zwilling liefert zum einen neue Einblicke, die dabei helfen, herkömmliche Steuerungsstrategien zu verbessern. Zum anderen bietet das Prozessmodell eine sichere und effiziente Simulationsumgebung, in der die Prozesssteuerung durch verstärkendes Lernen optimiert werden kann.

Drei Beispiele aus der Realität

In der Realität kann dies anhand dreier Beispiele veranschaulicht werden: aus der Glasherstellung, der additiven Fertigung und der autonomen Windturbineninspektion. In diesen Bereichen ist KI schon implementiert und verschafft den Unternehmen, die sie anwenden, klare Wettbewerbsvorteile. Maßgebend für alle drei Anwendungsbeispiele ist, dass es keine passenden KI-Lösungen in Form von Standardprodukten gibt. Dies liegt daran, dass die Unternehmensdaten, die Aufgabenstellung und Umsetzung sehr individuell sind. Für jedes Unternehmen wurde eine Lösung realisiert, die 100 Prozent an seine spezifischen Prozessabläufe angepasst ist.

In der Spezialglasherstellung wird KI zum Beispiel benutzt, um die Produktion zu optimieren. Dazu werten neuronale Netzwerke große Datenmengen aus, die von zahlreichen Sensoren im Hochtemperaturschmelzofen gesammelt wurden, um die Mitarbeiter dabei zu unterstützen, bestmögliche Produktionsbedingungen beizubehalten.

Durch die komplexe Dynamik in der Glasschmelze muss die KI mehr leisten als nur simple statistische Korrelationen. Stattdessen müssen komplexe Beziehungen zwischen einer großen Anzahl an einzelnen Zeitreihen von Sensordaten verstanden werden, um Vorhersagen zu machen. In diesem Fall wirkt KI als Assistent für den für die Produktionsüberwachung zuständigen Mitarbeiter. Durch diese Mensch-KI-Verbindung, in der man sich gegenseitig ergänzt, können bestmögliche Entscheidungen getroffen werden.

Im Bereich der vorausschauenden Instandhaltung nutzt eine Schweizer Firma bereits eine auf Drohnentechnologie basierende KI-Lösung zur Rotorblattinspektion bei Windkraftanlagen. Dadurch werden Schäden an der Rotorblattoberfläche, die eine Wartung erfolgreich machen, automatisch identifiziert. So können sich die Rotorblatt-Experten auf die von der KI vorausgewählten und gekennzeichneten Bereiche konzentrieren, was wiederum die für die Inspektion benötigte Zeit erheblich verringert.

Dieses Beispiel zeigt noch einmal klar die Rolle von KI auf: Ohne eine derartige Lösung müssten alle Bilder per Hand ausgewertet werden. Natürlich gibt es schon einige Werkzeuge für vorausschauende Instandhaltung mit Bildauswertungsfunktion am Markt, aber der klare Mehrwert einer KI-Lösung liegt in diesem Fall darin, dass diese aus den vorhandenen, spezifischen Bilddaten lernt.

Das letzte Beispiel ist eine erst kürzlich entwickelte Lösung zur Optimierung von 3D-Druck und unterstreicht das Potenzial von KI-unterstützten Fertigungsprozessen für hochspezialisierte Industrien. Die Beispielsfirma ist auf selektives Lasersintern spezialisiert, einen Prozess zur Herstellung von Metallteilen von praktisch unbegrenzter geometrischer Komplexität. Dabei wird ein sehr starker Laser benutzt, um Schichten von Metallpulver in funktionelle Teile zusammenzuschmelzen, deren Materialeigenschaften zum größten Teil von der Verteilung der Laserenergie im Schmelzprozess abhängig sind.

Indem man ein eigens dafür entworfenes neuronales Netzwerkmodel trainiert, kann die erwartete Temperaturverteilung auf Basis von Applikationsparametern präzise vorhergesagt werden. Dadurch können Prozessanomalien entdeckt werden. Gleichzeitig kann die Laserintensivität gesteuert werden, um Defekte zu vermeiden und Materialeigenschaften zu optimieren.

Bildergalerie

  • Ein eigens für die additive Fertigung entworfenes neuronales Netzwerkmodell kann so trainiert werden, dass es die erwartete Temperaturverteilung auf Basis von Applikationsparametern präzise vorhergesagt.

    Bild: Nnaissense

  • In der Spezialglasherstellung werten neuronale Netzwerke große Datenmengen aus, die von zahlreichen Sensoren im Hochtemperaturschmelzofen gesammelt wurden, um dabei zu unterstützen, bestmögliche Produktionsbedingungen beizubehalten.

    Bild: Nnaisense

  • Im Bereich der vorausschauenden Instandhaltung nutzt eine Schweizer Firma eine auf Drohnentechnologie basierende KI-Lösung zur Rotorblattinspektion bei Windkraftanlagen.

    Bild: Nnaisense

Firmen zu diesem Artikel
Verwandte Artikel