Deep Learning in Deutschland

Deep Learning setzt so manches Vorurteil gegen künstliche Intelligenz schachmatt. - Bild: Pexels

Digitalisierung und Vernetzung werden auch im Maschinenbau immer wichtiger. Verschiedene Hochschulen und Forschungseinrichtungen arbeiten daher an Ideen, die das Potenzial künstlicher neuronaler Netze mittels Deep Learning in Deutschland für KMU zugänglich machen. Dazu zählt ein Versuchsaufbau auf einem Grundgerüst aus Komponenten des item MB Systembaukastens, mit dem die datengestützte Optimierung einer Maschine zur Blechumformung simuliert wird.

Künstliche neuronale Netze (KNN) sind als Begriff nicht neu und fester Bestandteil vieler Science-Fiction-Storys: Es geht darum, die Funktionsweise des menschlichen Gehirns nachzubilden. Das Problem ist nur, dass sich die Beschaffenheit der menschlichen Intelligenz eben nicht so einfach kopieren lässt. Vor allem das praktische Lernen fiel den KNN lange schwer. Mit dem Aufkommen der Industrie 4.0 stehen die Vorzeichen für einen Durchbruch bei der Umsetzung lernfähiger IT-Systeme und ihrer praktischen Anwendung für Lösungen im Anlagen- und Maschinenbau günstig wie nie.

Die Technik hinter Deep Learning in Deutschland

Im Kern geht es um einen Wandel in der Herangehensweise bei der Ausbildung einer künstlichen Intelligenz (KI). Ursprünglich wurde die Leistungsfähigkeit einer KI im Wesentlichen dadurch definiert, mit wie vielen differenzierten Vorgaben und Herangehensweisen sie von ihren Programmierern ausgestattet war. Künstliche neuronale Netze sollen dagegen analog zum Menschen selbst lernen (Deep Learning). Was Ihnen allerdings lange Zeit fehlte, war ausreichendes Anschauungsmaterial in Form von digital vorliegenden Daten und die Leistungsfähigkeit, diese auch auszuwerten. Genau diese großen, schnell angebundenen Datenbanken, kombiniert mit enormer Rechenleistung, sind zwei Eckpfeiler der Industrie 4.0 und lassen sich jetzt für Deep-Learning-Ansätze nutzen.

Das künstliche neuronale Netz wertet Daten dabei auf mehreren Ebenen aus. Während es etwa auf der untersten Ebene zunächst darum geht, bei einer Aufnahme zwischen hellen und dunklen Bereichen zu unterscheiden, folgen in den weiteren Ebenen immer komplexere Formen und Verläufe. Schließlich kann auf der Anwenderebene eine Software mit hoher Wahrscheinlichkeit sagen, ob sich auf dem Motiv Menschen befinden, wo die Gesichter dieser Menschen sind und – bei entsprechendem Datenmaterial – auch, wer die Menschen im Bild sind. Das gleiche Prinzip funktioniert auch mit Sprache, was im Consumer-Bereich viele Großunternehmen mittlerweile für die Optimierung der Spracherkennung von Smartphones und Smart-Home-Anwendungen nutzen.

Deep Learning für die Industrie 4.0

Natürlich lassen sich Ansätze zur Sprachsteuerung auch auf die Bedienung von Maschinen und Anlagen übertragen. Auch in der Qualitätssicherung könnten mittels Deep Learning geschulte Kamerasysteme helfen, Produktionsfehler noch effizienter offenzulegen. Dabei geht es bei fast allen praktischen Ansätzen nicht darum, menschliche Mitarbeiter zu ersetzen, sondern sie in ihrer Arbeit bestmöglich zu unterstützten. Aufgrund seiner Erfahrung trifft der Werker in diesem Beispiel die endgültige Entscheidung, welche Produkte die Qualitätskontrolle passieren und welche Ausschuss sind. Gleichzeitig muss er nicht mehr alle durchlaufenden Produkte sichten und durch die unterstützenden intelligenten Kamerasysteme ist es praktisch ausgeschlossen, dass bestimmte Produktionsfehler übersehen werden. Nach dem gleichen Prinzip ließen sich teure Ausfälle von Maschinen verhindern, wenn eine Software frühzeitig erste Anomalien im Datenstrom der Überwachungssensoren erkennen könnte.

Diese Einzelaspekte von Deep Learning lassen sich im Umfeld der Industrie 4.0 auf eine komplette Produktionslinie übertragen. Künstliche neuronale Netze können helfen, die enormen Datenmengen, die durch die stetige Überwachung aller Maschinen geniert werden, auszuwerten und Auffälligkeiten für den Produktionsplaner gezielt hervorzuheben. Er behält aber die Interpretation der erkannten Abweichungen in der Hand und leitet daraus selbstständig Ansätze für den KVP ab. Im Endeffekt könnten KNN in der Industrie also helfen, dass Mitarbeiter ihre jeweiligen Aufgaben mit einer größtmöglichen Effizienz durchführen, indem ihnen automatisierbare Teilaspekte abgenommen werden.

Sie möchten mehr über neue Technik-Trends erfahren? Besuchen Sie den item Blog!