KI,AI,Künstliche Intelligenz,Cognitive Computing,Machine Learning,Produktion,Data-Mining,Projekt,Software,Tools

Das Thema Künstliche Intelligenz wird den Alltag verändern - bis in die Arbeitsplätze und in die Fabriken hinein. Darum sollten Sie für kommende KI-Projekte gewappnet sein. - Bild: Siemens

Die Angst vor der digitalen Disruption treibt viele Unternehmer um, Industrie 4.0 und Künstliche Intelligenz entfalten eine geradezu magnetische Wirkung: Mit ihrer Präsenz in deutschen Werken rechnen gemäß einer Online-Umfrage auf produktion.de 70 Prozent unserer Leser fest: "KI-Systeme werden den Arbeitsalltag in der Fabrik stark verändern". 24 Prozent sehen das Thema KI im Produktionsumfeld, rechnen aber nicht mit größeren Umbrüchen und nur 7 Prozent der Befragten reagieren stark ablehnend auf das Thema Künstliche Intelligenz in der Produktion.

Wie man sich einem Data-Mining-Projekt annähert, welche Tools man dazu nutzen könnte und wie Anwendungsbeispiele aussehen, haben wir für Sie exemplarisch zusammengestellt.

Beispiel Siemens

Siemens,mindSphere,KI,Künstliche Intelligent,Plattform
MindSphere ist eine als offenes Betriebssystem für das Internet der Dinge konzipierte Cloud-Plattform. - Bild: Siemens

"KI wird allmählich ‚Ingenieur-tauglich‘ ", sagt Dr. Bernhard Quendt, CTO Digital Factory Division, Siemens, und führt als Beispiel MindSphere an, eine als offenes Betriebssystem für das Internet der Dinge konzipierte Cloud-Plattform. Auf ihr können – mithilfe von KI – große Mengen von Produktionsdaten erfasst und analysiert werden. Die Anwendungen und Services auf MindSphere stammen von Siemens ebenso wie von Drittanbietern. In der Regel geht es bei diesen um die vorausschauende Wartung, Energiedaten-Management oder Ressourcenoptimierung.

Damit Produktion von Künstlicher Intelligenz tatsächlich profitieren kann, müssen die Systeme vor allem eines sein: "Es geht um die einfache Handhabbarkeit sowohl im Einstellen von KI-Systemen aber auch im Umgang mit den KI-Systemen und ihren Ergebnissen", sagt Quendt. MindSphere sei dafür eine gute Basis und "der Anschluss von Produkten an die MindSphere äußerst einfach", so Quendt. Durch die Bereitstellung von Schnittstellen zum programmieren werden die Nutzer der Technik in der Lage sein, schnell für ihre Anwendungsfälle maßgeschneiderte intelligente Anwendungen oder Dienstleistungen zu erstellen.

Die vorausschauende Wartung bietet sich für Künstliche Intelligenz besonders an. Entgegen herkömmlicher Wartungspraktiken im Schadensfall oder in festen Zeitabständen ermöglicht die vorausschauende Wartung oder 'predictive maintenance' eine effiziente Wartung just-in-time.

Durch die Analyse von Maschinendaten kann zunehmend automatisch entschieden werden, wann ein Wartungsvorgang notwendig ist sowie entsprechende Ersatzteile und Wartungstechniker frühzeitig disponiert werden. "Wir arbeiten an einer deutlichen Verschlankung der Wartungsprozesse", so Quendt.

Oft benötigen Techniken der künstlichen Intelligenz eine andere Herangehensweise, als Unternehmen sie traditionell gewöhnt sind. Daher muss in den Unternehmen erst einmal der Boden bereitet werden und der Mensch hier anders denken lernen. "In den Unternehmen kann nicht früh genug damit begonnen werden, in entsprechende Weiterbildung zu investieren und die neuen Techniken schrittweise einzuführen", so Quendt.

In 6 Schritten zur KI-Anwendung

"In KI-Projekten nimmt 50 Prozent der Zeit allein die Vorverarbeitung der Daten ein", berichtet Dr. Gunar Ernis, Data Scientist, Fraunhofer-Institut IAIS. Er ist im Projekt iProdict für die Modellierung und die technische Infrastruktur zuständig.

"Damit die Daten des KI-Modells genutzt werden können, muss erst einmal geklärt werden, welche Datenquellen zur Verfügung stehen, wie die Datenquelle angezapft werden kann, die Verheiratung von Datenbanken, die Überprüfung und Reinigung der Daten", berichtet er. Er geht dabei nach einem standardisierten Prozess namens CRISP-DM (Cross Industry Standard Process for Data Mining) vor.

Video: Der CRISP-DM-Prozess

Phase 1 Business Understanding: In dieser Phase werden Geschäftsideen überprüft und Ziele des Projekts wie zum Beispiel Produktionsoptimierung, oder Optimierung der Materialauslastung, festgelegt.

In der nächsten Phase, Data Understanding, werden die Datenquellen gesichtet und nach ihrer inhaltlichen Bedeutung für den Prozess geordnet.

Danach geht es an die Datenvorverarbeitung und dann an die Modellierung. Ab hier wird es kompliziert. Denn es gibt unterschiedliche Modell-Typen. "In der Industrie will man häufig 'verständliche' Modelle, deren Entscheidungen leicht nachvollziehbar sind", erklärt Ernis. Das ist zum Beispiel bei Deep Learning ein Problem. "Der Mensch kann hier nur sehen, wie das System entscheidet, aber nicht, wodurch es zu dieser Handlungsempfehlung kommt. Das mögen Ingenieure nicht", so Ernis.

Gegen Ende des Prozesses geht es an die Auswertung: Sind die Entscheidungen sinnvoll, oder passieren 'verrückte' Dinge?

In der letzten Phase findet die Integration beim Kunden statt, oder das Projektteam kehrt zu Phase 1 zurück.

iProdict

iProdict,Saarstahl,Künstliche Intelligenz,KI
Bei Saarstahl fallen pro Jahr mehr als 100 Terabyte Prozess-Daten aus Sensoren an. Ziel von iProdict ist es, dieses Sensornetzwerk mit der betriebswirtschaftlichen Ebene zu verbinden. - Bild: Saarstahl

Jedes Jahr produziert die Saarstahl AG mehr als zwei Millionen Tonnen Stahlprodukte. Dabei fallen im Laufe eines Jahres über ein komplexes Netzwerk aus Laser-, Ultraschall-, Video-, Schwingungs- und Temperatursensoren zur Qualitätsüberwachung mehr als 100 Te­ra­byte Prozess-Daten an. Ziel von iProdict ist es, dieses Sensornetzwerk mit der betriebswirtschaftlichen Ebene zu verbinden. Und mithilfe von KI-Methoden Qualitätsschwankungen in der Stahlverarbeitung frühzeitig zu entdecken und ihnen mit einer Korrektur der Produktions- beziehungsweise Geschäftsprozesse zuvorzukommen.

Darüber hinaus kann iProdict in Zukunft nicht nur in Fabriken angewendet werden, sondern auch die Abläufe in vielen anderen Unternehmensbereichen teil-automatisiert optimieren. „Je mehr Daten man produziert, desto genauer kann man den Prozess schärfen“,  erklärt Dr. Gunar Ernis, Data Scientist, Fraunhofer-Institut IAIS.

Ernis ist einer der Wissenschaftler des interdisziplinären Teams, das an neuen Verfahren zur Analyse der rasant wachsenden Datenmengen industrieller Prozesse arbeitet. „KI-Modelle können, sobald sie trainiert worden sind, Vorhersagen über die Wahrscheinlichkeit von Defekten oder Mängeln treffen. Anlagen können sich damit selber überwachen“, so Ernis.

Dr. Bernhard Quendt, CTO Digital Factory Division, Siemens:

"Es geht um die einfache Handhabbarkeit sowohl im Einstellen von KI-Systemen aber auch im Umgang mit den KI-Systemen und ihren Ergebnissen."

Ein Interview mit Dr. Quendt zum Thema Künstliche Intelligenz lesen Sie hier.

Darüber hinaus kann iProdict in Zukunft nicht nur in Fabriken angewendet werden, sondern auch die Abläufe in vielen anderen Unternehmensbereichen teil-automatisiert optimieren. „Je mehr Daten man produziert, desto genauer kann man den Prozess schärfen“, erklärt Dr. Gunar Ernis, Data Scientist, Fraunhofer-Institut IAIS.

Ernis ist einer der Wissenschaftler des interdisziplinären Teams, das an neuen Verfahren zur Analyse der rasant wachsenden Datenmengen industrieller Prozesse arbeitet. „KI-Modelle können, sobald sie trainiert worden sind, Vorhersagen über die Wahrscheinlichkeit von Defekten oder Mängeln treffen. Anlagen können sich damit selber überwachen“, so Ernis.

Video: Prof.Dr. Wolfgang Wahlster, CEO DFKI, im CeBIT-Future-Talk:

 

Aufgabe des Fraunhofer IAIS ist es, die großen Datenmengen zu erschließen: Predictive-Analysis-Algorithmen sammeln und analysieren die Datenströme im Computer und finden Muster in den Daten – etwa wenn ein Gerät überhitzt oder ein Produkt fehlerhaft hergestellt wird. Die Fehler werden so angezeigt, dass ein Ingenieur das Problem sofort versteht und Gegenmaßnahmen einleiten kann. Aus dem Unternehmen wird ein ‚Predictive Enterprise‘.

Volkswagen: KI meets Smart Factory

Im Wolfsburger Smart Production Lab der Volkswagen AG steht die Smart Factory im Fokus.  Menschen und Roboter werden in der Fabrik der Zukunft nicht mehr nebeneinander oder nacheinander an einem Bauteil arbeiten, sondern zeitgleich und gemeinsam. „Bisher müssen Arbeitsschritte oder Arbeitsräume von Mensch und Roboter getrennt werden“, erläutert Wolfgang Hackenberg, Leiter Smart Production Lab. „Eine echte Zusammenarbeit ist das nicht.“

Im Lab laufen die Dinge anders. "Wir haben einen handelsüblichen Roboter und Sensoren so über Software integriert, dass Mensch und Roboter gefahrlos den gleichen Arbeitsraum nutzen und sogar aktiv interagieren können. So konnten wir erstmals die direkte Zusammenarbeit von Mensch und Maschine realisieren."

Bei der Entwicklung haben die Experten des Labs von Volkswagen eng mit Wissenschaftlern des Robotics Innovation Center des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI) zusammengearbeitet. Das DFKI gehört zu den weltweit bedeutendsten Wissenschaftseinrichtungen für Künstliche Intelligenz. Eines der Kooperationsergebnisse ist die erstmalige Anwendung der Software, die eine direkte Zusammenarbeit zwischen Mensch und Roboter ermöglicht und sich auf völlig unterschiedliche Industrieroboter und Anwendungsbereiche übertragen lässt.

Video: Das DFKI auf der CeBIT

 

Das Geheimnis des intelligenten Roboters steckt deshalb nicht in seinen Armen und Greifern, sondern unterhalb der Arbeitsfläche. Dort haben Hackenberg und sein Team die Recheneinheit untergebracht, dort verarbeitet das System ROCK mit seinen Algorithmen Handzeichen und Gesten, dort berechnet es alle von Sensoren erfassten menschlichen Bewegungsabläufe rund um den Roboter-Arbeitsplatz und wertet sie aus.

Ein Handzeichen von Hackenberg genügt, und der Roboter hält inne. Ein weiterer Wink, und die Maschine setzt ihre Arbeit fort oder reicht Bauteile und Werkzeug an. Sobald sich ein Mensch dem Arbeitsbereich des Roboters nähert, ohne ihm einen Hinweis zu geben, reduziert die Maschine von selbst ihr Arbeitstempo und weicht aus.