RSS-Feed abonnieren

Wenn aus einer Bramme über verschiedene Veredelungsprozesse letztlich hochwertige Bleche geformt werden, muss die Qualität stimmen. Die Stahlfertigung ist hochautomatisiert, jeder Teilschritt – nicht zuletzt mit Hilfe vieler Tausend Sensoren – perfektioniert. Hochspezialisierte Kameras überprüfen die Endprodukte auf sichtbare Mängel und sortieren sie aus. Der Nachteil: Dieses bis ins kleinste Detail optimierte, komplexe Getriebe basiert meist auf gekapselten Systemen, was den Einsatz von kognitiven Lösungen und die Einbindung von Daten aus der Cloud schwierig macht – und damit auch eine Lernfähigkeit des Systems über künstliche Intelligenz (KI).

Neuronale Netze werden immer leistungsfähiger

Prototypen zeigen, dass Systeme auf Basis neuronaler Netze nicht nur Punktentscheidungen treffen können, also zwischen guten und mangelhaften Produkten unterscheiden, sondern ihre Ergebnisse auch interpretieren. Muss etwa in der Stahlproduktion eine Temperatur für das Nachheizen der Beschichtung anders eingestellt werden, um künftig Fehler zu vermeiden? Welche Bedeutung hat die Molekülgröße für die Güte der Produkte? Das System lernt ständig dazu. Immer mehr Vergleichsdaten helfen der maschinellen Qualitätskontrolle, immer differenziertere und genauere Antworten zu geben und den Experten in seiner Entscheidung zu unterstützen. Je mehr Lernkurven das neuronale Netz durchläuft, umso besser wird es. Es ist unbestritten, dass die bildliche Qualitätskontrolle in der Fertigung von KI profitieren kann und dass es beispielsweise in der Spracherkennung inzwischen egal ist, ob ein Japaner, Franzose oder ein Deutscher Englisch spricht, so unterschiedlich die Aussprache auch sein mag.

Trotz dieser Vorteile tut sich die „echte“ künstliche Intelligenz in den Unternehmen noch schwer. KI in den Unternehmen ist zu oft noch ein Fake: Optimierungen etwa, die im Rahmen von klassischen Analysen gemacht werden, haben mit KI wenig zu tun, selbst wenn ihnen Sensordaten zugrunde liegen. Trotzdem demonstrieren Unternehmen damit gerne, wie weit sie das Innovationsthema der Zukunft schon besetzt haben. In Wahrheit braucht es viel mehr Vertrauen in neuronale Netze, die zum Fundament für die Prozesse in der Logistik, der Produktion und der Qualitätssicherung werden müssen. Erst dann lässt sich der Mehrwert von neuronalen Netzen erschließen und wirklich von KI sprechen. Unsere Erfahrungen aus den vergangenen zwei Jahren zeigen, dass dieser Wandel der von einer Ingenieur-geprägten deutschen Kultur nicht auf Knopfdruck zu machen ist. Die Entscheidungszyklen in den Unternehmen dauern – so viel ist klar – um einiges länger als die Ungeduldigen wahrhaben wollen, die die Proof of Concepts für KI in den Unternehmen starten.

„Technologisch gesehen steht dem Durchbruch der künstlichen Intelligenz nichts im Wege.“
Zum Tweet

KI: Vortrainierte Systeme erleichtern Einstieg

Technologisch gesehen steht dem Durchbruch der künstlichen Intelligenz nichts im Wege. Dabei ist es zunächst unerheblich, ob Unternehmen auf IBM Watson, Open-Source-Lösungen oder KI-Applikationen von Microsoft, Google oder Amazon setzen: Die Kapazitäten, die für Deep Learning nötig sind, werden immer skalierbarer und künftig zudem immer günstiger zu haben sein. Das so genannte Convolutional Neural Net (CNN) gibt es bereits vortrainiert im Internet, so dass der Aufwand inzwischen gering ist, ein präzises eigenes System auf den Weg zu bringen. Umso einfacher wird also auch der Einstieg in zunächst überschaubare KI-Ansätze sein, wie wir übrigens auch auf der CEBIT anhand eines konkreten Beispiels aus der Fertigungsbranche zeigen.

Unsere Erfahrung zeigt: Erst wer zwei bis drei erfolgreiche und durchaus jeweils bis zu einem halben Jahr dauernden Versuche mit neuronalen Netzen gemacht hat, gewinnt langsam Vertrauen in die Technologie und ist damit auch fähig, schrittweise Kontrolle an die Maschine abzugeben – oder sich von den Interpretationen der Maschine überzeugen zu lassen.

Sie wollen sich über das Thema intensiver austauschen? Sie wollen sehen, wie genau Roboter die Qualität von einzelnen Bauteilen visuell prüfen können? Dann besuchen Sie uns auf der Cebit, an unserem Partnerstand mit IBM (Pavillon P34/35). Dort zeigen wir Ihnen welches Potenzial im Einsatz von Künstlicher Intelligenz im digitalen Manufacturing steckt, anhand eines Szenarios, das wir direkt im IBM Watson IoT Center in München entwickelt haben.