Künstliche Intelligenz: Mensch-Maschine-Kollaboration 3.0

Publish date:

Maschinelles Lernen in der Produktion – eine Demo-Anwendung

Lukas Birn, Capgemini

Auf der diesjährigen Hannover Messe wurde der Eindruck vermittelt, dass die Fertigung heute schon vollautomatisch abläuft – selbstgesteuert mit künstlicher Intelligenz. Wir sind der Ansicht, dass auch beim Einsatz intelligenter Maschinen in den meisten Produktionsumgebungen der Mensch die zentrale Rolle behalten wird. Dabei lernen Maschinen von Menschen und Menschen von Maschinen. Mit der Demo-Anwendung [Video] zeigen wir, wie maschinelles Lernen bei Qualitätsprüfung mittels Bilderkennung in der Fertigung funktioniert. Der Clou dabei ist, dass diese visuelle Prüfung außerdem mobil, also beweglich ist. So kann die Qualitätsprüfung flexibel und direkt an der Produktionslinie durchgeführt werden.

Maschinelles Lernen kennt auch Zwischentöne

Ein wesentliches Element von maschinellem Lernen ist der sogenannte Konfidenzwert: Dieser Wert zwischen 0 und 1 gibt an, wie sicher sich ein System in seiner Aussage ist. In unserem Anwendungsfall ist dies die Angabe darüber, wie sicher ein Bildobjekt als richtig erkannt wurde.  Dieses Verfahren steht im Gegensatz zu klassischen Prüfsystemen, welche lediglich aussagen, ob eine Prüfung erfolgreich (IO – in Ordnung) oder nicht erfolgreich (NIO – nicht in Ordnung) beendet wurde. Vielleicht fragen Sie sich jetzt, warum der Konfidenzwert so wichtig ist und die Aussage IO/NIO nicht ausreichen würde: Maschinelles Lernen muss immer im Gesamtkontext gesehen werden. Das bedeutet, dass wir das Systemverhalten im Zusammenspiel mit den Mitarbeitern beachten.

Nachhilfeunterricht für Maschinen durch Mitarbeiter

Systeme, die auf maschinellem Lernen basieren, sind immer nur so gut wie die Inputdaten, mit denen sie trainiert wurden. In unserem Fall sind das also die Bilder, mit denen die Prüfanwendung gelernt hat. In der Praxis treten immer mal wieder Situationen auf, die nicht Teil der Trainingsmenge waren. Das kann zum Beispiel eine Hand sein, die im Bildausschnitt auftaucht oder eine Produktvariante, die nicht in der Trainingsmenge vorhanden war. Das System antwortet in diesem Fall mit einem reduzierten Konfidenzwert. Es ist damit eine Aufforderung an den Experten, die Aussage des Systems zu verifizieren. Damit schaffen wir eine Transparenz in der Zusammenarbeit von Mensch und Maschine.

Maschinelles Lernen mit dem Handy verbessern

In unserer Demo-Anwendung [siehe Video] starten wir diesen Verifikationszyklus, wenn der Konfidenzwert unter eine definierte Schwelle rutscht. Der Fachexperte bekommt dann automatisch eine Mitteilung auf sein mobiles Gerät gesendet. Er kann dort direkt die Systementscheidung anhand der Bildsituation prüfen. Im Bedarfsfall kann er die IO/NIO-Entscheidung des Systems überstimmen. Dieses Ergebnis wird anschließend an den Qualitätsexperten weitergeleitet. Er trainiert damit dann eine neue Version des Prüfsystems, welches die geänderten Rahmenbedingungen (z. B. die Hand im Bild oder die neue Produktvariante) berücksichtigt. Ähnlich wie ein erfahrener Mitarbeiter wird das System nun mit einer größeren Bandbreite von Umgebungseinflüssen korrekte Ergebnisse liefern.

Die Grundlage für die Mensch-Maschine-Kollaboration

Beim Design von Anwendungen in der Produktion, die auf maschinellem Lernen beruhen, legen wir den Perception-Cognition-Action-Zyklus zugrunde. Die Kognition (Cognition) kann salopp als das betrachtet werden, was zwischen der Wahrnehmung (Perception) und der Aktion (Action) liegt. Beim Menschen sind das also die geistigen Prozesse, welche zur Aktion führen. Das kann man auch auf die Maschine übertragen: Cognition ist hier die „Magie“ zwischen Sensor und Aktor. Wie graphisch dargestellt, müssen diese beiden Zyklen so miteinander verbunden werden, dass der Mensch basierend auf seiner Aktion eine passende Reaktion vom System erfährt.

Perception-Cognition-Action-Zyklus bei Mensch und Maschine [Quelle: Lukas Birn, Capgemini]

 

In der Praxis kann das wie folgt aussehen: Ein Mitarbeiter in der Fertigung soll zum Beispiel direkt nach einem Montageschritt Feedback erhalten, ob dieser erfolgreich von ihm durchgeführt wurde. Die Aktion des Systems muss dabei passend zur Wahrnehmung des Mitarbeiters gestaltet werden. Das direkte Feedback unterstützt den unerfahrenen Kollegen bei der Einarbeitung und verhindert beim Experten Flüchtigkeitsfehler.

Mittels maschinellen Lernens und der Mensch-Maschine-Kollaboration können erhebliche Effizienzgewinne erzielt werden. Alles dreht sich um den Menschen und so müssen diese Systeme immer in Anbetracht der Fähigkeiten von Menschen und Maschine erstellt werden. Wenn Produktionsunternehmen ihre KI-Anwendungen zukünftig nach dieser Prämisse designen, ist der Weg zur wahren Smart Factory nicht mehr allzu weit. Welche Erfahrungen haben Sie mit dem Einsatz von maschinellem Lernen in der Produktion gesammelt? Ich freue mich auf einen Austausch.

Mehr zum Thema finden Sie hier: https://www.capgemini.com/de-de/service/digital-operations-in-manufacturing/

 

Weitere Posts

Artificial Intelligence

Mehr als ein „Versprechen“? 5 Hebel für eine erfolgreiche Industrie 4.0 Transformation

Jochen Bechtold
Date icon Oktober 19, 2018

Seit mehr als fünf Jahren ist das „Versprechen Industrie 4.0“ nun im Markt. Stand heute ist...

Digital Manufacturing

About Connected Services Masters and their Challenges

Thomas Schatzer
Date icon Oktober 15, 2018

Your product of today will be a commodity in the future – start to develop your Connected...

Artificial Intelligence

Künstliche Intelligenz in Deutschland: Noch mehr Illusion als Realität

Andreas Hein
Date icon Juni 5, 2018

Schon im letzten Jahr haben wir den Durchbruch für künstliche Intelligenz erwartet, doch auch...

cookies.

Mit dem Fortsetzen des Besuchs dieser Website akzeptieren Sie die Verwendung von Cookies.

Für mehr Informationen und zur Änderungen der Cookie-Einstellungen auf Ihrem Computer, lesen Sie bitte Privacy Policy.

Schließen

Cookie Information schließen