Maschinelles Lernen und künstliche Intelligenz

Was kann künstliche Intelligenz leisten?

Will ein Unternehmen bestimmte prozessrelevante Entscheidungen automatisieren, müssen die Regeln für die Entscheidungsfindung genau formuliert sein. Ohne Regelwerk können entweder keine Entscheidungen getroffen werden oder es besteht ein hohes Risiko für Fehler. Bei einfachen Problemstellungen, wenn nur wenige Informationen entscheidungsrelevant sind, fällt es Menschen leicht, diese optimalen Regeln selbst zu finden und festzulegen. In der unternehmerischen Praxis müssen aber Entscheidungen häufig auf der Grundlage riesiger, komplexer Datenmengen getroffen werden, die nicht mehr umfänglich von Menschen erfasst werden können. Das Ableiten der optimalen Regel für eine Entscheidungsfindung gleicht einer Herkulesaufgabe. Genau hier spielen maschinelles Lernen und künstliche Intelligenz ihre Stärken aus. Maschinelles Lernen findet automatisiert die optimalen Regeln mit Hilfe der vorhandenen Datensätze und Informationen. Künstliche Intelligenz wendet diese Regeln direkt an – um den Fachkräften Informationen oder Warnmeldungen zu liefern oder sogar selbst Steuerungsaufgaben zu übernehmen.

Anwendungsbeispiele für KI im Unternehmen:

KI-basierte Qualitätskontrolle: Das optische Prüfen von Produkten und Bauteilen ist in vielen Branchen ein zentrales Instrument der Qualitätskontrolle. Die Verbindung von Machine-Vision-Systemen mit maschinellem Lernen ermöglicht es, die Bewertung von Defekten zu generalisieren und Fehler in verschiedenen Ausprägungen, an unterschiedlichen Positionen und auf bislang nicht gesehenen Bauteilen sicher zu erkennen.

Kollaborative und kontextsensitive Robotik: Roboter, die mit dem Menschen sicher interagieren sollen, müssen ihre Umwelt wahrnehmen können. In kontrollierten Umgebungen können Industrieroboter durch künstliche Intelligenz kollisionsfrei navigieren und Fertigungsaufgaben übernehmen.

Echtzeitanalysen in der Landwirtschaft: Auch vor der Landwirtschaft und Forstwirtschaft macht die Digitalisierung nicht halt. Maschinelles Lernen kann via Bilderkennung in Echtzeit die Pflanzengesundheit bestimmen oder Schädlinge erkennen. Künstliche Intelligenz kann bei der Entscheidung zur richtigen Menge Düngemittel oder geeigneter Schädlingsbekämpfung unterstützen.

Planung und Optimierung des Vertriebs: Basierend auf historischen Bestelldaten und Materiallieferungen unterstützt KI die Planung in der Distributionslogistik durch die Vorhersage von zu erwartenden Kundenbestellungen oder Lieferzeiten bei Materialien und Ersatzteilen.

KI-basierte Wartung und Instandhaltung: Eine KI-gestützte, vorausschauende Wartung ermöglicht eine bessere Vorhersage zum Anlagenzustand, vermindert Maschinenausfälle und Stillstandszeiten. Maschinelles Lernen liest dabei Sensoren und Wartungsprotokolle aus und vergleicht den Ist-Zustand mit Soll- oder Idealwerten. Künstliche Intelligenz erstellt Prognosen zu möglichen Anlagenstörungen und erlaubt es Anlagenbetreibern und Instandhalter:innen frühzeitig zu reagieren, für eine Anlagenwartung nach Bedarf und nicht nach Plan.

24/7-Kundenservice: Das automatisierte Sortieren und Priorisieren von Kundenmails oder die Beantwortung von Kundenfragen durch Sprachassistenten und Chatbots können im Kundenservice vieler Unternehmen Mitarbeiter:innen von Routineanfragen entlasten. Dahinter stecken beeindruckende Leistungen in der Spracherkennung und Sprachverarbeitung mit künstlicher Intelligenz.

KI für Energieprognosen: Mit der verstärkten Nutzung von erneuerbaren Energien und der schwankenden Einspeisung in unsere Stromnetze wächst auch das Risiko für große flächendeckende Blackouts. ML-Algorithmen können Daten aus Energiemanagementsystemen auswerten, typische Verbrauchsprofile erkennen oder bei Abweichungen und Störfällen das Fachpersonal alarmieren.

Künstliche Intelligenz ist ein Überbegriff für vom Menschen entwickelte Computeranwendungen, die sich ähnlich intelligent verhalten wie Menschen – also Sprache verstehen und von sich geben, Bilder erkennen, Texte übersetzen, Daten beurteilen oder Probleme lösen können. KI-Systeme haben die Fähigkeit, Aufgaben ohne die konstante Anleitung eines Menschen selbstständig auszuführen, aus ihren Erfahrungen zu lernen und ihre Leistung zu verbessern.

Generell wird bei den Systemen unterschieden zwischen schwacher und starker KI:

• Schwache oder enge KI (Weak oder Narrow AI): Im Gegensatz zu Menschen, die viele unterschiedliche Problemstellungen bearbeiten können, erlernt und erledigt eine KI meist nur eine ganz spezielle Aufgabe. Innerhalb ihres Spezialgebietes arbeitet die KI allerdings auf sehr hohem Niveau, ist dort schneller und fehlerfreier als der Mensch. Alle aktuell vorhandenen KI-Lösungen fallen in diese Kategorie.
• Starke KI (General oder Strong AI): Eine starke KI, die über die gleichen intellektuellen Fähigkeiten wie ein Mensch verfügt und unterschiedlichste Aufgaben erfüllen kann, ist noch Science Fiction.

Wie wird eine künstliche Intelligenz entwickelt?

Ein normales Computerprogramm besteht aus festen regelbasierten Wenn-Dann-Anweisungen. Bei einer künstlichen Intelligenz werden Programmschritte nicht einzeln vorgegeben, sondern es wird ein Algorithmus, also Computercode, entwickelt, der die notwendigen Schritte selbst lernt.

Ein einfaches Beispiel: Eine KI soll Maschinen optimal mit Schmiermitteln versorgen. Ausgangsbasis für die Entwicklung einer künstlichen Intelligenz ist immer eine Vielzahl von unstrukturierten Datensätzen – in diesem Beispiel Sensordaten zu Menge und Viskosität des Schmiermittels in der Anlage (=Trainingsdaten) sowie die vorher definierten Bewertungsbereiche »genug« oder »zu wenig« von Anlagenpersonal bzw. Instandhalter:innen (=Muster) – und ein Algorithmus. In der Lernphase wird der ML-Algorithmus mit den Trainingsdaten »gefüttert« und ihm wird auch zurückgemeldet, ob er die Sensordaten korrekt zuordnet. So findet der ML-Algorithmus selbstständig die Parameter und Regeln, die am besten zu den Eingabedaten und den gewünschten Bewertungsbereichen passen (=überwachtes Lernen) und perfektioniert sich dabei ständig selbst. Kleiner Exkurs: Werden keine festen Bewertungskriterien vorgegeben, können ML-Algorithmen in den Eingabedaten auch selbst Muster oder Cluster bilden – im Beispiel entstehen so vielleicht mehrere Cluster für frisches Schmiermittel, zu dickes Schmiermittel oder Schmierstoff mit zuviel Verschmutzungen (=unüberwachtes Lernen). In beiden Fällen ist das Ergebnis ein ML-Modell: Ein trainiertes Machine-Learning-Verfahren, dass eine komplette Beschreibung über eine Menge Parameter liefert und Informationen darüber, wie sie benutzt werden müssen. Eine künstliche Intelligenz kann auf Basis dieses ML-Modells nun Vorhersagen und situationsbezogene Entscheidungen treffen; also im Beispiel die Anlage punktgenau mit mehr Schmiermittel versorgen oder die Instandhaltungsfachkräfte bei mangelhafter Viskosität des Schmiermittels warnen.

Was in diesem Beispiel noch recht simpel klingt, wird umso schwieriger und komplexer je mehr Datensätze miteinander verknüpft und ausgewertet werden müssen. Gerade bei komplexen Optimierungsproblemen mit einer Vielzahl von Sensordaten lässt sich die riesige Datenmenge eben nur noch mit künstlicher Intelligenz (zeitlich) sinnvoll auswerten.

Stichworte

Künstliche Intelligenz, Artificial Intelligence, Maschinelles Lernen, Machine Learning, Algorithmen, Echtzeitdaten, Echtzeitanalysen, Big Data, Software, Digitalisierung, Industrie 4.0