Künstliche Intelligenz und Maschinenlernen: KI bei sensXPERT
Die Kunststoffindustrie ist eine von vielen Branchen, die derzeit durch künstliche Intelligenz (KI) revolutioniert werden. Diese revolutionäre Technologie, die vom menschlichen kognitiven Verhalten inspiriert ist, ermöglicht es Maschinen, Aufgaben wie die Erkennung von Sprache, Bildern und Mustern zu erledigen. Die Anwendungsmöglichkeiten der modernen KI und des Maschinenlernens (ML) sind weitreichend. In der Kunststoffindustrie kann ihr Einsatz aber auch zu nützlichen Entwicklungen wie optimierten Fertigungsprozessen, Kostensenkungen und besserer Teilequalität führen.
Die Begriffe KI und Maschinenlernen werden oft durcheinander gebracht. In diesem Beitrag möchten wir erklären, was hinter diesen Begriffen steckt, den Unterschied zwischen ihnen klären, verschiedene aktuell verwendete Ansätze vorstellen und die Anwendbarkeit von KI und ML in der Kunststoffindustrie beleuchten.
Dieser Blog-Beitrag ist Teil der Serie „KI bei sensXPERT“. In den ersten beiden Artikeln werden KI, Maschinenlernen und Datenwissenschaften vorgestellt und deren Rolle in der kunststoffverarbeitenden Industrie erklärt. Der letzte Artikel befasst sich mit dem Einsatz von KI bei sensXPERT zur Verbesserung von Fertigungsprozessen, Transparenz und Qualitätskontrolle.
Was ist künstliche Intelligenz?
Obwohl der Begriff seit Jahrhunderten in Mythen und Erzählungen vorkommt, wurde der moderne Begriff der künstlichen Intelligenz erstmals in den 1950er Jahren eingeführt, als Ergebnis bedeutender Fortschritte in den Bereichen Neurobiologie, Mathematik und Informationstheorie. Seit den 1950er Jahren hat sich die KI enorm weiterentwickelt und eine Vielzahl von Anwendungen und Fortschritten erlebt. Was genau ist also KI?
Einfach ausgedrückt ist künstliche Intelligenz – ein Teilgebiet der Kognitionswissenschaft – die Simulation menschlichen kognitiven Verhaltens in Maschinen. Dank der KI sind Maschinen heute in der Lage, verschiedene alltägliche Aufgaben zu erledigen, die früher ausschließlich dem Menschen vorbehalten waren.
Darüber hinaus kann die KI auch Aufgaben lösen, die sich für den Menschen als komplexer erweisen könnten, z. B. das Clustern hochdimensionaler Daten oder die Optimierung von Automobildesigns. Künstliche Intelligenz kann durch die Verwendung von vordefinierten Entscheidungsbäumen sowie durch die Codierung von feststehendem Verhalten erreicht werden.
Da es sich bei der KI um eine „Schlüsseltechnologie der Zukunft“ handelt, ist ihre Entwicklung in erheblichem Maße wirtschaftlich motiviert [1]. Die rasante Beschleunigung der KI-Entwicklung in den letzten Jahren ist jedoch in erster Linie auf Fortschritte bei der Rechenleistung, die Verfügbarkeit großer Datensätze und Durchbrüche beim Maschinenlernen und bei Deep-Learning-Algorithmen zurückzuführen.
Was ist Maschinenlernen?
Als Teilbereich der KI ermöglicht das Maschinenlernen, dass Maschinen aus Daten lernen und ihre Intelligenz entwickeln. Maschinen müssen dadurch nicht mehr explizit für die Ausführung bestimmter Aufgaben programmiert werden.
Bei ML werden Algorithmen zur Analyse und Erkennung von Mustern in Daten verwendet. Maschinen werden dann darauf trainiert, diese Muster zu nutzen und Entscheidungen oder Vorhersagen zu treffen. Nach dem ML-Training sind die Maschinen in der Lage, das erworbene Wissen auf neue Datensätze anzuwenden und Vorhersagen zu erstellen.
Ein wesentlicher Vorteil des Maschinenlernens ist die Fähigkeit, umfangreiche Datensätze zu handhaben. Angesichts eines massiven Anstiegs der Datenmengen in den letzten Jahren ist ML ein leistungsstarkes Werkzeug für die Verarbeitung und Analyse von Datensätzen, die Gewinnung wertvoller Erkenntnisse und die datengestützte Entscheidungsfindung.
Ansätze des Maschinenlernens
When it comes to applying machine learning, there are three most commonly used approaches, each with advantages depending on their application.
1. Überwachtes Lernen
Beim überwachten Lernen werden dem ML-Algorithmus gekennzeichnete Datensätze vorgelegt. Ein „Überwacher“ informiert die Maschine über die richtigen Ausgaben oder gewünschten Zielgrößen. Die Maschine wird darauf trainiert, bestimmte Muster aus den Eingabedaten abzuleiten und die Beziehung zwischen den Eingabedaten und der Zielausgabe zu erkennen. Während des Trainings erhält die Maschine Rückmeldungen zu ihren Antworten und Prognosen, um deren Gültigkeit sicherzustellen.
Auf der Grundlage der von der Maschine erworbenen Kenntnisse kann sie genaue Prognosen über neue, unbekannte Daten erstellen. Gängige Anwendungen von überwachtem ML umfassen die Klassifizierung von Gut/Schlecht-Teilen und die Regression. Beispiele für Anwendungen des überwachten Lernens sind die Erkennung der Körperhaltung von Menschen und, ganz allgemein, die Erkennung von Objekten.
2. Unüberwachtes Lernen
Beim unüberwachten Lernen werden dem ML-Algorithmus Datensätze ohne Kennzeichnungen oder Zielvariablen vorgelegt. Die Maschine hat dann die Aufgabe, Schlussfolgerungen zu ziehen und in den umfangreichen Daten Muster zu finden.
Im Gegensatz zum überwachten Lernen erhält die Maschine beim unüberwachten Lernen keine Rückmeldungen und ist daher selbst für die Erkennung sinnvoller Muster verantwortlich.
Diese Methode wird häufig für Clustering sowie zur Dimensionalitätsreduktion und zur Anomalieerkennung verwendet. Ein Beispiel für die Anwendung des unüberwachten Lernens sind Empfehlungssysteme, die in vielen Branchen eingesetzt werden, um Anwendern auf der Grundlage ihrer Interessen Vorschläge zu unterbreiten.
3. Bestärkendes Lernen
Bestärkendes Lernen ist ein Ansatz, bei dem die Maschine bzw. der Agent durch Versuch und Irrtum lernt. In diesem Fall ist kein Überwacher beteiligt. Bei diesem rückkopplungsbasierten Ansatz werden die angemessenen Reaktionen des Agenten dadurch bestätigt, dass er nach Erreichen eines gewünschten Ziels belohnt wird. Umgekehrt erhält der Agent „Strafen“, wenn seine Reaktion untauglich ist.
Anders als beim überwachten Lernen gibt es bei diesem Ansatz keine Rückmeldung, ob eine Aktion „richtig“ ist oder nicht. Der Algorithmus muss selbständig geeignete Strategien ermitteln, indem er verschiedene Ansätze erprobt und verfeinert.
Ziel des bestärkenden Lernens ist es, einem Agenten beizubringen, optimale Ergebnisse anzustreben und so viele Belohnungen wie möglich zu sammeln. Diese ML-Technik wurde unter anderem zur Entwicklung autonomer Agenten für Anwendungen wie selbstfahrende Fahrzeugen eingesetzt.
Bevor wir uns mit dem Maschinenlernen in der Kunststoffindustrie befassen, lohnt es sich, eine ML-Methode näher zu betrachten.
Was ist Deep Learning?
Deep Learning wird oft mit dem Maschinenlernen verwechselt, ist aber kein Synonym dafür, sondern lediglich ein Teilgebiet davon. Beim Deep Learning werden neuronale Netze mit mehreren Schichten verwendet, um Modelle zu erstellen und komplexe Probleme oder Aufgaben zu lösen.
Was das tiefgehende Lernen ausmacht, sind die verschiedenen Schichten, aus denen sich die neuronalen Netze zusammensetzen und die ihre Fähigkeit erweitern können, um komplexe Berechnungen durchzuführen und genaue Ergebnisse zu erzielen.
Bei anderen, bisher verbreiteten ML-Methoden mussten die Merkmale in den verwerteten Daten manuell erkannt werden. Deep Learning bietet den Vorteil, dass es in der Lage ist, Merkmale in den Daten selbstständig zu erkennen.
Im Gegensatz zu traditionelleren Modellen des Maschinenlernens, wie z. B. Random Forest oder Support Vector Machine, erfordern Deep-Learning-Modelle im Allgemeinen eine erhebliche Menge an Daten. Dies macht Deep Learning nicht nur teurer, sondern auch sehr schwierig zu trainieren und anzuwenden.
Gleichzeitig erfreut sich dieses Teilgebiet des ML großer Beliebtheit, da es in der Lage ist, einige der kompliziertesten Probleme in verschiedenen Industriezweigen anzugehen und zu lösen. Die Kunststofffertigung ist eines davon.
Anwendung von ML in der Kunststoffindustrie
Die Kunststoffindustrie ist sehr umfangreich und hängt stark von Prozessstabilität und -simulation, Materialcharakterisierung und -modellierung sowie von der Verfügbarkeit qualifizierter Arbeitskräfter ab. Um eine qualitativ hochwertige Fertigung zu gewährleisten, ist es unerlässlich, die verschiedenen Prozessparameter, Abweichungen und Verbesserungsmöglichkeiten zu kennen.
Über alle Fertigungsstufen hinweg – von der Lieferung von Rohstoffen und der Fertigung von Teilen bis hin zum Vertrieb – sind Effizienz und Nachhaltigkeit allumfassende Ziele.
Hier kommt das Maschinenlernen ins Spiel. ML-Algorithmen können in der Robotik für die industrielle Automatisierung eingesetzt werden. Darüber hinaus kann ML bei der Prozesssteuerung Echtzeit-Einblicke in das Materialverhalten und die Prozessverläufe bieten. Eine Kombination aus Materialwissenschaft und ML-Algorithmen kann bei der Optimierung von Fertigungsprozessen eine wichtige Rolle spielen.
Der Einsatz künstlicher Intelligenz in der Fertigung kann eine erhebliche Herausforderung darstellen, da die Modelle für bestimmte Maschinen, Materialien und Umgebungen angepasst werden müssen. Die Anwendung dieser Modelle ist jedoch durchaus möglich, insbesondere in Zusammenarbeit mit KI-Experten, Spezialisten und Datenwissenschaftlern.
In unserem nächsten Beitrag werden wir die Rolle der Datenwissenschaft in Bezug auf künstliche Intelligenz und Maschinenlernen näher betrachten.
Quellen:
[1] Seifert, I. et al., (2018, July). Potential of Artificial Intelligence in Germany’s Producing Sector. PAiCE Scientific Assistance.
