KI IN DER INDUSTRIE: VOR ORT
AUSWERTEN, SOFORT OPTIMIEREN
Durch die zunehmende Anwendung künstlicher Intelligenz (KI) in industriellen
Applikationen lassen sich nun auch hochkomplexe Heraus forderungen lösen.
Die stetig steigenden Datenmengen, die aus den immer komplizierter
werdenden IoT-Sensoren und -Aktoren resultieren, erfordern nämlich
Maschinen und Prozesse, die selbstständig Erkenntnisse gewinnen und
Abläufe optimieren können.
as Potenzial der künstlichen
Intelligenz ist riesig: Fahrerlose
Transportsysteme finden eigenständig
ihren Weg durch die Fabrikhallen,
D
Anlagen justieren und optimieren sich während
des laufenden Betriebs – um ein paar
Beispiele zu nennen. Der Begriff „künstliche
Intelligenz“ (KI), der nicht eindeutig definiert
ist, umfasst viele Bezeichnungen. Vereinfacht
dargestellt, können Computerprogramme
eine menschliche Intelligenz nachbilden
sowie selbst Regeln erstellen, um
eigenständig durch Erfahrung zu lernen. Auf
diese Weise kann sich das System autonom
optimieren, damit es ohne Hilfe des Menschen
in der Lage ist, Aufgaben abzuarbeiten.
Zu den unter KI fallenden Schlagwörtern
gehören Machine-Learning (ML) und
1
40 AUTOMATION-GUIDE 2021
Deep Learning (DL). Beim maschinellen
Lernen wird ein Problem auf der Grundlage
der bisher gemachten Erfahrungen bewältigt.
Auf Basis von Datenbeständen und
Algorithmen, die vom Anwender generiert
werden müssen, lassen sich so zum Beispiel
Anwendungen im Bereich Predictive Maintenance
entwickeln, also zukünftige Ereignisse
vorhersagen. Anomalien werden
selbstständig mit den Datenbeständen verglichen,
um beispielsweise die Lebenszeit
der Anlage zu berechnen.
Bei Deep Learning – dem tiefgehenden Lernen
– handelt es sich um einen Teilbereich
des Machine-Learning, der über neuronale
Netze verfügt. Neuronale Netze sind Strukturen,
die das menschliche Gehirn imitieren
und somit unüberwacht aus unstrukturierten
und unmarkierten Daten lernen. Deep-
Learning-Algorithmen verbessern sich folglich
ohne menschliches Zutun und eignen
sich neue Fähigkeiten an. Im Gegensatz zum
maschinellen Lernen muss einem Deep-
Learning-Algorithmus nicht mehr mitgeteilt
werden, auf welche Merkmale er zu achten
hat. Zur verständlichen Darstellung der
Anwendungsfälle werden beide Verfahren
einander mit dem Ziel gegenübergestellt,
eine Bildverarbeitung und daraus resultierend
eine Objekterkennung zu entwickeln.
Lernverfahren der künstlichen Intelligenz