Machine Learning

Die Maschine lernt nie aus

| Autor / Redakteur: Victoria Sonnenberg / Nico Litzel

Wenn der Roboter vom Roboter lernt – Ansätze und Lösungen zum maschinellen Lernen waren auch auf der Hannover Messe 2017 Thema.
Wenn der Roboter vom Roboter lernt – Ansätze und Lösungen zum maschinellen Lernen waren auch auf der Hannover Messe 2017 Thema. (Bild: Deutsche Messe AG)

Maschinelles Lernen, Deep Learning, – das Phänomen Künstliche Intelligenz hat viele Teilgebiete, die aber immer eines gemein haben: die Fähigkeit, aus Daten zu lernen und Muster abzuleiten. Prominentes Beispiel aus dem industriellen Sektor ist ohne Frage die Predictive Maintenance. Was früher spröde als Instandhaltung daherkam, hat sich heute zu einer spannenden Angelegenheit entwickelt, mit der man in die Zukunft schauen und Worst Cases wie teure Maschinenstillstände verhindern kann. Diese Vorhersagen machen bereits jetzt den Wettbewerbsvorteil aus.

Watson oder Deep Blue von IBM sind Super-Computer von gestern und trotzdem bleiben sie die faszinierenden, imposanten und unvergessenen Beispiele des bis dahin unspektakulären Phänomens maschinelles Lernen (ML) – dem Beherrscher von Big Data –, die die Welt und Schachmeister einst ins Staunen brachten. Eigentlich ein alter Hase (ABS-System, Spracherkennung im Handy et cetera) erlebt ML seit einiger Zeit eine Renaissance, ermöglicht durch die Datenflut, die Industrie 4.0 so mit sich bringt, in der sich Systeme selbstständig zurechtfinden, lernen und sich sogar selbst umprogrammieren können. So zum Beispiel auch Omrons dritte Generation seines Tischtennisroboters. Dies hört sich im ersten Moment vielleicht profan an, was der Automatisierungsspezialist allerdings auf der letzten Hannover Messe präsentierte, könnte nicht weniger profan sein: eine technische Innovation, die neue Dinge selbstständig erlernen kann und selbst beim Menschen den Lernprozess voranbringt.

Von noblen Gesten eines Tischtennisroboters

Der Clou bei Forpheus und vielleicht auch der interessanteste Unterschied zu Watson: Forpheus versucht den menschlichen Kontrahenten nicht auszuspielen, sondern spielt mit ihm, setzt dabei sogar noch einen drauf, indem er versucht, das gesamte Potenzial eines Menschen auszuschöpfen, und ihm dabei hilft, seine Spielleistung zu optimieren.

Das gleiche Prinzip wendet Omron in automatisierten Arbeitsumgebungen an, in denen so das Potenzial des Menschen bestmöglich ausgeschöpft werden soll. Arbeitnehmer können erkannt werden und erhalten automatisch ihre Anweisungen, die individuell auf die Fähigkeiten jedes einzelnen zugeschnitten sind – um so eine Produktion zu erschaffen, in der Mensch und Maschine bestmöglich vereint werden. Auch Forpheus soll diese Verbindung zwischen Mensch und Maschine verkörpern. Dazu vereint der Tischtennistrainer insgesamt sechs Techniken:

  • die Fähigkeit, Informationen zu interpretieren,
  • Ereignisse vorherzusehen,
  • neue Dinge selbstständig zu lernen,
  • dementsprechend Handlungen auszuführen
  • sowie mit Menschen zu interagieren
  • und zu kommunizieren.

Forpheus lernte in unzähligen Spielstunden von Tischtennisspielern unterschiedlicher Niveaus, den Verlauf des Balles, das Niveau des Spielers und die Bewegungen des Schlägers präziser vorherzuberechnen. Somit ist die Künstliche Intelligenz in der Lage, zu wissen, wie sie ein Spiel durch kontinuierliches Sammeln von Daten in Echtzeit an den Mitspieler anpassen kann und die Art der Ballrückgabe abstimmen muss. Dabei wird der Ball von Kameras dreidimensional erfasst, wodurch Forpheus in der Lage ist, mit 80 Rechenoperationen pro Sekunde vorherzusehen, wohin der Ball fliegen wird. Er berechnet die Flugbahn des Balles, sobald dieser vom Schläger des Spielers berührt wird und bewegt seinen Schläger an eine günstige Position auf der Flugbahn, um den Ball zurückzuschlagen. Zudem berechnet er die Flugbahn des selbst angenommenen Balles sowie dessen Geschwindigkeit und Position, damit der Gegenspieler diesen leichter annehmen kann.

Rechenleistung ist der Begriff, der ein Phänomen wie das maschinelle Lernen erst ermöglicht. Denn Künstliche Intelligenz bedarf enormer Rechenkapazität, wenn sie präzise und schnell reagieren und Ergebnisse liefern soll. „Im Grunde genommen sind die Verfahren zum Beispiel von neuronalen Netzen sehr alt, aber neue Rechnerarchitekturen, vor allem parallele Verarbeitung auf Grafikkarten, ermöglichen eine effiziente Verarbeitung und Skalierung der Algorithmen“, sagt Dr.-Ing. Matthias Peissner, Head of Competence Center am Fraunhofer-IAO. „Wir stehen noch am Anfang, mit zunehmender Rechenkapazität werden die Fähigkeiten im ML noch viel ausgeprägter werden. Insbesondere sobald autonome Systeme die Fähigkeit entwickeln, sich selbstständig neues Wissen anzueignen und auf nahezu unbegrenzte Datenmengen im Internet zuzugreifen, wird sich dieser Fortschritt immer stärker beschleunigen.“

Ungeordnete Datenmassen schnell und präzise in ein Muster bringen

Diese schnelle und effiziente Bearbeitung von ungeordneten Datenmassen, die zu neuen Entwicklungen und einer schnellen Weiterverbreitung des maschinellen Lernens in so kurzer Zeit verholfen hat, liegt zum einen in der Verfügbarkeit von Datenmengen und zum anderen in der parallelen Datenberechnung von GPU-Computing (dabei wird der Grafikprozessor gemeinsam mit der CPU zur Beschleunigung von technischen Anwendungen eingesetzt). Grafikkarten als Rechenbeschleuniger finden daher jetzt auch vermehrt ihren Platz in der Cloud. Internetriese Google, der auf dem Gebiet des maschinellen Lernens bereits den meisten viele Schritte voraus ist, beispielsweise beim autonomen Fahrens (ebenfalls eine Form des ML), bietet seit Anfang des Jahres in der Google Cloud Machine-Learning-Dienste für ML mit bereits trainierten Modellen und einer Möglichkeit zum Erstellen eigener maßgeschneiderter Modelle.

Einen möglichen nächsten Schritt in Hinblick auf ML sieht Dipl.-Inf. Andreas Schuller, Leiter des Competence Centers „Human-Computer Interaction“, ebenfalls am Fraunhofer-IAO, in der Verbindung von maschinellen Lernverfahren mit der Intelligenz und dem Erfahrungswissen der menschlichen Mitarbeiter: „Wir arbeiten an Systemen und Nutzeroberflächen, die technischen Spezialisten (nicht Data Analysts, sondern Experten des Anwendungsfelds, zum Beispiel Prozessingenieuren oder Servicetechnikern) einfache und komfortable Möglichkeiten bieten, ihr Wissen und ihre Problemlösekompetenzen in den Lernprozess einzubringen. Dadurch erhoffen wir uns große Fortschritte bezüglich der Effizienz und möglicher Anwendungsfelder von Machine Learning.“

Ziel: Time-to-Market verkürzen

Mögliche Anwendungsfelder haben viele Unternehmen aus der Industrie bereits für sich selbst ausgemacht. Die wirtschaftlichen Beweggründe, ML einzusetzen, sind auch für Fanuc klar: Maschinen effizienter machen, Time-to-Market verkürzen und die Verfügbarkeit durch präventive Wartung steigern. Die Quintessenz davon: Der Betrieb einer Maschine soll insgesamt wirtschaftlicher, sicherer und vorhersehbarer werden. Dabei ist der Übergang von Smart Machining zu Machine Learning bei Fanuc fließend. Während Smart Machining intelligente Algorithmen nutzt, um eine Maschine im laufenden Betrieb in einen optimalen Bereich zu fahren, beziehen sich die Ansätze für ML derzeit auf die Inbetriebnahme einer Maschine von Anfang an. „Mit Smart Machining kann ich die Möglichkeiten einer Maschine ausreizen, ohne deshalb die Qualität der zu bearbeitenden Werkstücke zu mindern“, sagt Bernhard Lusch, Vertriebsleiter CNC bei Fanuc Deutschland.

Auf dem Gebiet des ML konnte sich Fanuc bereits mit seinem Field System (Fanuc Intelligent Edge Link and Drive System) etablieren. Mit der offenen Analyse- und Deep-Learning-Plattform für die Fertigung für und von fortgeschrittene Analysen und Deep-Learning-Funktionen präsentiert Fanuc Techniken des Industrial Internet of Things (IIoT) und der „Industrie 4.0“ für das gesamte Spektrum der Fertigungsautomation und des Fanuc-Produktspektrums. Zum Field-System gehört zum Beispiel das „Surface Flaw Inspection by Machine Learning“, ein Konzept, bei dem ein Roboter CR-7 i A einer Kamera das Werkstück in verschiedensten Orientierungen präsentiert, wobei davon Bilder gemacht und dann verarbeitet werden sowie basierend darauf Entscheidungen getroffen werden.

Stillstand ist keine Option

Mit der Operation Management Software „MT-Link i“, die in Werkzeugmaschinen mit Fanuc-CNC zum Einsatz kommt, lässt sich auch Predictive Maintenance realisieren. Mit der Field-Technik erfasst und überwacht „MT-Link i“ Kenndaten der Werkzeugmaschine, überwacht und analysiert deren „Lebensfunktionen“, erkennt frühzeitig Produktions- und Maschinenprobleme, um rechtzeitig präventive Wartungsmaßnahmen durchzuführen.

Die Angebote am Markt dazu sind vielfältig. Unterstützung und Orientierung bietet daher das Fraunhofer-IAO an. „Ein zentrales Problem für den Mittelstand sind heute die vermeintlich hohen Einstiegskosten und Kompetenzhürden sowie die Unsicherheit, welche konkreten Vorteile und Potenziale sich für das jeweilige Unternehmensumfeld überhaupt erschließen lassen. Dieses Problem gehen wir vom Fraunhofer-IAO gerade gemeinsam mit dem KIT (Karlsruher Institut für Technologie) an. Unter dem Titel ‚Smart Data plus' schließen wir uns mit interessierten Unternehmen zusammen, die gerne ausprobieren möchten, wie sie Smart Data und Machine Learning konkret für ihre Anwendungsfälle in der Industrie gewinnbringend nutzen können. Neben einem Wissenstransfer und Trainings zu Grundlagen der Datenanalyse erhalten unsere Partner auf der Grundlage eines individuellen Smart Data-Testbeds in ihrem Unternehmen eine belastbare Einschätzung und einen guten Eindruck der Nutzenpotenziale, ohne gleich in großen Dimensionen investieren zu müssen“, führt Peissner abschließend aus.

Dieser Artikel stammt von unserem Partnerportal MaschinenMarkt.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 44949466 / Künstliche Intelligenz)