Suchen

Lernende Systeme

Hinter den Kulissen von IBMs Supermaschine Watson IoT

Seite: 2/3

Firma zum Thema

„Watson kann Bilder sehr viel schneller und genauer analysieren als der Mensch“

Was wäre ein Beispiel für unstrukturierte Daten?

Bilder sind beispielsweise extrem schwierig für einen Menschen zu analysieren – IBM Watson kann Bilder sehr viel schneller und genauer analysieren. IBM hat vor kurzem eine Lösung an den Markt gebracht, die sich Cognitive Visual Inspection nennt. Dem Algorithmus wird beigebracht, wie gute und schlecht lackierte Autogriffe aussehen. Alle Autogriffe werden über eine Kamera detektiert und es wird in nahezu Echtzeit analysiert, ob der Autogriff Qualitätsmängel aufweist.

Durch diese unstrukturierten Daten sind wir also in der Lage, zusätzlich effizienter und schneller qualitätssichernde Maßnahmen innerhalb der Fertigung zu etablieren.

Bildergalerie
Bildergalerie mit 5 Bildern

Auch das Thema Maschinen-Instandhaltung profitiert von Watson. Üblicherweise haben die Instandhaltungsabteilungen in vielen Fertigungsunternehmen die Herausforderung des alternden Teams. Das heißt: Wie kann ich das Wissen von Leuten, die in Rente gehen, überführen und sichern? Auch hier treffen wir auf unstrukturierte Daten - die Tickets, die in den letzten zehn Jahren aufgemacht worden sind, um diese Maschine zu reparieren und die Ergebnisse der Reparaturen.

Diese Daten werden komplett eingelesen, sodass die künstliche Intelligenz als Assistenzsystem fungieren kann. Der Mitarbeiter geht also mit einem iPad zur Maschine und macht ein Foto. Watson erkennt, welche Maschine es ist. Der Fehlercode, der ausgelesen wird, wird direkt dazu gespielt und Watson durchforstet die dahinterliegende Datenbank.

Das System kann erkennen, dass dieser Fehlercode in der Vergangenheit bereits fünf Mal aufgetreten ist und die Ursache zu 90 Prozent an dem Verschleiß eines bestimmten Teiles liegt. Die Lösung zur Behebung des Fehlers ist zu 95 Prozent das Ersetzen des Teiles. Hier findet also eine Demokratisierung von Know-how statt.

Jetzt kann ich mir aber vorstellen, dass unstrukturierte Daten in unterschiedlichsten Dateiformaten vorliegen – es gibt Textdateien, es gibt Bilder – wie bringt man all dies diesem Algorithmus bei?

Es gibt sogar handgeschriebene Handzettel und Post-its. Die wesentliche Voraussetzung ist, dass das System angelernt wird. Dies ist der klassische Unterschied zwischen einer KI wie Watson und einem ERP: Ein klassisches System wie ein ERP ist zu Beginn extrem gut – es ist genau auf die Business-Prozesse eingestellt.

An Tag 1.000 haben sich die Prozesse verändert und das System wächst mit der Änderung des Geschäftes nicht mit. Auf der anderen Seite wird ein KI-System initial angelernt und befindet sich dann auf einer asymptotischen Achse: Jeden weiteren Monat, in dem das System arbeitet und weitere Inhalte lernt, wird es kontinuierlich besser.

Am Anfang bedeutet dies also relativ viel Aufwand, denn in das System werden aus verschiedensten Quellen strukturierte und unstrukturierte Daten, wie beispielsweise die Reparaturscheine einer Maschine der letzten 10 Jahre, eingespeist.

Nach der Initialbefüllung kann das System möglicherweise erst mit 70 bis 80 prozentiger Sicherheit Reparaturempfehlungen äußern, doch jede weitere Reparatur macht das System schlauer und bringt es näher an die 100 Prozent. Die Initialbefüllung ist demnach absolut notwendig, damit eine sinnvolle Lösung zustande kommt.

Wie lange dauert es denn, bis diese Initialbefüllung steht?

Die Dauer hängt natürlich auch von der Qualität und Menge der Daten ab. Wenn wirklich Hunderte von handgeschriebenen Post-its vorliegen, verlangsamt das den Prozess ungemein. Wenn aber Handhabungs-Handbücher der letzten zehn Jahre alle komplett automatisiert eingespeist werden, dann geht das relativ schnell. Es hängt sehr stark von Eingabemodus und der Eingabequalität als auch von der Menge der Daten ab.

Konkretes Beispiel Cognitive Visual Inspection: Wenn nicht bereits tausende Bilder von guten und schlechten Produkten vorhanden sind, dann müssen diese Bilder erst generiert werden. Die Dauer ist demnach sehr stark von Ausgangssituation und Quelle abhängig und davon, welcher Use Case zu adressieren ist. Das kann von zwei Wochen bis zu zwei, drei Monaten reichen.

(ID:44775571)