Machine Learning Eine Maschine lernt nie aus

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.

Anbieter zum Thema

Telefonica Germany GmbH & Co. OHG

Parasoft® Deutschland GmbH

Trebing & Himstedt Prozeßautomation GmbH & Co. KG

FANUC Deutschland GmbH

Omron Electronics GmbH

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.

Smarte Plattformen, lernende Maschinen

Die 15 interessantesten KI-Startups

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.

Bildergalerie

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.

#experte

IIoT-Geschäftsmodelle

Predictive Maintenance: Mehr Wunsch als Wirklichkeit?

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.“

(ID:44949823)