IoT-Basics

Künstliche Intelligenz: Anwendungen, Projekte, Trends

| Redakteur: Jürgen Schreier

Selbstfahrende Autos, genauere medizinische Diagnosen oder Unterstützung bei der Aufklärung von Verbrechen: Künstliche Intelligenz wird schon heute in vielen Lebensbereichen eingesetzt und gilt als Schlüsseltechnologie der kommenden Jahre.
Selbstfahrende Autos, genauere medizinische Diagnosen oder Unterstützung bei der Aufklärung von Verbrechen: Künstliche Intelligenz wird schon heute in vielen Lebensbereichen eingesetzt und gilt als Schlüsseltechnologie der kommenden Jahre. (Bild: Pixabay / CC0)

Neben Blockchain und Bitcoin der momentan größte Hype in der Digitalszene heißt Künstliche Intelligenz (KI). Die wirtschaftliche Bedeutung der Technologie ist enorm. Der Artikel gibt einen Überblick über aktuelle Projekte und Use Cases. Außerdem stellen wir einige KI-Forschungsvorhaben und -felder vor.

Technothrill und jede Menge Action: Das verspricht der aktuelle Pageturner "Die Tyrannei des Schmetterlings" von Bestsellerautor Frank Schätzung. Das Thema seines Romans ist: Künstliche Intelligenz. Erwartungsgemäß läuft diese komplett aus dem Ruder. Die in einem Quantencomputer residierende KI-Engine entwickelt irgendwann einen eigenen Willen und beginnt, systematisch die Menschheit zu eliminieren, anstatt deren Probleme zu lösen, wie von ihrem Schöpfer intendiert.

Wie immer bei Schätzing ist für Hochspannung gesorgt. Und auch sonst ist der Experte für rasante Thriller mit Öko- und Technologiebackground voll am Puls der Zeit. Denn kaum ein Thema - sieht man einmal vom Thema Blockchain ab - wird aktuell so sehr gehypt wie Künstliche Intelligenz. Insgesamt 1,2 Milliarden Ergebnisse liefert Google zusammen genommen zu den Suchbegriffen Künstliche Intelligenz, Artificial Intelligence und Machine Learning. Zum Begriff Blockchain spuckt die (selbst mit Künstlicher Intelligenz arbeitende) Search Engine "nur" 117 Millionen Fundstellen aus – und nimmt man den Begriff Bitcoin noch hinzu, so sind es summa summarum 386 Millionen.

Artificial Intelligence - ein Begriff aus den 1950ern

Der momentane Hype ist zunächst erstaunlich, denn Künstliche Intelligenz ist genau genommen ein „alter Hut“ Der Begriff selbst wurde bereits im Jahr 1955 (!) geprägt, und zwar von John McCarthy. Für ihn bestand das Ziel von KI darin, „Maschinen zu entwickeln, die sich verhalten, als verfügten sie über Intelligenz.“ Einige Jahre später erfand der MIT-Wissenschaftler übrigens den legendären LISP-Computer, der Programme schrieb, sie sich selbst verändern konnten. Und das ist eine typische Eigenschaft von KI-Algorithmen.

Auch der Algorithmus mit dem leicht kryptischen Namen "Long short-term memory (LSTM)" - deutsch: langes Kurzzeitgedächtnis -, mit dem heute fast alle Spracherkennungssysteme arbeiten, ist keineswegs taufrisch. Er wurde 1997 von Sepp Hochreiter und Jürgen Schmidhuber (TU München) in einer Veröffentlichung vorgestellt. Als schließlich große Datenmengen zum Training genutzt werden konnten und leistungsfähige Rechner zur Verfügung standen, sorgte LSTM für den Durchbruch von KI. Noch immer ist, wie KI-Pionier Jürgen Schmidhuber in seiner Keynote bei der Handelsblatt-Konferenz „Künstliche Intelligenz“ im März 2018 in München erläuterte, die Spracherkennung eines der wichtigsten Anwendungsfelder für KI. Jedoch sieht der promovierte Informatiker und Mathematiker, der heute als wissenschaftlicher Direktor bei IDSIA, einem Schweizer Forschungsinstitut für Künstliche Intelligenz, arbeitet, das größte Potenzial im Bereich Congnitive Robotics. Kognitive Roboter bzw. Maschinen sind intelligente Systeme, die sich ihre eigenen Ziele setzen und diese dann konsequent verfolgen.

Wohin die KI-Reise mit solchen kognitiven Maschinen gehen könnte, lotetet aktuell die von Schmídhuber mitbegründeten Firma NNaisense aus. In Zusammenarbeit mit einem großen Fahrzeughersteller arbeitet die Technologieschmiede im schweizerischen Lugano an "schmerzempfindlichen" Automobilen. Die Fahrzeuge lernen aus Fehlern, die sie beim autonomen Einparken machen (z.B. Parkremplern). Wenn sie irgendwo anecken, empfangen sie Schmerzsignale, die sie künftiges "Wohlverhalten" vermeiden können.

Noch ist das alles ein Forschungsprojekt. Trotzdem müsse man damit rechnen, dass der Mensch in naher Zukunft „nicht mehr die Krone der Schöpfung sein wird“, ist Schmidhuber überzeugt. Auch US-Unternehmer Elon Musk (Tesla, SpaceX, Hyperloop) sowie der Zukunftsforscher Ray Kurzweil (Singularity University) hegen wie Schmidhuber die Überzeugung, Künstliche Intelligenz werde früher oder später die "natürliche" Intelligenz des Menschen überflügeln. Kurzweil spricht hier von einer technologischen Singularität.

Künstliche Intelligenz: Definition

Künstliche Intelligenz ist der Überbegriff für Anwendungen, bei denen Maschinen menschenähnliche Intelligenzleistungen erbringen. Darunter fallen das maschinelle Lernen oder Machine Learning, das Verarbeiten natürlicher Sprache (NLP – Natural Language Processing) und Deep Learning. Die Grundidee besteht darin, durch Maschinen eine Annäherung an wichtige Funktionen des menschlichen Gehirns zu schaffen – Lernen, Urteilen und Problemlösen.

Diese Art des Lernens ermöglicht unter anderem das sogenannte Natural Language Processing (NLP). Dabei geht es um die Verarbeitung von Texten und natürlicher menschlicher Sprache, die unter anderem bei dem Sprachdienst Alexa von Amazon zur Anwendung kommt. Als vielversprechendste Methode des Machine Learning wird aktuell Deep Learning gesehen, das sehr tiefe neuronale Netze mit mehreren Ebenen und einem großen Datenvolumen nutzt.

Im Gegensatz zu NLP geht der Algorithmus beim Deep Learning tiefer: Die Maschine erkennt Strukturen, kann diese evaluieren und sich in mehreren vorwärts wie rückwärts gerichteten Durchläufen selbständig verbessern. Dabei verwendet der Algorithmus mehrere Knotenebenen (Neuronen) parallel, um fundierte Entscheidungen zu treffen. Beispielsweise findet die Medizin mit Deep Learning Unterstützung bei der Früherkennung von Krebs oder Herzkrankheiten und kann DNA-Profile von Kindern nach Genmarkern untersuchen, die auf Typ 1 Diabetes hinweisen. In der Forschung wird Deep Learning unter anderem eingesetzt, um tausende Zellprofile und deren aktive Gene auszuwerten oder Teilchenschauer, die entstehen, wenn in einem Teilchenbeschleuniger Protonenstrahlen aufeinanderprallen.

Da diese Art des Lernens komplexe, nicht lineare Probleme löst, kommt sie etwa auch bei selbstfahrenden Fahrzeugen zum Einsatz, um unübersichtliche Verkehrsszenen richtig zu interpretieren: Fußgänger, Radfahrer, Wetter, Verkehrszeichen oder Bäume – das Verhalten der Verkehrsteilnehmer muss unter Berücksichtigung aller möglichen Einflussfaktoren richtig erkannt und vorhergesagt werden.

Quelle: SAP

Visionäre Höhenflüge und Irdisches

Allerdings bot der KI-Kongress nicht nur visionäre Höhenflüge, sondern durchaus auch „Geerdetes“ - sprich Use Cases und ganz konkrete Anwendungen. Schließlich hat KI – nicht nur in Form von Chatbots oder smarten Lautsprechern wie Alexa - mittlerweile Einzug in unseren Alltag gehalten. Auch immer mehr Industrieunternehmen setzen auf KI, wie Firmenvertreter mit Use Cases und Best Practices im Rahmen des Handelsblatt-Kongresses belegten.

So versucht das Ditzinger Maschinenbauunternehmen Trumpf mit KI-Unterstützung ein altbekanntes und ziemlich lästiges Problem beim Laserstanzen zu lösen. Bisher kam es immer wieder vor, dass sich die mit dem mit dem Laser „ausgeschnittenen“ Teile im Werkstück (also dem Blech Blech) verklemmten. Das führte zu Kollisionen in der Maschine und zu Produktionsstillständen. Mithilfe von spezieller Sensorik und einem KI-Algorithmus hat Trumpf nun eine Möglichkeit gefunden, diese Störungen zu vermeiden.

Auch dem Maschinengeräusch als Indikator für potenzielle Störungen und Ausfälle ist man bei Trumpf auf der Spur, wie Klaus Bauer, Leiter der technischen Grundlagenforschung bei Trumpf, in seinem Vortrag beim Handelsblatt-Kongress erläuterte. Seit kurzem gibt es dafür eine spezielle Smartphone-App. In einem ersten Schritt sendet die Maschine das per Mikrofon aufgenommene Geräuschspektrum in die Azure Cloud, wo es mithilfe einer KI-Anwendung analysiert wird. So lassen sich beispielsweise Vibrationen identifizieren, die das Gehör gar nicht erkennen kann. Von der Cloud gelangt gelangen die Analyseergebnisse schließlich in die App. Der Servicetechniker kann dann das Problem einkreisen und entscheiden, ob und welche Wartungs- oder Reparaturmaßnahmen ergriffen werden müssen.

KI braucht zum trainieren der Algorithmen Daten, die gar nicht "big" genug sein. Und natürlich Rechenleistung. An Letzterer mangelt es im Cloud-Zeitalter nicht, an Daten vielfach schon. Die Situation könnte nach Einschätzung von Klaus Bauer besser sein, wenn sich mehr Unternehmen entschlössen, ihre (Maschinen-)Daten an die Cloud zu geben. Doch auch die Datenqualität lässt zu wünschen übrig. Nach Einschätzung von Dr. Bernd Heinrich, CDO für Smart Mobility Solutions bei Bosch, sind rund 80 Prozent der erhobenen Daten schlicht wertlos, weshalb das Reservoir nutzbarer Daten für das Training der KI-Engines weiter schrumpft. Eine Alternative könnte das Trainieren mit simulierten Daten sein. Trumpf-Manager Bauer hat als Datenquelle den digitalen Zwilling - also das virtuelle Abbild einer Maschine oder Anlage - im Visier. Mithilfe dieses "digital twin" lassen sich bestimmte Maschinenzustände simulieren., Die so generierten Daten können dann für das Trainieren der Algorithmen und neuronalen Netze genutzt werden.

Wie "spitze" ist Deutschland bei KI?

Wo aber „steht“ Deutschland in Sachen Künstliche Intelligenz ganz konkret im internationalen? Antworten auf diese brennende Frage versuchte beim Handelsblatt-Kongress Dietmar Harhoff vom Max-Planck-Institut für Innovation und Wettbewerb. Als Basis nutzte er das EFI-Jahresgutachten 2018, das den Stand der Dinge bei autonomen Systemen und Künstlicher Intelligenz im weltweiten Vergleich widerspiegelt.

Die Untersuchung beruht unter anderem auf Fachgesprächen mit Vertretern etablierter Unternehmen, Start-ups, Forschungseinrichtungen und öffentlichen Institutionen in Deutschland und den USA (Silicon Valley). Zusätzlich wurden diverse Hintergrundgespräche sowie Gespräche auf ministerialer Ebene (Deutschland, EU) geführt. Ein Indikator für die Aktivitäten der Länder/Regionen sind nach Einschätzung Harhoffs die (publizierten) Beiträge zu wichtigen KI-Beiträge. Erwartungsgemäß liegen dabei die USA mit deutlichem Abstand in Führung, gefolgt von der EU, wobei Deutschland innerhalb der EU die führende publizistisch am aktivsten ist (siehe Bildergalerie).

Ähnliche Erkenntnisse liefert eine Umfrage, die der VDI (Verein Deutscher Ingenieure) unter 900 Mitgliedern durchführte. So ist Deutschlands Position in der weltweiten KI-Szene nicht wirklich schlecht, aber auch nicht wirklich "super". Top-KI-Nationen sind nach Meinung von 80 Prozent der Befragten die USA, gefolgt von China, wobei das Reich der Mitte im Rahmen seines Plans "China 2025" in Sachen KI kräftig Gas gibt. Deutschland landet mit einem Votum von 30,4 Prozent auf dem dritten Platz.

Wie Dr. Kurt Bettenhausen, Vorsitzender des interdisziplinären VDI-Gremiums Digitale Transformation, bei der Präsentation der Umfrageergebnisse auf der Hannover Messe 2018 ausführte, seien die USA führend in der Grundlagenforschung, aber auch beim Einsatz von KI zur Auswertung unstrukturierter Konsumentendaten., was wegen strengerer Datenschutzbestimmungen wie der neuen DSGVO in Deutschland und Europa nur bedingt möglich sei. Der seit Jahren in den USA tätige Siemens-Manager sieht darin "Chance und Risiko" zugleich."

Die Voraussetzungen in China sind laut VDI-Studie ebenfalls völlig anders als hierzulande So hat man es in China mit zentralisierten Strukturen zu tun. Im Rahmen des Wirtschaftsplans wird beträchtlich in KI investiert, wobei als nationales Ziel ausgerufen wurde, weltweit bis 2030 weltweit die Nr. 1 im Bereich Künstlicher Intelligenz zu werden. Bettenhausen: „China hat im Rahmen der Digitalen Transformation ein atemberaubendes Tempo hingelegt und überspringt so manche Entwicklung, die man Europa absolviert hat.“

Wie lernen Maschinen dazu?

Das maschinelle Lernen geschieht entweder durch Training anhand eines Datensatzes mit bereits bekannten Outputs (überwacht), oder Algorithmen müssen selbst Muster in Daten erkennen (unüberwacht). Möglich ist auch Lernen durch Belohnung und Bestrafung (verstärkt), bei dem der Algorithmus selbstständig erkennt, ob die Lernkomponente dem gesamten System nutzt (Belohnung) oder nicht (Bestrafung). Die Daten liegen entweder strukturiert vor, etwa in Tabellenform, oder unstrukturiert als Text, Bild oder Sprache – wie bei E-Mails oder Social Media Posts. Machine Learning kann alle Daten verarbeiten, was ein großer Vorteil ist.

Quelle: SAP

China: Daten und ITler im Überfluss

Dabei hat China noch einen weiteren Vorteil: nämlich riesigen Markt und damit einen Zugang zu einer unermesslichen Datenfülle. Das mache - im Vergleich zu Europa, wo wegen des Datenschutzes tendenziell Datenknappheit herrscht - „vieles einfacher“, wie Bettenhausen in Hannover betonte. Hinzu kommt eine große Zahl von Menschen in China, die sich mit IT und damit auch mit Big Data und Künstlicher Intelligenz beschäftigen – salopp gesagt besteht im Reich der Mitte ein riesiger Pool an natürlicher Intelligenz, über den andere Länder in diesem Ausmaß nicht verfügen.

Trotzdem sieht VDI-Experte Bettenhausen Deutschland in der KI-Grundlagenforschung keineswegs „abgehängt“. In Grundsatzfragen sei man hierzulande sogar recht gut positioniert. Allerdings verhindere die immer noch unzureichende digitale Durchdringung der Produktion den Einsatz von KI-Technologien in größerem Stil. Der Aussage „Uns fehlen die Voraussetzungen einer digital vernetzten Produktion (Industrie 4.0), um KI-Technologien effizient zu nutzen.“ stimmten in der VDI-Umfrage rund zwei Drittel der befragten Mitglieder zu bzw. "eher" zu. Nur 13,9 Prozent sahen es anders und äußerten die Meinung, dass ihr Unternehmen ausreichend auf die „vierte industrielle Revolution“ vorbereitet sei. "In dieser Ausprägung haben wir nicht damit gerechnet", betonte Bettenhausen bei der Pressekonferenz auf der Hannover Messe 2018. Erschwerend komme hinzu, dass vielfach die für den nutzbringenden Einsatz von KI-Methoden notwendigen Kompetenzen fehlten. Fachkräfte, die KI-Methoden versiert beherrschen, sind in den Unternehmen kaum vorhanden und am Arbeitsmarkt kaum zu bekommen.

Folglich steckt der praktische Einsatz von Künstlicher Intelligenz in der deutschen Industrie noch immer in den Kinderschuhen. Die Mehrheit der Unternehmen (knapp 60 Prozent) nutzt KI derzeit nur zur Datenanalyse. Lediglich einer kleinen Gruppe von Firmen gelingt es, wie eine Studie von Accenture zeigt, Künstliche Intelligenz im eigenen Kerngeschäft einzusetzen und bestehende Produkte mittels KI neu zu erfinden oder gar neue, KI-basierte Produkte am Markt anzubieten.

Diese KI-Aventgarde verflicht intelligente Technologien und menschliche Kreativität im Zusammenspiel mit Analytics und tiefer Branchenexpertise derart eng, dass sie bereits heute messbare Ergebnisse erzielen. So haben zwar 98 Prozent aller von Accenture untersuchten Unternehmen ihr bestehendes Angebotsportfolio bereits um einzelne KI-Anwendungen erweitert, aber nur jedes sechste Unternehmen (16 Prozent) verfügt über eine ganzheitliche Vision für den Einsatz dieser Technologie.

Als Stolpersteine auf dem Weg zu einem intensiveren und kreativeren Einsatz von KI führten die von Accenture Befragten (Grundgesamtheit) an:

  • die schlechte Datenqualität als größtes Problem (51 Prozent),
  • Bedenken bei der Daten- und IT-Sicherheit (45 Prozent),
  • die schwierige Abwägung zwischen dem Kauf von standardisierten KI-Lösungen und dem Entwickeln von eigenen individuellen Lösungen (45 Prozent), rechtliche Unsicherheiten bei der Weitergabe von Daten und dem Schutz geistigen Eigentums (40 Prozent).

Speziell bei den deutschen Unternehmen rangieren die Vor- und Nachteile von eigenen vs. „zugekauften“ KI-Lösungen an erster Stelle (54 Prozent); Sicherheitsbedenken äußerten hierzulande aber nur 38 Prozent und Unklarheiten bei Datenweitergabe und geistigem Eigentum sah weniger als ein Drittel als drängendstes Problem im Kontext KI an (31 Prozent).

„Die Neuerfindung von industriell gefertigten Produkten durch KI steht noch ganz am Anfang und der Weg zum Erfolg ist alles andere als leicht”, kommentiert Eric Schaeffer, Senior Managing Director bei Accenture. „Jedoch zeigen die in unserer Studie belegten Erfolge der KI-Vorreiter ganz klar, dass dies machbar und der geschäftliche Nutzen von KI im Industriebereich sehr groß ist."

Bundesregierung stellt KI-Eckpunkte vor

So sieht das mittlerweile auch die deutsche Politik. „Wir wollen im Wettbewerb bestehen und vorn mit dabei sein", verkündete Bundeskanzlerin Angela Merkel in ihrer Eröffnungsrede anlässlich der Hannover Messe 2018. Den Ankündigungen scheinen nun Taten folgen. Vor einer Woche stellten Bundesministerin Anja Karliczek und Bundesminister Hubertus Heil in Berlin die Eckpunkte der Bundesregierung für eine Strategie Künstliche Intelligenz vor. In dem Eckpunktepapier des Bundesregierung heißt es, die Nutzung von KI solle „verantwortungsvoll und zum Wohle der Gesellschaft vorangebracht und neue Wertschöpfungspotenziale erschlossen werden“.

Deutschland soll an die KI-Weltspitze

Künstliche Intelligenz

Deutschland soll an die KI-Weltspitze

19.07.18 - Noch sind es die USA und China, doch schon bald will Deutschland führender Standort für Künstliche Intelligenz sein. Hierfür haben die drei Bundesministerien für Wirtschaft, Forschung und Arbeit ein Eckpunktepapier für eine nationale KI-Strategie erarbeitet, das das Kabinett am Mittwoch in Berlin verabschiedet hat. lesen

„Künstliche Intelligenz hält Einzug in unseren Alltag und wir wollen, dass diese Technik den Menschen hilft. Daher stellen wir den Nutzen für den Menschen in unserem Lande in den Mittelpunkt unserer KI-Strategie. Richtig gestaltet ist KI ein wichtiger Schlüssel für Wachstum und Wohlstand“, ist Bundesforschungsministerin Karliczek überzeugt.

KI in Deutschland voran zu bringen, das hat sich auch der neue KI-Bundesverband auf die Fahnen geschrieben. Anlässlich der Handelsblatt-Konferenz „Künstliche Intelligenz“ stellte Verbandspräsident Jörg Bienert, Founder und Vorstand des Kölner Deep-Learning-Unternehmens aiso-lab, die Verbandsziele vor. Insbesondere soll die Verbandsarbeit nach dem Willen der (Gründungs-)Mitglieder dazu beitragen, dass Politik und Gesellschaft "nüchtern und präzise" mit der KI-Technologie umgehen. "KI wird entweder als große Heilsbringerin oder als große Gefahr gesehen. Gegner und Freunde erzeugen einen falschen Hype", sagte Bienert. Um der Sache den nötigen politischen Rückenwind zu verleihen, verfügt der frisch gebackene KI-Verband über einen politischen Beirat, dem Thomas Jarzombek (CDU), Jens Zimmermann (SPD), Manuel Höferlin (FDP) und Petra Sitte (Die Linke) angehören. Vorsitzender des politischen Beirats ist Marcus Ewald vom Jungen Wirtschaftsrat.

CDU-Politiker Jarzombek - er gab sein Statement bei der Handelsblatt-Konferenz per Videoschalte ab - ist überzeugt: "KI wird die Gesellschaft verändern, und wir wollen dazu beitragen, dass ihr Nutzen transparent und förderlich für diese Gesellschaft realisiert wird." Wie Ewald betonte, könne sich das Potenzial der Künstlichen Intelligenz jedoch nur dann entfalten, wenn es "menschen-zentriert" und "menschen-dienlich" ist. Über die Frage, wie ein "verantwortlicher Einsatz von Künstlicher Intelligenz" aussehen könnte, hat man sich auch beim ITK-Verband Bitkom Gedanken gemacht . Ein Empfehlungskatalog zeigt Wege auf, wie die unterstützte Entscheidungsfindung durch Algorithmen, maschinelles Lernen und KI zum Wohl der Gesellschaft und Nutzen der Volkswirtschaft eingesetzt werden kann.

Erweitert Machine Learning die menschlichen Fähigkeiten?

Besonders da, wo Menschen Fehler machen könnten, wie bei der Qualitätskontrolle in der Herstellung, erkennt ein selbstlernender Algorithmus sogar die kleinsten Veränderungen und kann Auswirkungen einschätzen. In beeindruckender Weise können über Drohnen und Satelliten Inspektionen etwa von langen Pipelines durchgeführt werden. Von großer Bedeutung ist das auch beim Thema Datensicherheit. Hier macht Machine Learning schnell Anomalien in Transaktionen und Prozessen ausfindig, erkennt Bestechungsversuche und schützt effektiv vor Hacking. Auch alltägliche Abläufe werden vereinfacht. Fällt einmal unerwartet ein Zug aus, passt ein Algorithmus die individuelle Reiseplanung mit einer kontextsensiblen Anwendung neu an: Der Kunde sieht online oder in einer App Alternativrouten, die ihn trotz des Ausfalls so schnell wie möglich ans Ziel bringen.

Quelle: SAP

Was unterscheidet die KI-Pioniere von den Low-Performern?

Was aber machen beim KI-Einsatz führende Unternehmen anders als "Low Performer"? Um signifikante Ergebnisse durch den Einsatz von Künstlicher Intelligenz zu erzielen, müssen Unternehmen, wie aus der Accenture-hervorgeht, Studie zunächst vier Entwicklungsphasen durchlaufen:

  • 1. Die Vorteile von KI und die damit verbundenen Möglichkeiten, die eigenen Produkte mit digitalen Technologien neu zu erfinden, skizzieren.
  • 2. Eine Vision entwickeln, wie existierende Angebote durch KI ergänzt werden können.
  • 3. Die nötigen Ressourcen für die Entwicklung von KI-basierten Produkten bereitstellen.
  • 4. Ihre Vision und konkrete Initiativen umsetzen und so die digitale Neuerfindung von Produkten in großem Maßstab zu ermöglichen.

Teilt man die untersuchten Unternehmen nach Branche und aktuellem Stand bei der Nutzung in bestimmte Cluster ein, so zeigt sich, dass der Reifegrad bei der Künstlichen Intelligenz von Branche zu Branche sehr unterschiedlich ist. Automobilfirmen sind offenbar eher in der Lage, KI-Initiativen mit Nachdruck zu verfolgen und umzusetzen als andere. Immerhin erreichen bereits neun Prozent der Unternehmen aus der Automotive-Industrie die dritte und fünf Prozent sogar die vierte Entwicklungsstufe. Dagegen sind die Hersteller von Industriemaschinen noch nicht so weit. Nur sieben beziehungsweise drei Prozent erreichen hier die dritte Stufe. Lediglich ein Prozent schafft erklimmt Stufe 4 und damit das höchste Stadium der KI-Reife.

Die KI-Avantgardisten zeichnet vor allem eines aus – nämlich dass sie eng mit Partnern in Ökosystemen zusammenarbeiten, um die KI-Anwendungen zu identifizieren, die den größten Nutzen für den Kunden bringen. Dabei setzen die meisten Unternehmen auf KI-Lösungen wie maschinelles Sehen (73 Prozent), Deep Learning (64 Prozent) sowie robotergesteuerte Prozessautomatisierung (64 Prozent).

Um speziell dem Thema maschinelles Lernen zusätzliche Schubkraft zu verleihen, hat der Maschinenbauverband VDMA kürzlich den Arbeitskreis „Machine Learning“ gegründet. Das VDMA Competence Center Future Business hatte das Thema bereits 2017 mit der Studie "Machine Learning 2030 - Zukunftsbilder für den Maschinen- und Anlagenbau" ausgiebig beleuchtet.

Auf Beschluss des Vorstandes des Fachverbands Software und Digitalisierung soll der VDMA das Thema nun in dem neuen Arbeitskreis, der Anwender und Anbieter zusammenbringt, weiter forcieren „Aktuell 375 Mitglieder im VDMA Fachverband Software und Digitalisierung zeigen deutlich, welch hohen Stellenwert Digitalisierung im Maschinenbau inzwischen genießt“, betont Matthias Dietel, IBM Germany Lab und Mitglied des Fachverbands-Vorstandes.

VDMA Quick Guide: Was kann man mit KI machen?

Maschinenbau-Unternehmen, die Machine Learning einsetzen wollen, fragen verständlicherweise nach Leitfäden, Roadmaps, Standardisierung und Zusammenarbeit mit Instituten und IT-Dienstleistern. „In unserer Studie ‚Machine Learning 2030‘ spielten Ausbildung, Datenhoheit aber auch ethische Fragen eine große Rolle. Der VDMA Expertenkreis "Machine Learning" hat als erste Handreichung einen Quick Guide verfasst. Der Leitfaden richtet sich vor allem an das Management von Maschinenbauunternehmen, die sich mit dem Thema Machine Learning in ihrem Unternehmen beschäftigen oder in Zukunft beschäftigen möchten. Ziel des Quick Guide ist es, dem Management erste Hilfestellungen zur betriebswirtschaftlichen Einschätzung und Relevanz von Machine Learning zu ermöglichen, um eine eigene Herangehensweise und Strategiedefinition daraus abzuleiten. Der Leitfaden gibt dabei Hinweise zu den Chancen, Herausforderungen und möglichen Lösungen. Vor allem soll der Quick Guide dabei helfen, sich dem Thema Machine Learning mit den "richtigen Fragen" zu nähern.

Denn die Anwendungsbereiche von Machine Learning im Maschinenbau sind vielfältig: Der VDMA nennt in diesem Zusammengang

  • Predictive Maintenance,
  • industrielle Bildverarbeitung und
  • Robotersteuerungen.

Auch in der Logistik innerhalb und außerhalb der Fabrik sieht der Quick Guide des Maschinenbauverbandes beträchtliche Potenziale.

Trotzdem schrecken vor allem Mittelständler vor (größeren) Investitionen in eine derart disruptionsfördernde Technologie wie KI zurück, wie Jörg Kremer von der mip Management Informationspartner GmbH beobachtet hat. Dahinter steckten weniger technophobe Gründe; vielmehr sei die Investitionszurückhaltung eher durch wirtschaftliche Fragen motiviert: „Lohnt sich die eigene Entwicklung einer KI-Lösung für meine Firma? Realisiere ich das mit einem IT-Partner? Individualentwicklung oder Standardlösung? Wie sieht die Anbindung an meine vor- und nachgelagerten IT-Systeme aus? Wie sieht mein ROI aus?“

KI-Experte Kremer legt Mittelständlern deshalb nahe, zunächst einmal die Nutzung einer Web-basierten KI-Plattform ins Auge zu fassen. Solche Plattformen böten einen technisch und wirtschaftlich interessanten Lösungsweg, ohne dass eigenes IT-Entwickler-Know-how aufgeboten werden muss. Als die avancierteste Lösung in diesem Bereich sieht Kremer IBM Watson. Unternehmen können auf dieser KI-Plattform unterschiedliche Microservices für Ihren Bedarf auswählen, ohne dass sie dafür umfangreiche Investitionen – etwa in Softwareentwicklung, Rechner- oder Speicherkapazität – tätigen müssten. Kremer: „Dadurch können sich die Unternehmen voll und ganz auf das kunden- bzw. projektspezifische Training der Anwendungen konzentrieren. An die Sicherheit der Daten ist dabei ebenso gedacht, denn die Datenhoheit verbleibt DSGVO-konform beim Kunden.“

Was Watson kann und was nicht

Künstliche Intelligenz

Was Watson kann und was nicht

20.12.17 - Fällt das Stichwort Künstliche Intelligenz (KI), fällt unweigerlich der Name "Watson". Was aber ist Watson wirklich? Was kann man vom IBM-KI-Flaggschiff erwarten wie unterscheidet es sich von Alexa & Co. Der Beitrag von mip versucht eine Klärung. lesen

Einige KI-Projekte, KI-Anwendungsszenarien und Best Practices seien nachfolgend vorgestellt, ergänzt um einige Forschungsansätze.

Maschinenbau: Die Fabrik der Zukunft konfiguriert sich selbst

Um in Zukunft flexibel und schnell auf Nachfrageänderungen reagieren zu können, ist für Produktionssysteme vor allem eine effiziente und einfache Arbeitsweise unabdinglich. Wie ein solches Szenario aussehen könnte, demonstrieren Forscher des Forschungsinstituts des Freistaats Bayern für softwareintensive Systeme und Services (FORTISS) mit ihrer Zukunftsfabrik „Fortiss Future Factory“.

Mithilfe einer kognitiven Produktionsanlage werden Methoden entwickelt, wie sich Fabriken in Zukunft von alleine an geänderte Anforderungen anpassen können. Durch den Einsatz Künstliche Intelligenz sollen vor allem Programmier- und Konfigurationskosten sinken. Herstellern will man die Möglichkeit bieten, bei Bedarf mit geringem Stillstand individuelle Produkte in kleinen Losgrößen zu fertigen. Die „Fortiss Future Factory“ besteht aus zehn miteinander vernetzten und beliebig kombinierbaren Stationen, die derzeit zwei Produkte mit je drei Varianten zusammenbauen können. Vom Grundsatz her ist die Palette der Produkte, die sich mit der Anlage herstellen lassen, unendlich: Von Aufbewahrungsdosen über Thermometer bis hin zu Rasierapparaten ist alles machbar, wobei sich die Maschine immer wieder selbstständig konfiguriert, wie die Fortiss-Forscher betonen.

„Das Besondere an den Maschinen ist, dass sie sich selbst beschreiben können und ihre Fähigkeiten in virtuelle, ,Gelbe Seiten für registrierte Maschinen‘ hinterlegen“, erklärt Forschungsgruppenleiter Alois Zoitl. Erforderliche Produktbeschreibungen und Produktionsschritte sind im System gespeichert. Definierte Schnittstellen erlauben den Zugriff auf automatisch auswertbare Beschreibungen der Fähigkeiten der jeweiligen Fabrikmodule. Diese könnten bei Auftragseingang automatisch und kurzfristig umgerüstet werden, so der Wissenschaftler. Eine Planungssoftware aus dem gleichen Institut fungiert als virtueller Operator, der Aufträge einplant, vergibt, steuert und den gesamten Herstellungsprozess überwacht.

Das Konzept der Anlage lasse sich beliebig auch auf andere Anwendungsfelder übertragen. Bei FORTISS hat man unter anderem die Textilproduktion im Fokus. So sollen Kunden künftig im Online-Shop ihre Bekleidungsstücke selbst gestalten können. Die Bestellung wird dann direkt von der wandelbaren Fabrik erledigt.

Automotive: Deep Learning und KI in der Motorenentwicklung

Das Deutsche Forschungszentrum für Künstliche Intelligenz (DFKI), das weltweit größte gemeinnützige Forschungszentrum für KI, und IAV, einer der der führende Entwicklungspartner der Automobilindustrie, eröffnen das gemeinsame „Forschungslabor Lernen aus Prüfdaten“ (FLaP). In der neuen Testumgebung im DFKI in Kaiserslautern werden spezielle Analysemethoden der Künstlichen Intelligenz für den Einsatz in Prüfverfahren in der Automobilentwicklung erforscht und entwickelt. Zum Einsatz kommen Technologien des maschinellen Lernens, darunter Deep Learning und Zeitreihenanalyse.

Das Anwendungspotential intelligenter Datenanalysemethoden für die Überwachung und Optimierung von Prüfdaten, Steuergeräten und Prüfständen in der Automobilindustrie ist nach Einschätzung der Partner "außerordentlich". So verfügt beispielsweise ein modernes Motor-Steuergerät über mehr als 50.000 Einstellparameter, die maßgebend sind für Leistung, Verbrauch, Verschleiß und die gesamte Performanz des Motors. Durch Deep Learning-Technologien, genauer den Einsatz neuronaler Netze im Steuergerät, kann dieses selbstständig „lernen“ wie die Eingangsgrößen optimal einzustellen sind.

Die Verwendung solcher Netze bei der Zeitreihenanalyse von Motorprüfdaten ermöglicht zudem neue Ansätze für „Predictive Health Monitoring“, so dass daraus die Voraussage von Verschleiß und Wartungsfällen verbessert werden kann. Ebensolche Verfahren sollen in dem neuen Forschungslabor erforscht und entwickelt werden. Gleichzeitig soll im FLaP auch an neuen Visualisierungsmöglichkeiten für die vielfältigen Messdaten aus den neuronalen Netzen gearbeitet werden. Geplant ist die Erstellung eines Werkzeugkastens von KI-Tools, die von Automobil-Ingenieuren intuitiv eingesetzt werden können.

Automotive: Das Postauto plant sein Route selbst

Autonom Fahren und das elektrisch, steht bei der Deutschen Post DHL Group ganz oben auf der Agenda. Dazu wird der Logistikkonzern eine Testflotte von autonomen und rein elektrischen Lieferfahrzeugen aufbauen. Partner ist der Automobilzulieferer ZF - denn die "Postautos" werden mit der Steuerbox ZF ProAI ausgestattet, die die ZF Friedrichshafen AG gemeinsam mit NVIDIA entwickelt hat.

Die leichten, elektrischen und intelligenten Lieferfahrzeuge können vor allem den künftigen Anforderungen auf der „letzten Meile“ zum Kunden besser entsprechen, die aktuell durch die Flexibilitätserwartungen beim E-Commerce sowie die Erfordernisse der Disposition sehr komplex und kostenintensiv sind. Die Deutsche Post DHL Group hat aktuell eine Flotte von 3400 Street-Scooter-Lieferfahrzeuge. Diese lassen sich mit ZF-Sensorik - Kamera, Lidar- und Radarsensoren - ausrüsten, deren Informationen von der Steuerbox ZF ProAI verarbeitet werden. Dank KI können die Fahrzeuge später ihre unmittelbare Umgebung „verstehen“, eine sichere Route planen – oder auch kurzfristig umplanen –, die Route abfahren verfolgen und das Fahrzeug eigenständig parken. So werden Zustellungen präziser, sicherer und günstiger.

Quo vadis Fahrerassistenzsysteme?

Autonomes Fahren

Quo vadis Fahrerassistenzsysteme?

15.05.18 - Autonomes Fahren ist in aller Munde. Doch schon jetzt sind die wesentlichen für das selbstfahrende Automobil benötigten Komponenten Bestandteil moderner Fahrerassistenzsysteme: Diese automatisieren wichtige Kernaspekte des Fahrens. lesen

„Das Beispiel autonomer Lieferfahrzeuge zeigt, wie stark KI und Deep Learning die Nutzfahrzeugindustrie beeinflussen“, meint Jensen Huang, Gründer und CEO von NVIDIA. „Da die Bestellungen durch Online-Shopping weiter stark zunehmen, die Zahl der Lkw-Fahrer aber begrenzt ist, kommt KI-fähigen autonomen Fahrzeugen eine Schlüsselstellung in der künftigen Logistik auf der ‚letzten Meile‘ zu.“

Um diese KI-Lieferfahrzeuge zu entwickeln, hat die Deutsche Post DHL Group bereits sein Rechenzentrum mit dem Supercomputing-Chip NVIDIA DGX-1 ausgerüstet und trainiert so dessen künstliches neuronales Netz. Im Laufe der weiteren Fahrzeugentwicklung werden diese Deep-Learning-Algorithmen später auf die Fahrzeug-Steuerboxen auf der NVIDIA Drive PX-Plattform übertragen. Bei einem Prototyp, der auf der NVIDIA-Entwicklerkonferenz „GPU Technology Conference“ (GTC) in München vorgestellt wurde, versorgen sechs Kameras, ein Radar- und zwei Lidar-Systeme die KI mit Daten.

Logistik: Der Algorithmus ersetzt den Disponenten

Die Logistikbranche erlebt unter dem Vorzeichen der Digitalisierung grundlegende Veränderungen und immer Berufsbilder geraten unter Anpassungsdruck. Ein gutes Beispiel dafür ist der Disponent. Seine Hauptaufgabe liegt traditionell in der Optimierung von Transporten und in der Preisfindung. Beiden Aufgaben bereits heute von Computern unterstützt.

Digitale Speditionen wie FRACHTRAUM unterfüttern gleich das komplette Geschäftsmodell mit selbstlernenden Algorithmen. Aus dieser Perspektive steht für das Berliner Unternehmen fest, dass sich die Rolle des Menschen in der Logistik-Disposition aufgrund immer besser arbeitender Algorithmen stark wandeln wird: von der Planung und Optimierung eines Transports hin zur Betreuung und dem Management der involvierten Personen.

Die Preisfindung in der Logistik unterliegt vielen Faktoren von unterschiedlicher Dynamik. Dazu gehören neben Gewicht und Streckenlänge des Transports, Feier- und Brückentagen, der Verfügbarkeit des angefragten Lkw-Typs, Lademitteltausch oder saisonalen Nachfragespitzen auch Faktoren wie die Kurzfristigkeit der Buchungsanfrage sowie der aktuelle Kraftstoffpreis.

Die Auswahl der mehr als 100 Parameter, die Disponenten bei der Ermittlung eines Transportpreises in Betracht ziehen müssen, zeigt, wie komplex und folglich fehleranfällig dieser Prozess ist. Das ist einer der Gründe, warum die großen Logistikunternehmen mit regionalen Niederlassungen arbeiten, denn Disponenten können diese Informationsdichte ausschließlich für einen regional begrenzten Raum gewährleisten. Nur dort bleibt die Komplexität des Dispositionsvorgangs überschaubar. Bei FRACHTRAUM setzt man deshalb auf einen Machine- Learning-basierten Algorithmus. Dieser ist in der Lage, alle relevanten Parameter innerhalb weniger Sekunden einzubeziehen und auf dieser Grundlage quasi ad-hoc einen verbindlichen Preis zu ermitteln - für jede Art von Transport.

Gleichzeitig verbessert sich die Qualität der getroffenen Lösung mit jedem durchgeführten Transport, da sich mit diesem "automatisch" die zur Verfügung stehende Datenmenge erhöht, auf deren Grundlage der Preis errechnet wird. Und was wird aus dem Disponenten? Diesen sieht man künftig mehr denn je in der Rolle des menschlichen Bindeglieds zwischen Fahrer und Verlader. Bereits ein Jahr nach dem Markteintritt führt FRACHTRAUM bereits monatlich rund 3000 Transporte auf Basis selbstlernender Algorithmen vollautomatisch durch.

Chatbot assistiert dem Einkäufer

Durch natürliche Sprachverarbeitung und Künstliche Intelligenz wird das Einkaufen schneller, intuitiver und angenehmer. Davon ist man bei Basware überzeugt. das finnische Softwareunternehmen hat auf AP & P2P Conference & Expo im Frühjahr 2018 den Basware Assistant, eine neue Chatbot-Funktion innerhalb seiner elektronischen Beschaffungslösung, vorgestellt. Der Chatbot dient als virtueller Assistent, mit dem Einkäufer Bestellanfragen und Bestellungen, auf die sie Zugriff haben, leichter finden.

Der Basware Assistant nutzt natürliche Sprachverarbeitung und künstliche Intelligenz, um eine neue und vereinfachte Art der Interaktion mit der E-Procurement-Lösung von Basware zu schaffen. Einkäufer können mit dem Basware-Assistent wie mit einer Person aus Fleisch und Blut kommunizieren, um nach Bestellungen, Kaufanfragen, Lieferanten- und Artikelnamen sowie ID- und Dokumentnummern zu suchen. Durch die verbale Kommunikation mit der Sourcing-Lösung entfällt die Notwendigkeit, wie bisher durch eine Reihe von Bildschirmen zu navigieren, um zum gewünschten "Vorgang" zu gelangen.

Ein weiteres Beispiel für den KI Einsatz im Beschaffungsbereich ist das Würzburger Unternehmen Scoutbee, das Einkäufer mithilfe Künstlicher Intelligenz beim Finden neuer Lieferanten und bei der Optimierung ihrer Lieferantenbeziehungen unterstützt. Erst kürzlich konnten sich die Gründer von Scoutbee beim Businessplan Wettbewerb Nordbayern mit ihrem KI-Konzept gegen 118 Mitbewerber durchsetzen.

KI: Scoutbee auf Platz 1 beim Businessplan Wettbewerb

Künstliche Intelligenz

KI: Scoutbee auf Platz 1 beim Businessplan Wettbewerb

16.07.18 - Auf Platz 1 beim Businessplan Wettbewerb Nordbayern landete das Würzburger Start-up Scoutbee. Das junge Unternehmen unterstützt Einkäufer mithilfe Künstlicher Intelligenz beim Finden neuer Lieferanten und bei der Optimierung ihrer Lieferantenbeziehungen. lesen

Wie aber geht es weiter mit der Künstlichen Intelligenz? An was wird aktuell geforscht? Was ist schon in der Pipeline?

Maschinen können (doch) moralisch handeln

Maschinen können bald moralisches Verhalten von Menschen imitieren. Davon sind Wissenschaftler der Universität Osnabrück überzeugt. Anlasse ist das autonome Fahren, denn selbstfahrende Automobile sind die erste Generation intelligenter Roboter, die den alltäglichen Lebensraum mit dem Menschen teilen. Folglich ist es unabdingbar, Regeln für und Erwartungen an autonome Systeme zu erarbeiten, die definieren, wie sich diese in kritischen Situationen verhalten sollen.

Das Institut für Kognitionswissenschaft der Universität Osnabrück hat nun eine Studie in "Frontiers in Behavioral Neuroscience" veröffentlicht, die zeigt, dass menschlich-ethische Entscheidungen in Maschinen implementiert werden können und autonome Fahrzeuge bald moralische Dilemmata im Straßenverkehr bewältigen werden. Politisch wird die Debatte zur Modellierbarkeit moralischer Entscheidungen durch eine Initiative des Bundesministeriums für Transport und Digitale Infrastruktur (BMVI) begleitet. Diese hat dafür 20 ethische Prinzipien formuliert. Die Osnabrücker Studie liefert dazu nun erste empirische wissenschaftliche Daten.

“Um Regeln oder Empfehlungen definieren zu können sind zwei Schritte notwendig. Als Erstes muss man menschliche moralische Entscheidungen in kritischen Situationen analysieren und verstehen. Als zweiten Schritt muss man das menschliche Verhalten statistisch beschreiben, um Regeln ableiten zu können, die dann in Maschinen genutzt werden können“, erklärt Prof. Dr. Gordon Pipa, einer der leitenden Wissenschaftler der Studie.

Zur Realisierung beider Schritte nutzten die Autoren eine virtuelle Realität, mit der das Verhalten von Versuchspersonen in simulierten Verkehrssituationen beobachtet wird. Die Teilnehmer der Studie fuhren dazu an einem nebeligen Tag durch die Straßen eines typischen Vorortes. Im Verlauf der Experimente kam es dabei zu unvermeidlichen und unerwarteten Dilemma-Situationen, bei denen Menschen, Tiere oder Objekte als Hindernisse auf den Fahrspuren standen. Um den Hindernissen auf einer der beiden Spuren ausweichen zu können, war eine moralische Abwägung notwendig. Die beobachteten Entscheidungen wurden dann durch eine statistische Analyse ausgewertet und in Regeln übersetzt. Die Ergebnisse weisen darauf hin, dass im Rahmen dieser unvermeidbaren Unfälle moralisches Verhalten durch eine einfache Wertigkeit des Lebens erklärt werden kann, für jeden Menschen, jedes Tier und jedes Objekt.

Leon Sütfeld, der Hauptautor der Studie, erklärt dies so: „Das menschliche moralische Verhalten lässt sich durch den Vergleich von einer Wertigkeit des Lebens, das mit jedem Menschen, jedem Tier oder jedem Objekt assoziiert ist, erklären bzw. mit beachtlicher Präzision vorhersagen. Das zeigt, dass menschliche moralische Entscheidungen prinzipiell mit Regeln beschrieben werden können und dass diese Regeln als Konsequenz auch von Maschinen genutzt werden könnten.“

Grundsätzlich stehen die Erkenntnisse der Osnabrücker Forscher im Widerspruch zu dem achten Prinzip des BMVI-Berichtes (s.o.), das auf der Annahme gründet, moralische Entscheidungen seien nicht modellierbar Doch lässt sich dieser grundlegende Unterschied erklären? Algorithmen können entweder durch Regeln beschrieben werden oder durch statistische Modelle, die mehrere Faktoren miteinander in Bezug setzen. So sind Gesetze regelbasiert. Der Mensch und moderne Künstliche intelligente Systeme nutzen hingegen eher ein komplexes statistisches Abwägen. Dieses Abwägen erlaubt es dem Menschen und der modernen KI, auch neue Situationen zu bewerten, denen Mensch und KI bisher nicht ausgesetzt waren.

In der wissenschaftlichen Arbeit von Sütfeld wurde nun eine solche dem menschlichen Verhalten ähnliche Methodik zur Beschreibung der Daten genutzt. „Deshalb müssen die Regeln nicht abstrakt am Schreibtisch durch einen Menschen formuliert, sondern aus dem menschlichen Verhalten abgeleitet und gelernt werden. So stellt sich die Frage, ob man diese nun gelernten und konzeptualisierten Regeln nicht auch als moralischen Aspekt in Maschinen nutzen sollte“, argumentiert Forscher Sütfeld.

"Persönlichkeitserkennung" für Roboter

Menschen erkennen Gesten und deuten Blicke blitzschnell und nahezu automatisch. Computer und Roboter schaffen dies nicht, weshalb Wissenschaftler weltweit daran forschen, wie man die Zusammenarbeit zwischen Mensch und Computer sozialer, effizienter und flexibler gestalten kann. Informatiker aus Saarbrücken und Stuttgart haben nun zusammen mit Psychologen aus Australien einen wichtigen Meilenstein erreicht. Das von ihnen entwickelte Softwaresystem verarbeitet die Augenbewegungen einer Person und berechnet, ob diese verletzlich, gesellig, verträglich, gewissenhaft oder neugierig ist.

„Mit unseren Augen erfassen wir nicht nur die Umgebung, sie sind auch das Fenster zu unserer Seele. Denn sie verraten, wer wir sind, wie wir uns fühlen und was wir machen“, erklärt Andreas Bulling, der in Saarbrücken am Max-Planck-Institut für Informatik und am Exzellenzcluster der Universität des Saarlandes die Forschungsgruppe "Perceptual User Interfaces“ leitet. Mit Wissenschaftlern in Stuttgart und Australien hat Bulling ein auf Machine-Learning-Algorithmen basierendes eigenes Softwaresystem so trainiert, dass es Augenbewegungen auswerten und darüber auf die Charakterzüge einer Person schließen kann.

Um die Daten für das Training und die Evaluierung zu erhalten, wirkten an der Flinders University in Australien 50 Studenten mit. Nach ihrer Ankunft im Labor statteten die Forscher die Studenten mit einem sogenannten „Eye Tracker“ aus. Dieser filmte die Augenbewegungen der Probanden, während sie rund zehn Minuten über den Campus schlenderten und sich einen Kaffee oder andere Artikel im Campus-Laden kauften. Danach wurden die Studenten gebeten, die Brillen abzulegen und spezielle Fragebögen auszufüllen, um so auf herkömmliche Art und Weise die Persönlichkeit und den Grad der Neugierde zu bestimmen.

„Um die aufgenommenen Augendaten unabhängig von der jeweiligen Dauer der Aufnahme zu analysieren, haben wir mit einem verschiebbaren Zeitfenster gearbeitet, da so keine Charakteristika abgeschwächt werden“, erklärt Bulling. Aus jedem der sich ergebenden Zeitfenster gewannen die Forscher 207 Merkmale. Zu diesen gehörten Statistiken über Blickfixierungen ebenso wie die Blinzel-Rate. Anhand dieser Daten und den Informationen aus den Fragebögen fassten die Forscher pro Persönlichkeitszug rund 100 Entscheidungsbäume zu einem Klassifikator zusammen und trainierten diesen. Das Ergebnis: Im anschließenden Test mit bisher noch nicht verwendetem Datenmaterial konnten sie nachweisen, dass das Softwaresystem sicher Charakterzüge wie emotionale Labilität, Geselligkeit, Verträglichkeit und Gewissenhaftigkeit erkennt.

„Das so gewonnene Wissen über nonverbales Verhalten können wir auch auf Roboter übertragen, sodass diese sich wie Menschen benehmen. Solche Systeme würden dann auf eine viel natürlichere Weise mit Menschen kommunizieren und wären dadurch effizienter und flexibler einsetzbar“, ist Forscher Bulling überzeugt.

International Data Spaces - bessere Datenverfügbarkeit

Handlungsbedarf sehen KI-Experten auch hinsichtlich der Verfügbarkeit von Daten. Wie bereits dargestellt, herrscht in Deutschland im weltweiten Vergleich Knappheit an allgemein zugänglichen, verwertbaren Daten. Um Anreize zu schaffen, entsprechende Daten zu generieren und auszutauschen, empfehlen Fachleute, dass die Urheber der Daten zwar die Kontrolle und Souveränität über ihre Daten behalten, diese zum gegenseitigen Nutzen jedoch teilen sollten. Modelle wie die International Data Spaces und speziell der Industrial Data Space seien in diesem Zusammenhang beispielhaft.

Der Industrial Data Space ist ein virtueller Datenraum, der den sicheren Austausch von Daten und die einfache Verknüpfung von Daten in Geschäftsökosystemen auf Basis von Standards und mit Hilfe gemeinschaftlicher Governance-Modelle unterstützt. Der Industrial Data Space wahrt die digitale Souveränität der Eigentümer der Daten und bildet zugleich die Basis für smarte Services und innovative Geschäftsprozesse.

Weiterführende Literatur

Ayaz, Baris: Machine Learning in der Smart Factory in Thomas Schulz (Hrsg.): Industrie 4.0 - Potenziale erkennen und umsetzen, Vogel Business Media

Schmidt-Schauß, Manfred und David Sabel: Einführung in die Methoden der Künstlichen Intelligenz, Institut für Informatik, Goethe-Universität Frankfurt am Main

Ertel, Wolfgang: Grundkurs Künstliche Intelligenz - Eine praxisorientierte Einführung, Springer Vieweg

Jackson, Philip C.: Introduction to Artificial Intelligence, Courier Corporation

Domingos, Pedro: The Master Algorithm - How the Quest for the Ultimate Learning Machine Will Remake Our World, Penguin Books

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

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: 45324964 / Internet of Things)