Suchen

IoT-Basics

Künstliche Intelligenz: Anwendungen, Projekte, Trends

Seite: 5/5

Firma zum Thema

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 Veränderungen der Nachfrage 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“.

Bildergalerie

Bildergalerie mit 23 Bildern

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.

„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.

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

Weiterführende Inhalte zu "KI"

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45324964)

Das könnte Sie auch interessieren SCHLIESSEN ÖFFNEN