Künstliche Intelligenz Mit föderiertem Lernen und erklärbarer KI zu verbesserten Produktionsanlagen

Ein Gastbeitrag von Tom Kraus*

Anbieter zum Thema

Um das Potenzial von Künstlicher Intelligenz in der Produktion auszuschöpfen, muss der Zugang zu großen Datenmengen erleichtert und die Entwicklung von erklärbarer KI beschleunigt werden. Zwei Projekte aus dem Technologieprogramm „Smarte Datenwirtschaft“ wissen, wie das geht.

Insbesondere in sensiblen Branchen ist es von großer Bedeutung, dass KI-gestützte Ergebnisse und Entscheidungen immer von Menschen nachvollzogen werden können.
Insbesondere in sensiblen Branchen ist es von großer Bedeutung, dass KI-gestützte Ergebnisse und Entscheidungen immer von Menschen nachvollzogen werden können.
(Bild: gemeinfrei / Unsplash)

Die Schlagworte Künstliche Intelligenz und Machine Learning sind aus dem Diskurs um die Zukunft der Industrie nicht mehr wegzudenken – nicht zu Unrecht, bringen die innovativen Ansätze in der Theorie doch eine ganze Reihe erstrebenswerter Wettbewerbsvorteile mit sich: Die Algorithmen können für die umfangreiche Auswertung von Unternehmensdaten zur Effizienzsteigerung herangezogen werden, Maschinenverschleiß vorhersagen und Vorschläge für eine kosteneffiziente Wartung machen. Außerdem fungieren sie generell als Basis für die Automatisierung zahlreicher Produktionsprozesse. Vereinfachung von Beschaffungsprozessen, vollautomatisierte Qualitätsprüfung, Minimierung der laufenden Kosten von Anlagen – die Möglichkeiten sind vielfältig. In Unternehmen mit hohem Digitalisierungsgrad kann KI als Grundlage für innovative, datenbasierte Geschäftsmodelle dienen und damit völlig neue Marktbereiche erschließen.

Für die meisten dieser Anwendungsbereiche sind allerdings sehr viele Daten notwendig. Zwar fallen in der fertigenden Industrie täglich enorme Datenmengen an, doch insbesondere kleinere und mittelständische Unternehmen sind oft noch nicht dazu in der Lage, diese zu verwerten und auf Basis von Machine-Learning-Prozessen und KI-Anwendungen für sich zu nutzen. Hier setzen einige der Projekte an, die durch das Technologieprogramm „Smarte Datenwirtschaft“ (kurz: SDW) des Bundesministeriums für Wirtschaft und Klimaschutz gefördert werden. Dabei werden Lösungen zur intelligenten, wirtschaftlichen und rechtssicheren Datennutzung und -verarbeitung entwickelt und erprobt. Ziel ist es, aufwendige Prozesse zu vereinfachen, innovative Dienstleistungen bereitzustellen oder neuartige Datenprodukte als handelbare Güter zu etablieren. Die SDW-Förderprojekte Exdra und Raki etwa erarbeiten Lösungen, um spezifische Hürden bei der Entwicklung von KI-Methoden zu überwinden: Während dank Exdra auch solche Daten analysierbar werden, die über getrennte, auch weit voneinander entfernte Systeme verteilt sind, steigert Raki die Transparenz von KI-Anwendungen und bindet den Menschen verstärkt in den Entwicklungsprozess ein.

Daten verschiedenster Systeme für Machine Learning-Prozesse anzapfen

Weit verstreute Datenquellen effizient auszuwerten, ist vor allem im Rahmen von großen Prozessanlagen wichtig, wie sie z. B. in der Chemieindustrie oder im Energiesektor zum Einsatz kommen. Solche Anlagen müssen kontinuierlich überwacht werden. Im Zweifelsfall muss ein schnelles Einschreiten möglich sein – nicht nur um Produktionsprozesse oder die Energieversorgung aufrecht zu erhalten, sondern auch um die Sicherheit von Mitarbeitenden und Anwohnenden sicherzustellen. Um entsprechende KI-gestützte Anwendungen anzulernen, kommen oft sogenannte explorative Data-Science-Prozesse zum Einsatz, bei denen zunächst zahlreiche Hypothesen zum Verhalten der betrachteten Anlagen aufgestellt werden. Mithilfe von passenden Vorhersagemodellen und auf Basis von zuvor zusammengetragenen Betriebsdaten werden diese Annahmen dann überprüft. Der Prozess wird so lange wiederholt, bis es zu verwertbaren Ergebnissen kommt – ein meist zeitaufwendiges und kostenintensives Vorgehen. Der Schutz von Betriebsgeheimnissen und mitunter auch datenschutzrechtliche Anforderungen bewirken zudem, dass die in verschiedenen Systemen liegenden Daten manchmal gar nicht in ein zentrales System zur Auswertung übertragen werden können.

Exdra zielt darauf ab, diese explorativen Data-Science-Prozesse systematischer und somit deutlich effizienter zu gestalten. Zudem werden Aspekte des Datenschutzes und der Informationssicherheit von vorneherein mitgedacht – Daten verlassen dank des technologischen Ansatzes ihre geschützte Umgebung nicht, sondern lassen sich vor Ort über föderierte Datenverarbeitung auswerten. Möglich wird das durch eine Systemsoftware, die es erleichtert, Rohdaten aus verschiedenen Systemen zu integrieren. Die Domänenexperten können sich so auf die Datenanalyse konzentrieren, ohne sich mit komplexen Programmierprozessen auseinandersetzen zu müssen. Durch eine breite Palette von KI-Algorithmen, die in die Software integriert wurde, haben Nutzer zudem Zugriff auf die wichtigsten Tools, die sie im Rahmen von Machine-Learning-Prozessen benötigen. So können über die Software ganz individuelle KI-Anwendungen entwickelt werden, die auf spezifisch ausgewählten Daten oder Datenquellen basieren.

Mehr Nachvollziehbarkeit von KI-Anwendungen

Insbesondere in sensiblen Branchen wie im Gesundheitssektor, ist es von großer Bedeutung, dass KI-gestützte Ergebnisse und Entscheidungen immer von Menschen nachvollzogen werden können. So besteht im Zweifelsfall oder nachträglich die Möglichkeit, eine Überprüfung von Lernprozessen und Modellen vorzunehmen. Viele KI-Anwendungen beruhen allerdings heute auf enorm vielschichtigen und verflochtenen Modellen – man spricht auch von Blackbox-Modellen. Das Problem dabei: Bei Millionen oder gar Milliarden von Modellparametern können sowohl die Generierung als auch die Wirkmechanismen der Modelle nicht vollumfänglich nachvollzogen werden – selbst von ausgewiesenen Experten.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Im Förderprojekt Raki werden daher erstmalig bestimmte Methoden des maschinellen Lernens verknüpft, damit der Mensch aktiv beim Anlernen von sogenannten Human-in-the-loop-Systemen mitwirken kann. Die spezifischen methodischen Ansätze, die dabei zum Einsatz kommen und kombiniert werden, heißen „Induktives logisches Programmieren” (kurz: ILP) und „Reinforcement Learning” (kurz: RL). ILP-Verfahren sind besonders gut geeignet, um Hypothesen logikbasiert aus verfügbaren Beispieldaten zu generieren und Personen in den Lernprozess einzubinden, wobei die Interaktion zwischen Menschen und System in natürlicher, leicht verständlicher Sprache erfolgt. Hierzu wurden im Projekt neuartige Verbalisierungsverfahren entwickelt, die semantische Technologien mit Deep-Learning-Methoden kombinieren. Beim ergänzenden RL-Verfahren wird das KI-System nach dem Trial-and-Error-Prinzip angelernt. Bei möglichen Anwendungen, beispielsweise zur Dokumentenauswertung oder Objekterkennung, erbittet so das KI-System gezielt und iterativ Feedback von den beteiligten Menschen, damit diese mitteilen, ob die erzeugten Ergebnisse oder Hypothesen richtig oder falsch sind.

Machine-Learning-Verfahren werden durch die Kombination dieser beiden Ansätze nicht nur transparenter und verständlicher, der Lernprozess wird obendrein deutlich beschleunigt, sodass auch sehr große Datenmengen in kurzer Zeit analysiert werden können und zu nachvollziehbaren Ergebnissen führen. Mithilfe des Projekts konnte inzwischen ein Software-Prototyp fertiggestellt werden, der die Machbarkeit des Gesamtkonzepts belegt und der im Rahmen verschiedener Use Cases in der Industrie erprobt wurde. Perspektivisch soll RAKI als Basis dienen, um Anwendungen und intelligente Services für verschiedene Wirtschaftszweige mit besonders hohen Anforderungen zu entwickeln, z. B. in der Biomedizin, in der Energiewirtschaft oder im Gesundheitssektor.

Beide Förderprojekte versprechen signifikante Fortschritte bei der Entwicklung von KI-Anwendungen – nicht nur erleichtert das föderierte Lernen potenziell den Zugang zu deutlich größeren Datenmengen, die die Qualität von KI-Systemen verbessern können, der Ansatz einer menschzentrierten KI ermöglicht es auch, komplexe Systeme besser zu verstehen und nachzuvollziehen, während gleichzeitig der Entwicklungsprozess beschleunigt und vereinfacht wird.

Dieser Beitrag ist ursprünglich auf unserem Partnerportal MM Maschinenmarkt erschienen.

* Tom Kraus arbeitet am Institut für Innovation und Technik bei VDI/VDE Innovation + Technik.

(ID:48644168)