Nutzen von Machine Learning
Die herkömmliche Vorgehensweise bei der Analyse von Daten sieht vor, dass der Input mittels eines Programms zum gewünschten Output verarbeitet wird. Bei Machine Learning hingegen füttert man das System mit Input und Output, um daraus ein Programm bzw. ein Modell erstellen zu lassen. Ein fachfremdes Beispiel soll diesen Unterschied verdeutlichen: Bisher fütterte man das System mit Bildern von unterschiedlichen Formen (Input) und das Programm konnte mittels Kantenerkennung feststellen, ob es sich um ein Dreieck, ein Viereck oder einen Kreis handelt (Output). Bei Machine Learning würde man dem System eine große Anzahl von Bildern von Dreiecken, Vierecken und Kreisen zeigen (Input) und diese der jeweiligen Kategorie zuweisen (Output). Daraus generiert das System ein Modell. Zeigt man dem System nun ein Bild von einem beliebigen Kreis, würde es diesen auf Basis des generierten Modells als solchen erkennen. Der Vorteil liegt auf der Hand: Man kann den gleichen Algorithmus dazu verwenden, Hunde von Katzen bzw. Autos von Fahrrädern zu unterscheiden – nur durch ein erneutes Anlernen und ohne Programmierung. Man muss dem System also nicht erklären, wie man A von B unterscheidet – das System lernt es quasi selbst. Oft sind die Einflussgrößen und deren Zusammenhänge untereinander auch gar nicht bekannt – man könnte einer Software also gar nichts erklären. Auf die Smart Factory bezogen ist dieser Vorteil essenziell, da die Komplexität, also die Zahl der möglichen Zustände, quasi unendlich ist. Eine Programmierung von Regeln zur Erkennung von Zuständen, Abweichungen und Störungen wäre schier unmöglich. Kontinuierliches Lernen (Machine Learning) erweist sich in diesem Fall als die bessere Methode.
Anomalieerkennung und Wiedererkennung
Beim Einsatz von Machine Learning in der Fertigung würde man also zunächst eine Anlernphase ansetzen, in der das System alle erfassten Daten inklusive daraus resultierender Entscheidungen und Maßnahmen zur Analyse bekommt. Anschließend erhält das System weiterhin die erfassten Daten und kann aufgrund der gemachten ‚Erfahrungen‘ Abweichungen nach dem Motto erkennen: ‚Habe ich bisher noch nicht gesehen, das muss eine Abweichung sein‘. Die Art der Abweichung ist unerheblich – es kann sich auch um ein bisher unbekanntes Problem handeln. Im Zuge des kontinuierlichen Weiterlernens klassifiziert der Anwender bereits erkannte Anomalien, damit das System sie künftig nach dem Motto einordnen kann: ‚Habe ich schon einmal erkannt, das ist ein Werkzeugbruch‘. Somit wird die Software von ganz alleine immer besser.
Ein neuer Trumpf im Blatt
Mögliche Einsatzbeispiele für Machine Learning in der Fertigung sind die Erkennung von Ausschuss anhand von Bildern oder Videos, die Erkennung und Einordnung von Maschinenstörungen anhand von Prozesswerten oder die Erkennung von Störungen im logistischen Ablauf der Fertigung. In einem nächsten Schritt könnte das System auf Basis der eigenen Erfahrungen Handlungsempfehlungen aussprechen oder sogar eigenständig optimierende Maßnahmen einleiten. Doch bei allem Potenzial, das in Machine Learning steckt, gilt weiterhin: In der werksnahen IT sollte je nach Anwendung entschieden werden, welche Methoden, Werkzeuge und Technologien eingesetzt werden. Künstliche Intelligenz ist lediglich eine weitere Trumpfkarte eines breit gefächerten Blattes im Kartenspiel der Industrie 4.0.
Perfect Pattern & AIMES
Perfect Pattern ist ein Unternehmen mit innovativen Technologien und Produkten im Bereich der künstlichen Intelligenz. Es entstand 2012 durch Ausgründung aus dem mathematischen Institut der Ludwig-Maximilians-Universität München. Zusammen mit MPDV wurde AIMES gegründet, um gemeinsam am Einsatz von künstlicher Intelligenz in der Smart Factory zu arbeiten. Ein zentrales Produkt von Perfect Pattern ist Pythia, eine Plattform zur Mustererkennung in Echtzeit-Datenströmen. Die eingesetzte Machine-Learning-Technologie eignet sich besonders, Anomalien und Störungen in der Smart Factory zu erkennen. Mehr Infos unter: www.perfectpattern.de
