Eine Sternstunde in der Geschichte der Künstlichen Intelligenz: Im Oktober 2017 schlug die von der Google-Tochter Alphabet entwickelte Software AlphaGo Zero seine Vorgängerversion im Strategiespiel Go. Das Revolutionäre dabei: Das Programm hat das Spiel selbstständig gelernt. Dem Rechner wurden lediglich die Spielregeln vorgeben – sämtliche Taktiken erlernte AlphaGo Zero eigenständig, indem es mehrere Millionen Mal gegen sich selbst spielte. Ähnlich flexibel agieren Bits und Bytes inzwischen auch in der Industrie. Ein Teilbereich der Künstlichen Intelligenz ist Machine Learning (siehe Kasten „Definitionen“). Bei maschinellem Lernen werden mithilfe von Algorithmen Muster und Zusammenhänge in Daten sichtbar gemacht, die als Basis für zielgenaue Prognosen dienen. Im Gegensatz zur klassische Software, welche Zeile für Zeile von einem Menschen programmiert wird, lernt die Maschine durch die Analyse großer Datenmengen. Dabei können auch unstrukturierte Informationen verarbeitet werden, die bisher manuell in eine computerlesbare Liste überführt werden mussten.
Maschinelles Lernen (ML) basiert auf der Forschung rund um die Mustererkennung, die bereits vor 30 Jahren begonnen wurde. Damals allerdings konnten die Erkenntnisse aufgrund technischer Beschränkungen nicht umgesetzt werden – es fehlte schlicht an der notwendigen Hard- und Software. Erst mit der Entwicklung extrem rechenstarker Prozessoren (GPUs) konnte in den letzten Jahren Machine Learning praxisgerecht umgesetzt werden. Weitere Entwicklungen wie Multi-Core-Architekturen, innovative Algorithmen und schnelle In-Memory-Datenbanken wie SAP Hana machen das maschinelle Lernen jetzt auch für die produktive Anwendung in Unternehmen attraktiv. Ein weiterer wesentlicher Faktor ist die zunehmende Verfügbarkeit großer Mengen strukturierter und unstrukturierter Daten aus dem Industrie 4.0-Umfeld, wo aus einer Vielzahl von Sensoren oder digitalisierte Dokumente ständig neue Daten generiert werden, mit denen die Lernalgorithmen trainiert werden können.
Für dieses Training kommen zwei Verfahren in Frage: überwachtes oder unüberwachtes Lernen. Beim überwachten Lernen lernt die Maschine zusammen mit einem „Lehrer“. Er kontrolliert die Eingabe der Daten sowie die Reaktion des Systems. War diese richtig, erfolgt eine positive Rückmeldung an das System. Nach zahlreichen Rechengängen mit unterschiedlichen Ein- und Ausgaben steigt die Fähigkeit des Systems, richtig zu analysieren. Das Problem: Bei untrainierten Systemen, zum Beispiel bei der Qualitätssicherung auf Basis von hochauflösenden Fotos, kann es schon Monate und tausende von Bildern brauchen, bis das System die Genauigkeit der menschlichen Kollegen erreicht. Beim unüberwachten Lernen erzeugt ein Algorithmus selbstständig ein Modell, das die Eingaben in einer weiten Varianz selbst definiert. Das System erstellt dann selbstständig Klassifikatoren, nach denen es die Eingabemuster beurteilt – meist unter Zuhilfenahme eines neuronalen Netzes.
Von der Theorie zur Praxis
Das Thema ist inzwischen in der Wirtschaft angekommen. Laut der IDG-Studie „Machine Learning/Deep Learning 2018“ wollen 41 % der insgesamt 345 ausführlich befragten Unternehmen Machine Learning insbesondere für die Optimierung von internen Abläufen einsetzen – zum Beispiel für die Qualitätssicherung. In Kombination mit hochauflösenden Kameras können ML-basierte Systeme schneller und treffsicherer als der Mensch Qualitätskriterien prüfen – von der belichteten Struktur eines Wafers bis hin zur Oberflächenprüfung in Bezug auf Risse, Rauigkeit oder Verschmutzung. Die Verbesserung von Kundenbeziehungen (31 %) und Fertigungsprozessen (30 %) rangieren laut der Studie auf den Plätzen zwei und drei. Weniger wichtig wird Maschinelles Lernen als Basis für neue Geschäftsmodelle (27 %) und neue Produkte (24 %) eingeschätzt. Vor allem in größeren Unternehmen wird Machine Learning darüber hinaus für das Risikomanagement (33 %) und die Verkürzung von Entwicklungszyklen (28 %) eingeplant. Zunehmende Bedeutung gewinnt auch der Sicherheitsbereich: Machine Learning-Algorithmen suchen in diesem Fall nach bekannten Mustern, die auf Schadsoftware hinweisen. Oder sie entdecken Anomalien im System und schlagen dann rechtzeitig Alarm.
Insgesamt wollen sich rund 25 % der befragten Unternehmen im kommenden Jahr intensiv mit Maschinellem Lernen auseinandersetzen. Damit rangiert das Thema auf der Prioritätenliste auf dem vierten Platz, hinter Cloud Computing, IT-Security- und IT-Service-Management. Gut ein Drittel der Unternehmen setzt bereits mehr oder weniger intensiv auf ML-Technologien,
19 % arbeiten an der Einführung. Die Technik dafür ist größtenteils vorhanden: Knapp die Hälfte (46 %) besitzen bereits eine für ML-Anwendungen passende IT-Infrastruktur, drei Viertel (74 %) speichern bereits die dafür notwendigen Daten. Nachholbedarf besteht allerdings bei den IT-Spezialisten: Nur 24 % aller Unternehmen verfügen über die entsprechenden Experten. In kleineren Unternehmen sind es sogar nur 18 %.
Ein Drittel der Unternehmen realisiert Machine Learning-Projekte komplett inhouse, nur 8 % haben sie an einen externen Dienstleister übertragen. Gut die Hälfte (55 %) verfolgt eine Doppelstrategie: Implementierung und Betrieb erfolgen im eigenen Unternehmen, dazu kommt die Hilfe von externen Beratern. Dieses Szenario ist wohl auch den fehlenden Spezialisten geschuldet. Die größten ML-Anbieter sind Amazon Machine Learning, Microsoft Azure Machine Learning, IBM Bluemix und Google Machine Learning. Alle großen globalen Player realisieren Machine Learning-Dienste über eine Public Cloud. Amazon legt besonderen Wert auf einen kundenfreundlichen Einstieg und bietet sozusagen Machine Learning-Anwendungsszenarien als eine Art Blackbox an. Der Anwender benötigt dabei nur wenig Vorwissen und kann über eine Weboberfläche Modelle erstellen, die dann in die eigenen Prozesse und Lösungen integriert werden können. Bei IBM und Google sind die entsprechenden Dienste etwas Code-lastiger, die Auswahl von Features und Labels erfolgt hier über eine Programmierschnittstelle. Microsoft realisiert den Zugang über ein graphisches Programmiermodell. Die einzelnen Schritte werden dann über Pipelines definiert und gegebenenfalls durch eigenen Code erweitert. Der fertige Workflow wird dann als Service gestartet und wartet auf Daten, damit das vortrainierte Modell erste Vorhersagen treffen kann. Der Vorteil der externen Lösung: Die Cloud-Anwendung kann je nach Bedarf skaliert werden – abhängig vom Erfolg des Projektes im eigenen Unternehmen. Die Nachteile: Die vorgegebenen Modelle müssen gegebenenfalls erweitert werden, außerdem ist die Lernkurve für die eigenen Spezialisten niedriger. Für den Einstieg in die Materie empfiehlt sich unter dem Strich aber zuerst einmal die Cloud-Lösung – zumal die Berechnung des ROI (Return on Investment) für eine eigene Machine Learning-Infrastruktur anfangs ziemlich herausfordernd sein kann.
Einsatzgebiete
Jenseits der industriellen Produktion sind ML-Systeme bereits verbreitet – zum Beispiel in Form von Chatbots, die Kundenanfragen automatisiert beantworten oder zumindest gezielt weiterleiten. Auch die vollständige Automatisierung aller Inbound-Kanäle eines Unternehmens ist auf Basis von Machine Learning möglich. Sie ersetzt dann den zentralen Posteingang und umfasst sowohl klassische Postsendungen als auch E-Mails und Social Media-Posts. Innerhalb der Smart Factory wird zuerst Predictive Maintenance als Einsatzgebiet genannt. Auf diese Weise kann der Verschleiß von Bauteilen überwacht und der Wartungsplan automatisiert optimiert werden. Der Austausch von Komponenten kann dann auf die nächste Nacht verschoben werden – bevor ein Ausfall droht, aber während die Anlage geplant stillsteht. Rolls Royce zum Beispiel setzt ML für die Überwachung von Flugzeugtriebwerken ein. Während des Betriebs werden Daten wie Temperaturen, Vibrationsintensität und Öldruck gemessen. Sie werden dann nach dem Flug in die Cloud übertragen und ausgewertet.
Der Weg zu Machine Learning
Der Markt für ML-Systeme wird sich nach Expertenmeinung in den nächsten zwei Jahren verdreifachen. Es gibt keinen Königsweg zu den damit verbundenen Wettbewerbsvorteilen, allerdings Best Practises-Empfehlungen, die übrigens auch auf die meisten anderen Industrie 4.0-Technologien zutreffen. Vorab: Die Einführung von Machine Learning braucht Zeit. Die Entwicklung und das Training komplexer Modelle und Algorithmen ist selbst bei Verwendung vorgegebener Services eine Frage von Jahren. Das gilt umso mehr, wenn die Ergebnisse die laufende Produktion oder auch Kunden betreffen. In diesen Fällen muss immer genügend Zeit für ausreichende Tests eingeplant werden.
Am Anfang steht die Definition möglicher Anwendungsfälle im eigenen Unternehmen. Diese sollten dann im Rahmen überschaubarer Projekte mit Prototypen umgesetzt werden. „Start Small and Scale“ ist die Devise, umgesetzt mit einem Cloud Provider. Parallel dazu sollte die eigene IT-Struktur sowie die zugrundeliegenden Prozesse für den möglichen Einsatz von ML im eigenen Haus überprüft und gegebenenfalls weiterentwickelt werden. Dazu müssen nicht selten die aktuellen Verträge und Servicemodelle der externen Provider angepasst – oder ein neuer Provider gesucht – werden. Zu dieser Phase gehört auch die Prüfung der juristischen Fragestellungen. Gerade die mögliche Individualisierung von Angeboten berührt Fragen der DSGVO. Mit zunehmendem Knowhow ist es in den nächsten Projektphasen möglich, das Einspar- und Effizienzpotenzial zu berechnen, um Anfangs- und Folgeinvestitionen festlegen und begründen zu können.
Hilfe auf dem Weg zu Machine Learning bietet zum Beispiel der VDMA in Form von Leitfäden, Roadmaps sowie durch seine Kontakte zu Instituten und IT-Dienstleistern. Rainer Glatz, Geschäftsführer von VDMA Software und Digitalisierung, betont: „Wir geben weiter Gas, das Thema ist reif. Nachdem wir in den letzten Jahren Industrie 4.0 im Maschinenbau und im VDMA etabliert haben, müssen wir nun auch die Potenziale für Machine Learning erschließen. Entscheidend ist hierbei, dass wir Anbieter und Anwender zusammenbringen und die Nutzung von Machine Learning im industriellen Umfeld in den Mittelpunkt stellen.“
Definitionen: Wie schlau ist das denn?
Die einzelnen Definitionen sind nicht standardisiert festgelegt und auch nicht klar voneinander zu trennen. Prinzipiell werden sie aber folgendermaßen verstanden:
Künstliche Intelligenz
KI ist ein Teilgebiet der Informatik, welches sich mit der Automatisierung intelligenten Verhaltens befasst. Es wird zwischen starker und schwacher KI unterschieden: Schwache KI versucht, bestimmte Teilaspekte des menschlichen Denkens zu meistern – zum Beispiel als Schachcomputer oder Schweißroboter. Starke KI simuliert dagegen das gesamte menschliche Denken. Endziel der starken KI sind autonome Roboter, die sich selbst programmieren und in unterschiedlichsten Situationen autark agieren – bislang eine Zukunftsvision.
Neuronale Netze
Starke KI – aber auch anspruchsvolle schwache KI-Anwendungen – erfordern den Einsatz von neuronalen Netzen. Darunter versteht man die Datenverarbeitung mit IT-Strukturen, die das menschliche Gehirn zum Vorbild haben. Statt wie in klassischen Computern sind die Milliarden Transistoren nicht starr vernetzt, sondern in Schichten organisiert, die (wie menschliche Neuronen) nur dann miteinander kommunizieren, wenn bestimmte Schwellenwerte erreicht sind. Diese Werte definiert das System selbst – der Mensch kann die selbstordnenden Kräfte nicht beeinflussen. Neuronale Netze werden bislang beispielsweise in der Sprach- und Bilderkennung eingesetzt – zwei Aufgabenbereiche, die einem Computer im Gegensatz zum Menschen schwerfällt.
Maschinelles Lernen
Eine Querschnittsdisziplin aus den Bereichen Informatik, Statistik und Mathematik. Ihr Ziel sind Softwareanwendungen, die sich automatisch auf Basis von Daten optimieren. In einer Pilotphase lernt das System unter Anleitung eines Menschen. Diese Phase kann je nach Komplexität automatisiert innerhalb weniger Minuten ablaufen, oder aber die monatelange Eingabe von abertausend Einzelfällen erfordern. Danach erkennt die Maschine auf Basis von vorgegebenen Algorithmen selbstständig Muster und Gesetzmäßigkeiten und kann auch unbekannte Daten beurteilen. Einsatzbeispiel: die industrielle Oberflächenprüfung auf Basis von hochauflösenden Fotos.
Deep Learning
Maschinelles Lernen kann, muss aber nicht auf neuronalen Netzen basieren. Wird ein solches Netz eingesetzt, spricht man von Deep Learning.
Data Mining
Ein fast schon historischer Begriff. Vorhandene Daten (Big Data) werden mit statistischen Methoden auf mögliche Gesetzmäßigkeiten untersucht. Ziel ist, aus diesen Daten treffende Prognosen zum Beispiel für die Standfestigkeit von Werkzeugen oder die Kundenwünsche im nächsten Jahr abzuleiten. Im Gegensatz zu maschinellem Lernen verwendet Data Mining ausschließlich historische Daten, arbeitet also nicht in Echtzeit.
Serie Industrie 4.0
Wir begleiten Sie auf dem Weg Richtung Digitalisierung. In diesem Teil unserer Digital-Serie beleuchten wir die Bedeutung von Machine Learning für Industrie-4.0-Konzepte sowie Anwendungsbereiche und Einführungsszenarien.
