Künstliche Intelligenz & Machine Learning

Wir nutzen KI und Machine Learning als Werkzeuge, um Prozesse zu optimieren und neue Geschäftsmodelle zu ermöglichen. Wir begleiten Sie von der Planung bis zur erfolgreichen Umsetzung.

Zur Lösung von Aufgaben in der Industrie

Die Themen Künstliche Intelligenz (KI) und Machine Learning (ML) haben den gesamten industriellen Bereich und speziell den Maschinen- und Anlagenbau mit konkreten, praktischen Anwendungsmöglichkeiten erfasst.

Diese Themen stellen kein rein akademisches Forschungsgebiet mehr dar, sondern sind durch ihre Handhabbarkeit in der Realwirtschaft angekommen. Ihre wirtschaftlichen Vorteile sind für zukunftsorientierte Unternehmen eine große Chance, bzw. zur Notwendigkeit geworden.

Mittels maschinellen Lernens lassen sich bisher nicht geschlossen lösbare Fragestellungen beantworten, bestehende Prozesse sowie Prozess- und Produktqualität optimieren, Prognosen für die Zukunft ableiten und darauf aufbauend neue Geschäftsmodelle entwickeln.

Mit Methoden der agilen Softwareentwicklung, Expertise bei der Implementierung neuer Tools und Erfahrung in der praktischen Umsetzung im Maschinen- und Anlagenbau können wir Sie auf dem Weg zur Anwendung von Machine Learning und individuellen Lösungen der Künstlichen Intelligenz effektiv unterstützen.

Automatisierung durch intelligente Maschinen

„Der Traum von der selbstlernenden und intelligenten Maschine wird langsam Wirklichkeit und kommt im industriellen Bereich, in den Anwendungsgebieten des Maschinen- und Anlagenbaus an.“

Wolfram Schäfer

Geschäftsführer iT Engineering Software Innovations GmbH

Künstliche Intelligenz bei iTE SI

Durch den Einsatz von Künstlicher Intelligenz bieten sich Möglichkeiten und Vorteile mit ungeahnten Potential zur Lösung von Problemen, zur Optimierung von Prozessen, zur Steigerung der Qualität und für Vorhersagen des Verhaltens von Maschinen in der Zukunft.

Als Softwareunternehmen am Puls der Zeit arbeiten wir täglich an KI-Lösungen für unsere Kunden aus dem Maschinebau und der produzierenden Industrie. Künstliche Inteligenz bewegt, beschäftigt und fasziniert uns – hier geben wir einen kurzen Einblick in unser Verständnis von KI.

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

YouTube immer entsperren

Kurz erklärt: Machine Learning

Machine Learning ist ein Teilgebiet der Künstlichen Intelligenz, für das in der Praxis schon viele konkrete Anwendungen existieren. Dabei werden Systeme befähigt, auf Basis bestehender Daten und Algorithmen Muster zu erkennen und Lösungen zu entwickeln. Die gewonnenen Erkenntnisse können verallgemeinert werden und dienen der Lösung weiterer Probleme und Fragestellungen in der Produktion.

Treiber von Machine Learning in der Industrie

Rechenleistungen von Computern steigen

Rechnerkapazitäten steigen u. a. durch den Einsatz von Graphik-Prozessoren, bei hoher Verfügbarkeit (durch z. B. Cloud-/ Edge-Cloud-Anwendungen) zu sinkenden Kosten, da häufig flexible, nutzungsabhängige Abrechnungsmodelle genutzt werden.

Exponentielles Wachstum von Datenmengen

Durch die Digitalisierung steigen die Datenmengen, welche zur Weiterentwicklung von Algorithmen nötig sind. Zudem wird die Speicherung großer Datenmengen immer kostengünstiger. Trainingsdaten sind der wichtigste Treiber und notwendige Voraussetzung für Fortschritte beim Machine Learning.

Verbesserte Algorithmen

Algorithmen zur Verarbeitung strukturierter und unstrukturierter Daten werden kontinuierlich weiterentwickelt. Sie können komplexere Aufgaben noch schneller mit weniger Rechenleistung lösen. Zudem wird die Anwendung immer einfacher – mittlerweile gibt es sehr viele frei verfügbare Frameworks für die Umsetzung von KI-Lösungen, welche die Einstiegshürden stark reduzieren.

Kommunikation von Objekten

Das IIoT ermöglicht Objekten die Kommunikation physikalischer Zustände (z. B. Temperatur, Druck, Bewegung etc.) und die Interaktion mit anderen Objekten oder ihrer Umgebung. Herausforderungen in diesem Zusammenhang sind die Konnektivität und Antwortzeiten annähernd in Echtzeit.

Anwendungsmöglichkeiten von Machine Learning

Bilderkennung

Einsatzbereich:
z. B. Beurteilung der Qualität von Oberflächen mit Texturen in der industriellen Bildverarbeitung.

Vorgehen:
Algorithmen werden mit von Menschen beurteilten Bildern von typischen Gut-Teilen angelernt. Das System lernt, wie ein Gut-Teil mit zulässigen Streuungen auszusehen hat. Daraus ergibt sich ein Erwartungsbild. Abweichungen von diesem Erwartungsbild werden erkannt und als Auffälligkeiten eingestuft.

Adaptive Regelung zur Prozessoptimierung

Einsatzbereich:
z. B. bei Optimierung komplexer physikalischer Maschinenprozesse in der Produktion mit zahlreichen Parametern und Einflussgrößen, deren Einfluss auf den Prozess nicht bekannt ist.

Voraussetzung:
ausreichende Menge an Datensätzen mit Einflussgrößen, bei denen das Ergebnis zufriedenstellend war.

Datengetriebene Innovation

Einsatzbereich:
z. B. Industrial-Analytics-Projekt zum Verbessern der Gesamtanlageneffektivität (Verfügbarkeit, Leistung & Qualität) zur Ermittlung des Optimierungspotenzials der Anlage bzw. Maschine bzw. der Produktion.

Empfehlung:
Speicherung großer Datenmengen am Entstehungsort, z. B. in einer Edge-Cloud auf einem Standard-IPC.

Intelligentes Angebotswesen

Einsatzbereich:
z. B. automatisiertes Angebot für komplexe Maschinen bzw. Anlagen mit vielen Optionen und Konfigurationsmöglichkeiten nach individuellem Kundenwunsch.

Voraussetzung:
ausreichender Satz historischer Daten von Maschinenkonfigurationen und Kosten in strukturierter Form mit laufender Aktualisierung hinsichtlich neu verfügbarer Optionen, Kostenanpassungen etc.

weitere Bereiche

autonom fahrende Fahrzeuge im Automobilbereich
Erkennung von Kreditkartenbetrug
Aktienmarktanalysen in der Finanzwirtschaft
Vorhersage von Leistungsspitzen in der Energiewirtschaft
Klassifikation von Nukleotidsequenzen (DNA) in der medizinischen Forschung
Sprach- und Texterkennung im IT-/Kommunikationssektor

Daten sind der Schlüssel beim Machine Learning

Wenn Machine Learning-Algorithmen den Motor für künftige Entwicklungen und Lösungen darstellen, dann sind Daten der Treibstoff. Daten sind das A und O des maschinellen Lernens.

der Zugang zu qualitativ hochwertigen Daten ist die Grundlage für Machine Learning
Beispiele sind Daten aus Steuerungen, Sensoren, Aktoren, Datenbanken, Produktionsflussdaten oder Wetterdaten
damit Algorithmen Muster erkennen können, müssen Daten in ausreichender Menge vorliegen
es ist nicht immer vorhersehbar, welche und wie viele Daten für die erforderliche Modellqualität und Genauigkeit notwendig sind
mehr Daten führen nicht unbedingt zu mehr bzw. besseren Mustern

Datengetriebene Lösungsfindung

Klassische Vorgehensweise

Im klassischen Fall wird der Algorithmus ohne Zuhilfenahme einer Datengrundlage vom Menschen entwickelt und auf einen Satz von Eingabedaten angewendet. Es wird nur ein sehr explizites Modell gewählt, das durch genaue Analyse des Problems gefunden wird. Die daraus resultierende Ausgabe wird für die Entscheidung herangezogen.

Vorgehensweise mit Machine Learning

Der Mensch gibt nur ein sehr allgemeines Modell vor, das durch Festlegung von Parametern kalibriert wird. Das Modell „lernt“ aus den Daten und passt sein zuvor willkürliches Verhalten an das gewünschte Verhalten an. Mithilfe der Daten wird aus dieser großen Zahl von Ansätzen einer ermittelt, der den Zusammenhang sehr gut darstellt. Durch Ausnutzung der Daten wird ein Algorithmus festgelegt, durch dessen Anwendung eine Entscheidung getroffen wird.

Teilbereiche von Machine Learning

Der Begriff „Künstliche Intelligenz“ umfasst sämtliche Technologien, welche die Nachahmung der menschlichen Intelligenz zum Ziel haben. Machine Learning als Teilgebiet der Künstlichen Intelligenz umfasst sämtliche Werkzeuge, Algorithmen und Methoden zur Konzeption, Modellierung und Umsetzung von KI-Lösungen. Mithilfe von Künstlichen neuronalen Netzen wird die Grundidee der Informationsverarbeitung im menschlichen Gehirn nachgeahmt. Bei Deep Learning handelt es sich schließlich um eine spezielle Methode der Informationsverarbeitung, bei der neuronale Netze mit großen Datenmengen trainiert werden.

Supervised Learning

Algorithmus lernt Funktion aus vorgegebenen Ein- und Ausgabewerten

Semi-supervised Learning

nur für einen Teil der Eingaben sind die dazugehörigen Ausgaben bekannt

Unsupervised Learning

Algorithmus erkennt ohne zusätzliche Vorgabe von Ausgabewerten selbstständig Muster in Eingabedaten, etwa um diese in Klassen einzuteilen („Clustering“)

Reinforcement Learning

Algorithmus lernt durch „Belohnung“ und „Bestrafung“, wie in potentiell auftretenden Situationen zu handeln ist, um Nutzen zu maximieren

Einsatz neuronaler Netze in der Praxis

Beim Einsatz künstlicher neuronaler Netze z. B. für Regressionsschätzungen stellt sich die Frage nach der richtigen Anzahl von Neuronen. Neuronen bestimmen die Freiheitsgrade einer Regression und somit die Speicherkapazität des neuronalen Netzes. Ziel ist es, die Anzahl der Freiheitsgrade möglichst gering zu halten, um zu vermeiden, dass das neuronale Netz die Daten nur auswenig lernt und nicht versteht. Bei einer zu geringen Neuronenanzahl hat das Netz zu wenig Kapazität, um allgemeine Muster erkennen zu können. Es ist zu klein, um die Trainingsdaten zu lernen, die Genauigkeit ist schon auf den Trainingsdaten gering (Underfitting).

Bei zu vielen Neuronen hingegen, ist das Netz zu groß, um verallgemeinern zu müssen, und die Genauigkeit auf unbekannten Eingaben ist gering (Overfitting). Daher muss zwischen den erreichbaren Genauigkeiten auf Basis der bekannten Lerndaten und der Güte im Anwendungsfall für unbekannte Daten stets ein Kompromiss getroffen werden (Generalisierungsfehler). Zur Beurteilung der Qualität neuronaler Netze wurden deshalb Gütemaße entwickelt.

Deep Learning bei der Bilderkennung

Ein erfolgreich auf Mustererkennung trainiertes Deep-Learning-Netz kann große Probleme bei der Klassifikation haben, wenn z. B. in einem Bild zusätzlich ein neues, bisher nicht trainiertes Objekt erscheint. Dann wird möglicherweise im Ganzen etwas anderes, etwas völlig Falsches „erkannt“ und das Machine Learning Modell ordnet den Input der falschen Klasse zu. Das liegt daran, dass das Netz keinerlei semantische Intelligenz besitzt. Weiterhin sind Aussagen, die induktiv gewonnen wurden, stets nur statistische Ergebnisse. Die Entscheidungsregeln sind in einer Blackbox verborgen. Es bleibt also immer ein gewisses Fehlerrisiko erhalten.

Softwaretools und Plattformen für KI-Projekte

Zur Umsetzung von KI-Lösungen stehen diverse Deep-Learning-Frameworks bzw. Plattformen zur Verfügung. Folgende Übersicht zeigt gängige Tools, die wir erfolgreich einsetzen.

CRISP-DM

Cross Industry Standard Process for Data Mining ist ein branchenübergreifender Standardprozess mit einem iterativen, agilen Vorgehen. Er beschreibt allgemeine Ansätze, an denen sich der Ablauf von Data-Science-Projekten orientieren kann. Dabei werden in jeder Phase Punkte hervorgehoben, die beachtet werden müssen, um den gesamten Prozess nachvollziehbar zu gestalten und die Ziele im Blick zu behalten. Auch für uns bietet CRISP-DM ein hilfreicher Rahmen, nach dem wir unser Vorgehen bei Machine Learning- Projekten ausrichten.

1. Geschäftsverständnis

„Bekomme ein Aufgaben- und Prozessverständnis“

Die Projektziele und -anforderungen sind aus der Geschäftsperspektive zu verstehen, um daraus das Data-Mining-Problem zu definieren und einen vorläufigen Plan zum Erreichen der Ziele zu erarbeiten.

Externe Unterstützung kann bei der Abschätzung der Chancen und Risiken durch Digitalisierung und Machine Learning sinnvoll sein.

2. Datenverständnis

„Sichte die Daten und verstehe sie“

Erste Datenerhebung, um sich mit den Daten vertraut zu machen, Datenqualitätsprobleme zu identifizieren, interessante Teilmengen zu erkennen oder Hypothesen zu versteckten Informationen aufzustellen.

Eigener Wissensaufbau ist erforderlich, externe Unterstützung durch Anwendungsexperten, Data Scientists und Steuerungsexperten kann geboten sein.

3. Datenaufbereitung

„Bereite die Daten vor, säubere und transformiere sie“

Die Erstellung des endgültigen Datensatzes: Tabellen, Datensätze und Attribute auswählen, Daten für Modellierungs-werkzeuge transformieren und bereinigen.

Zukaufbare Softwareprodukte können als Werkzeuge zur Beschleunigung des Prozesses eingesetzt werden; allerdings ist dies abhängig von der vorliegenden Qualität der Daten.

4. Modellierung

„Erzeuge Modelle und generiere Wissen“

Auswahl und Anwendung von Modellierungstechniken und Erstellung eines oder mehrerer Modelle, die aus Sicht der Datenanalyse eine hohe Qualität versprechen.

Eventuell ist die Rückkehr in die Phase der Datenaufbereitung erforderlich, um die Form der Daten zu ändern.

5. Auswertung

„Interpretiere die Ergebnisse“

Gründliche Evaluation der erstellten Modelle im Hinblick auf Erfüllung der ML- Ziele und Prüfung, ob ein wichtiges Geschäftsproblem nicht ausreichend berücksichtigt wurde.

Zukaufbare Softwareprodukte mit fertigen Algorithmen und Entwicklerwerkzeugen sind verfügbar; meist sind Anpassungen bis hin zu Neuentwicklungen erforderlich.

6. Bereitstellung

„Setze alles im Prozess um“

Implementierung und Organisation des gewonnenen Wissens zum Nutzen des Kunden. Aufbau einer entsprechend leistungsfähigen IT-Infrastruktur vom Sammeln, Speichern und Auswerten der Daten, bis zum Einspeisen der Ergebnisse in den Prozess.

Zur IT-Integration kann die Unterstützung durch externe Experten erforderlich sein.