Herr Dr. Terwiesch mit der zunehmenden Datenflut in der Industrie stellt sich die Frage, wie man daraus zielführende Informationen für die Fertigung gewinnen kann. Hier kann Künstliche Intelligenz helfen. Wie?
Dr. Peter Terwiesch: Bisher konnten wir Maschinen vor allem beibringen, was numerisch genau bestimmt und anhand von analytischen Modellen programmiert werden konnte. Der Modellbildungsaufwand dafür war hoch, die Modellgenauigkeit aber für viele Betriebssituationen nicht ausreichend.
Die Digitalisierung beschert uns heute eine Flut zusätzlicher Daten, in der wir dank KI und maschinellem Lernen komplexe Muster erkennen können. Damit können Maschinen, Roboter oder Steuerungen auch ohne explizite Modellbildung Ereignisse wahrnehmen, deren Bedeutung erkennen, selbstständig entscheiden, was als Nächstes zu tun ist und sich teilweise sogar selbst beibringen, wie es getan werden muss. Nach wie vor spielt der klassische Regelkreis dabei als Konzept eine wichtige Rolle. Es lassen sich nun aber neue Regelkreise mit Hilfe von neuen Sensorfamilien und bisher ungenutzten Information identifizieren und schließen. Hier greift künstliche Intelligenz, insbesondere maschinelles Lernen um Maschinen und Anlagen fortlaufend daraufhin zu trainieren. Fehlende oder unvollständige Modelle lassen sich so verbessern oder sogar komplett ersetzen.
Ein weiteres interessantes Einsatzgebiet für KI sind intelligente digitale Assistenten. Im persönlichen Alltag ist es heute selbstverständlich geworden, ein Auto oder Telefon nach dem Weg zu fragen. Im industriellen Bereich sind solche Anwendungen aber noch nicht sehr verbreitet. Richtig eingesetzt können sie auch hier Informationen leichter zugänglich machen und die Arbeit mit konkreten Empfehlungen erleichtern.
Bei der Umsetzung solcher Konzepte können wir auf Erfahrungen aus dem konsumnahen Bereich zurückgreifen, wo wir Lösungen bereits erfolgreich anbieten – ohne alles selbst entwickeln zu müssen. Um etwa die Heimautomatisierung von ABB um eine Spracheingabe zur Steuerung von Licht oder Musik zu erweitern, stellen wir die Verbindungen zwischen den Teilsystemen per Intercloud Connectivity her. Das reduziert Installationsaufwand und Schnittstellenprobleme signifikant.
Sehr interessant ist der Ansatz, dass Software lernt, indem sie gegen sich selbst spielt, wie beispielsweise AlphaGo Zero von der Google-Tochter DeepMind. Ließe sich der Effekt dieses „Verstärkungslernens“ auf eine Maschinensteuerung übertragen?
Das ist grundsätzlich möglich, erfordert aber Voraussetzungen, die in der Mehrzahl der Industrieanwendungen nicht gegeben sind. Go hat ein fixes Regelwerk, das sich mit einem festen Modell vollständig beschreiben lässt. Die physische Realität der industriellen Anwendung ist jedoch so vielfältig, dass wir dafür nicht immer genügend informationsreiche Lerndaten zur Verfügung stellen können. Daher kann ein Algorithmus bestimmte Situationen auch nicht vorhersehen.
Anders als bei Brettspielen reicht es auch nicht, so wenig falsche Entscheidungen wie möglich zu treffen. Wenn nicht in jedem Einzelfall garantiert richtig entschieden wird, drohen finanzielle, gesundheitliche oder umweltschädliche Konsequenzen. Verstärkungslernen so zu gestalten, dass es unter allen Bedingungen sicher funktioniert, ist eine anspruchsvolle Aufgabe, an der viele unserer weltweit rund 8.000 Forscher und Entwickler arbeiten.
Heute sind die großen Datenmengen ein Treiber für die Entwicklung von KI, um etwa den „Datenwust“ auf relevante Daten hin zu durchforsten. Am Beispiel Maschinensteuerung: Was will man da erreichen?
Es geht primär darum, den Maschinenbediener bestmöglich zu unterstützen und von Routineaufgaben zu entlasten. Das erreichen wir durch zunehmend autonome Maschinenfunktionen aber auch durch Hinweise auf wichtige Ereignisse und konkrete Handlungsempfehlungen. Das erhöht nicht nur die Sicherheit, sondern ermöglicht auch, dass eine Person mehrere Maschinen gleichzeitig führt.
Machine Learning wird bereits heute eingesetzt, um etwa Prognosen hinsichtlich Bauteillebensdauer oder Ausfallwahrscheinlichkeit genauer stellen zu können, als das ein erfahrener Ingenieur könnte …
Dank maschinellem Lernen und anhand von fast endlos viele Messdaten können wir heute den „Gesundheitszustand“ von Pumpen, Aggregaten oder Maschinen jederzeit diagnostizieren und sogar vorhersagen. Die Anzahl der überwachten Betriebsmittel und einbezogenen Informationsquellen ist dabei praktisch unbegrenzt. Weil es selbst für erfahrene Ingenieure und Wartungspersonal unmöglich ist, diese Datenflut ohne Hilfe zu überblicken, bieten wir mit unserem ABB Ability-Digitalisierungsportfolio eine Reihe von Lösungen, die dabei helfen, die Ausfallsicherheit zu erhöhen, Produktivitätszuwächse zu erzielen und andere Chancen der vierten industriellen Revolution zu nutzen.
In China ist das Thema KI sehr hoch aufgehängt. Suchmaschinenanbieter Baidu beispielsweise baut ein Deep-Learning-Institut auf, mit staatlicher Unterstützung. Inwieweit unterstützt der Staat die Industrie hier in Europa bei diesen Aktivitäten?
Es gibt europaweit Initiativen zur Förderung der KI. Doch wir müssen sehr viel schneller in die konkrete Umsetzung kommen. Dafür braucht es die Einbeziehung starker Uni-Netzwerke und das Zusammenspiel von etablierten Unternehmen mit spezialisierten Start-ups. Hierfür müssen die richtigen Förderungsanreize gesetzt werden – das lässt sich noch optimieren.
Omron hat mit seinem Tischtennis-Roboters Forpheus gezeigt, das Maschinen lernen können und man will diese Technologie in Maschinensteuerungen einsetzen. Welchen Vorteil hätte eine solchermaßen ausgestattete Produktionsmaschine?
Eine lernende Maschine kann sich auf veränderte Umgebungen und Aufgaben einstellen. Das reduziert den Aufwand für Programmierung und Kommissionierung und ermöglicht flexiblere und robustere Produktionsabläufe. Ein Beispiel sind unsere Industrieroboter in Logistikanwendungen:
Die Vielzahl möglicher Teile und ihrer Anordnung müssen nicht mehr vorprogrammiert werden. Vielmehr entscheidet der Roboter selbst, wie er am besten zugreift.
Cyberangriffe auf kritische Infrastrukturen steigen mit zunehmender Vernetzung und Anbindung einzelner Komponenten ans Internet an. Gerade Steuerungen sind hier besonders verwundbar. Auch da soll KI helfen. Wie?
Perfekte Cybersicherheit gibt es genauso wenig wie den perfekten Einbruchschutz. Aber mit den richtigen Maßnahmen lässt sich der Cyberschutz ohne zusätzliche Kosten oder Kompromisse in der Bedienbarkeit erhöhen. KI kann Angriffe nicht komplett verhindern, wohl aber zu deren Erkennung beitragen. Das ist eine wesentliche Säule eines umfassenden Security Management Systems nach gängigen Standards.
Oftmals fehlt die Transparenz auf das eigene (Firmen)Netz. Das macht es Angreifern leichter. Wie kann man in einer immer komplexeren Technologie die Transparenz, sozusagen in Echtzeit, sicherstellen? Das muss ja automatisiert erfolgen?
Ein solches Inventar ist die Grundvoraussetzung, damit KI-Algorithmen Angriffe erkennen können und ist die Basis für weiterführende Funktionen. Wo das nicht vorhanden ist, unterstützen wir unsere Kunden darin, eine umfassende Sicht auf den Datenverkehr zu erlangen und Verbesserungspotentiale zu identifizieren. Dabei arbeiten wir mit verschiedenen Partnern zusammen und können heute bereits in Echtzeit ein umfassendes Bild des Netzwerkzustandes erstellen.
Ein großes Zukunftsthema ist die Resilienz. (Fähigkeit eines Systems, selbst beim Ausfall einiger Komponenten weiter zu funktionieren). Ist das nur ein Thema der Forschung oder schon eine konkrete Forderung aus der Industrie?
Robustheit und Ausfallsicherheit sind seit jeher wichtige Themen der Industrie. Dafür gibt es traditionell Redundanzen, etwa bei Pumpen, Motoren oder kritischen Steuerungselementen. Dank der Innovationen in diesem Bereich könnten sich Systeme bald autonom anhand noch verfügbarer Betriebsmittel neu konfigurieren und flexibel alternative Fertigungsprozesse und Produktionspläne abrufen.
Fragen von Erik Schäfer
Zur Technik
Machine Learning (maschinelles Lernen = Computerprogramme können mit Hilfe von Algorithmen selbstständig Lösungen für neue Probleme finden)
KI (Künstliche Intelligenz = teilgebiet der Informatik, das sich mit der Automatisierung intelligenten Verhaltens befasst)
Deep Learning (Klasse von Optimierungsmethoden künstlicher neuronaler Netze)
Neuronale Netze (Netze aus künstlichen Neuronen) sind Forschungsgegenstand der Neuroinformatik und stellen einen Zweig der künstlichen Intelligenz dar.
