Eine Disziplin der künstlichen Intelligenz (KI) spielt im Kontext der digitalen Vernetzung der Unternehmen eine besondere Rolle: das Machine Learning. Als Teilgebiet der KI ermöglicht es IT-Systemen, durch die Analyse bestehender Datenbestände und Situationen Gesetzmäßigkeiten selbstständig zu er-kennen und darauf aufbauend Lösungen zu entwickeln. Dazu sammelt das System relevante Daten, extrahiert und fasst sie zusammen. Auf dieser Basis erfolgen dann die Vorhersagen.
Gleichzeitig berechnet die künstliche Intelligenz die Wahrscheinlichkeiten für die getroffenen Vorhersagen. Parallel dazu passt sich das System stets an die Entwicklungen eigenständig an und optimiert seine Prozesse anhand erkannter Muster.

Drei wesentliche Anwendungsfelder

Maschinelles Lernen kann in der Produktion im Wesentlichen in drei Feldern implementiert werden: in den Maschinen, im Prozess und im Produkt selbst. Bei den Maschinen und Anlagen dient Machine Learning dazu, den Zustand eines Fertigungsgeräts zu überwachen, potenzielle Fehler zu identifizieren und die Ursache von Ausfällen zu diagnostizieren, um die Anlagensicherheit und -effizienz zu erhöhen. Außerdem versieht es im Predictive Maintanance seinen Dienst. Machine Learning kann aber auch zur Maschinensteuerung verwendet werden. Roboter könnten auf diese Weise autark ihren Dienst nicht nach Anweisung, sondern nach Zielvor­gabe versehen und gegebenenfalls Lösungen sogar zusammen erstellen (self-learning machines).

Machine Learning wird außerdem in der Verbesserung der Produktionsprozesse eingesetzt. Es optimiert dann das Design der Prozesse und Abläufe der Serienproduktion – vor dem Beginn und im laufenden Betrieb. Auch kann es zukünftige Nach-fragetrends voraussagen oder auf Probleme hinweisen, die sich in der Supply Chain ergeben könnten. Ferner verbessert Machine Learning Termin- und Routenplanung in der Logistik, optimiert den Einsatz von Ressourcen und erstellt Prognosen von Durch-laufzeiten. Unternehmen setzen es in der Prozesskontrolle beziehungsweise der Optimierung, wie zur Vorhersage von Prozessparametern oder Produktqualität, ein.

Die Einführung des Machine Learning lässt sich bei der Planung einer neuen 
Fertigungsanlage miteinbeziehen. In diesem Fall wird der Produktionsprozess nicht eingeschränkt oder beeinflusst. Im laufenden Betrieb ist die Implementierung von Machine Learning jedoch ebenfalls möglich. Hier muss das Big-Data-System zunächst getrennt vom Produktionsbetrieb erstellt und in einer Simulation der tatsächlichen Bedingungen getestet werden, indem es Schritt für Schritt in den Realbetrieb überführt wird. Beispielsweise können so erste Maschinen in die Predictive Maintenance eingebunden werden.

Jeder muss lernen…

Daniel Metzger ist Regional Vice President ­Central & Eastern Europe bei Cloudera.

© Cloudera

Doch damit ein System mit künstlicher Intelligenz eigenständig Entscheidungen fällen kann, bedarf es einer Lernphase. 
Diese ist entsprechend aufwendiger als die Eingabe fester Regeln, erschließt aber wesentlich mehr Möglichkeiten, sobald das System implementiert ist.
Der Lernprozess kann auf verschiedene Weise stattfinden. Beim überwachten Lernen definieren und spezifizieren Instruktoren vorab Beispielmodelle, die Informationen passend den Modell-gruppen der Algorithmen zuordnen. Im Gegensatz hierzu bildet das System beim unüberwachten Lernen die notwendigen Modellgruppen anhand eigenhändig erkannter Muster selbst.

Eine Mischform aus beiden Modellen ist das teilüberwachte Lernen. Hier lernt das System zwar eigenständig, wird aber durch ‚Belohnung‘ und ‚Bestrafung‘ in die richtige Richtung gelenkt. Letzteres ist dem natürlichen menschlichen Lernen ähnlich. Neue und neuartige Informationen in einen bereits bekannten Kontext zu integrieren und somit unbekannte Daten beurteilen zu können, bezeichnet man auch mit dem Begriff Lerntransfer.

Die schrittweise Verbesserung der Machine-Learning-Modelle erfolgt über die Art und Weise, wie es sein Wissen ansammelt. Es erzeugt ein Modell mit Beschreibungen von Eingaben, erkannten Kategorien und Zusammenhängen und ermöglicht so erst die Prognosen. Hier kommt ein Clustering-Verfahren zur Einteilung der Daten in verschiedene Kategorien zum Einsatz. Die Einteilung erfolgt dabei anhand von typischen Mustern. Daraus erstellt die künstliche Intelligenz selbstständig Klassifikatoren. Ein Faktor ist der EM-Algorithmus (Expectation-Maximization-Algorithmus oder auch Estimation-Maximization-Algorithmus), der mit einem zufälligen Modell startet, um die wechselnde Zuordnung von Daten zu den jeweiligen Teilen des Modells und die Modell-Parameter an die aktuelle Zuordnung zu optimieren. Er legt somit die Parameter des Modells iterativ so fest, dass es die erkannten Daten gut erklärt.

Neben dem EM-Algorithmus findet beispielsweise die Hauptkomponenten-analyse Anwendung. Sie verzichtet auf die Kategorisierung und setzt vielmehr auf die Übersetzung der erfassten Daten in eine einfachere Repräsentation, die diese ziemlich genau wiedergibt, obwohl die zugrundeliegenden Informationen sehr reduziert vorliegen.

Big Data unerlässlich

Basis für eine ausreichend breite Informationssammlung ist hier eine Big-Data-Plattform, die Daten aus verschiedenen Quellen zusammenfasst und auch aus unstrukturierten Daten ein stimmiges Gesamtbild schafft. Bei Big Data handelt es sich um Datenmengen, die so groß, komplex, schnelllebig oder zu wenig strukturiert sind, als dass herkömmliche Methoden der Datenver-arbeitung ausreichen. Ohne Big Data ist kein maschinelles Lernen vorstellbar, da es erst nach dem Lernprozess mit einer ausreichenden Menge an Daten überhaupt arbeitsfähig ist. Nicht zuletzt ist Big Data darüber hinaus besonders wichtig, da es Daten aus den unterschiedlichsten Produktionsfeldern sammeln und analysieren kann.

Im Produktionsumfeld ist das speziell bei der Einbindung von Sensordaten oder dezentral anfallenden Informationen sichtbar. Denn intelligente Produktionsmethoden schließen immer das Internet of Things (IoT) mit ein. Wichtig ist es dabei, Datensilos zu vermeiden. Darunter versteht man Datenbestände in verschiedenen Orten, auf die beispielsweise nur einzelne Abteilungen Zugriff haben. Außerdem sollte bei der Wahl der Big-Data-Plattform auf ein offenes System gesetzt werden, um einen Vendor-Lock-in, also eine Herstellerbindung an nur einen Hersteller, zu vermeiden.

Dezentrale Datenerfassung

Kommt das Internet of Things ins Spiel, wird oft das Edge-Computing-Modell verfolgt. Hier werden anfallende Daten in Edge-Knotenrechnern dezentral gesammelt und dort bereits konsolidiert, bevor sie an eine zentrale Struktur, etwa ein Haupt-Rechenzentrum, weitergesendet werden. Vorteil ist hier, dass diese Methode bandbreitenschonend ist und nur die Informationen übermittelt werden, die tatsächlich für die Steuerung des Herstellungs-prozesses notwendig sind. Hier können ebenfalls Massendaten anfallen, die in eine Big-Data-Plattform einfließen. Um eine durchgängige Datenverarbeitung und -analyse sicherzustellen, sollten die IT-Verantwortlichen eine Plattform wählen, die hier besonders flexibel agiert – und mit dem Bedarf dynamisch mitwachsen kann.

Um Big Data in der Produktion besonders effizient nutzen zu können, müssen Herstellungsbetriebe klären, wie die entsprechenden Produktionsschritte nicht nur hinsichtlich der Abläufe, sondern auch der organisatorischen Zuordnung angeordnet werden müssen. Welche Daten sind wo notwendig? Welche Herstellungsschritte sind miteinander verzahnt und welche lediglich eine Abfolge voneinander?
Auch gilt es, die Rolle von Zulieferern zu beleuchten. Gerade bei einer Just-in-Time-Fertigung müssen die Lieferketten passend abgebildet sein. Traditionelle Lösungen betrachten oft nur einzelne Prozesse und unterstützen keine korrelierende Betrachtung aktueller Messwerte mit historischen Daten oder eine anschließende einfache beziehungsweise ereignisgesteuerte Anpassung von beispielsweise Schwellenwerten. 

Die Implementierung einer offenen, leistungsfähigen und unternehmens-weiten Datenplattform unterstützt somit in vielfältiger Weise den Produktionsprozess, macht diesen planbarer und sorgt damit auch für höhere Produktivität im gesamten Wertschöpfungsprozess.