Der Begriff ‘Künstliche Intelligenz’ (KI) suggeriert, dass Maschinen menschenähnliche Fähigkeiten annehmen könnten. Das ist natürlich nicht der Fall, schraubt aber die Erwartungen hoch. In vielen Vorträgen des ‘Forums Künstliche Intelligenz’, am 14. Mai 2019 veranstaltet von Elektronik, Elektronik automotive und Computer&Automation, kam heraus, dass diese Erwartungen zwangsläufig enttäuscht werden und dass KI viel intelligente Vorarbeit erfordert, wenn sie den Menschen sinnvoll entlasten soll.

Gleich in der ersten Keynote setzte sich Prof. Martin Ruskowski vom DFKI kritisch mit den Fähigkeiten, aber auch den Defiziten von KI auseinander. Die Industrie ist von einer stets fortschreitenden Automatisierung geprägt. Zielrichtung von Industrie 4.0 ist die Herstellung individualisierter Produkte, und das möglichst in Echtzeit. “Aber kein Mensch stellt die Frage nach den Kosten einer so hochgradigen Automatisierung,” konstatierte Ruskowski und zeigte, dass der Mensch im Produktionsablauf eine sehr universelle und intelligente “Maschine” ist.

Gegenüber mechanischen Maschinen fehlt ihm – neben der Geschwindigkeit – nur ein “Feature”: der Ethernet-Anschluss. Hier kann die Künstliche Intelligenz ihre Stärken ausspielen, indem sie Daten aus der Produktion und der Unternehmensebene zusammenführt oder stupide Aufgaben übernimmt, die den Menschen ermüden, z.B. in Form der Bilderkennung in der Qualitätssicherung. Je spezialisierter die Aufgaben sind, desto eher kann Künstliche Intelligenz helfen. KI hat kein Bewusstsein, keinen Willen und keine Zielorientierung. “Neuronale Netze sind strohdumm und können 3,5 Milliarden Jahre Evolution niemals ersetzen”, sagte Ruskowski. Deshalb müssen die Regeln, nach denen die Systeme arbeiten und entscheiden, stets vom Menschen kommen. Sein Fazit: Auch in Zukunft wird der Mensch im Mittelpunkt der Produktion stehen und nicht die Maschine.

Industrie 4.0 braucht KI

Prof. Jörg Wollert wies in seiner Keynote “Industrie 4.0 – Testbed for AI” darauf hin, dass schon in den letzten zehn Jahren viel Künstliche Intelligenz zur Einsatzreife entwickelt wurde, z.B. Schrift- und Spracherkennung. Die Technik werde, sobald sie ganz selbstverständlicher Bestandteil von Produkten sei, überhaupt nicht mehr als »KI« wahrgenommen. Das trifft insbesondere auf die Spracherkennung zu, die in Smartphones, Kfz-Navigationssystemen und Maschinen unauffällig ihre Arbeit verrichtet. Ansonsten schlug er aber aber in dieselbe Kerbe wie Prof. Ruskowski und betonte, dass KI für Industrie 4.0 notwendig sei, um aus den gewonnenen Daten werthaltige Informationen zu erzeugen – etwa für die Vorhersage von Energiebedarf, die Vermeidung von Engpässen, die allgegenwärtige “predictive maintenance” oder in Prozessen, die in Echtzeit ablaufen.

Hier nannte er als Beispiele die dynamische Bewegungssteuerung von Robotern oder das Verhalten von autonomen Fahrzeugen. Bei diesen konzentriert sich Wollerts Institut für Automatisierung und Mechatronik auf die smarte Landwirtschaft. Dieses Feld ist weit weniger brisant als der Straßenverkehr, aber dennoch anspruchsvoll bezogen auf Orientierung, Umgebungserkennung und dynamischem Verhalten. Die autonomen Landmaschinen erkennen die Feldfrüchte und können sie von Unkraut unterscheiden. Das Unkraut wird mit Hochspannung vernichtet, was den Einsatz von Pestiziden stark reduziert. Interessant: Das Training für die Pflanzenerkennung erfolgte nicht mittels echten Fotos, sondern simulierten 3D-Modellen. “Auf diese Weise konnten wir alle Wetter- und Beleuchtungssituationen trainieren. Dadurch ist unsere Erkennungsrate signifikant gestiegen,” sagte Prof. Wollert.

KI versteht die Welt noch nicht

Bei den Fachvorträgen brachte Dr. Wieland Brendel von Layer7.ai ein interessantes Phänomen zur Sprache: Neuronale Netze, die in der Bildverarbeitung eingesetzt werden, erkennen Objekte vorwiegend anhand der Textur, nicht der Gestalt. Er zeigte dazu die Detailaufnahme einer Elefantenhaut, die mit 82 % Wahrscheinlichkeit als solche erkannt wird. Die Silhouette wird dagegen nur mit 7 % Wahrscheinlichkeit erkannt und eher für einen schwarzen Schwan gehalten. Konsequenterweise können Neuronale Netze ein in Puzzleteile zerlegtes Bild immer noch gut erkennen, weil sie Textur-Fragmente wie Augen, Hautflächen oder Zweige, Blätter immer noch einer Person, einem Tier oder einer Pflanze zuordnen können.

Die Klassifzierung beruht also auf der Erkennung lokaler Eigenschaften, nicht einer Gesamtansicht. Das führt dazu, dass für den Menschen unauffällige Änderungen solcher Texturen zu einem völligen Versagen des Erkennungsvorgangs führen, etwa indem die Bedeutung von Verkehrszeichen durch kleine Aufkleber in ihr Gegenteil verkehrt werden kann. Layer7 verwendet deshalb für das Training verfremdete Bilder, die das neuronale Netz verwirren und dazu zwingen, den Fokus stärker auf die Gestalt zu legen. Das macht die Erkennung robuster.

Brendels Fazit: Maschinen können erstaunliche Leistungen vollbringen, haben aber kein Verständnis für Objekte und die größeren Zusammenhänge. Er schloss seinen Vortrag mit: “Noch viel mehr ist möglich, sobald Maschinen unsere Welt verstehen.”

Tools für die Anwendung von KI

Raphael Zingg ist wissenschaftlicher Mitarbeiter am Institut für Embedded Systems der Zürcher Hochschule für Angewandte Wissenschaften (zhaw) und hat sich mit der Anwendung von neuronalen Netzen auf Mikrocontrollern beschäftigt. Für das Training dieser Software-Gebilde ist sehr viel Rechenaufwand und viele Trainingsdaten erforderlich. Deshalb wird das Training auf Hochleistungsrechnern, meistens in der Cloud, ausgeführt. Für die Anwendung, das sog. Inferencing oder Schlussfolgern, reichen auch Mikrocontroller aus. Allerdings muss das neuronale Netz dazu auf die Rechenarchitektur bzw. den Befehlssatz des Mikrocontrollers übertragen werden.

Die Hersteller bieten dazu Werkzeuge an und Raphael Zingg hat zwei miteinander verglichen: CMSIS-NN von Arm und X-Cube-AI von ST Microelectronics. X-Cube-AI ist das komfortablere der beiden Tools: Es validiert und übersetzt die KI-Frameworks bzw. Bibliotheken Keras (TensorFlow), Lasagne, Caffe und ConvNetJs. Das Tool kann die Netze auch komprimieren und generiert dann eine zielsystemspezifische Bibliothek mit AI-Funktionen und Firmware. CMSIS-NN enthält Funktionen zum Ausführen von neuronalen Netzen auf Mikrocontrollern, bietet aber keine Konvertierungsfunktion an. Das bedeutet, dass die Parameter der Netze immer wieder händisch im Quellcode angepasst werden müssen, wenn ein neuer Trainingsvorgang erfolgt ist. Für die Bibliothek Keras hat Zingg allerdings das Tool k2arm geschrieben, das diese Konvertierung von Python zu C erledigt. Der Anwender kann dabei das Festkomma-Format (8 bit oder 16 bit) wählen, das die CMSIS-NN unterstützt. K2arm soll auf Github als Open Source veröffentlicht werden.

Eine Versuchsreihe anhand der MNIST-Daten (Beispieldaten zur Erkennung handgeschriebener Ziffern) erbrachte, dass X-Cube-AI exakt die gleiche Klassifizierungsgenauigkeit liefert wie ein natives Keras. Bei K2arm war die Genauigkeit insbesondere bei 8-bit-Berechnung geringfügig niedriger. Für die praktische Anwendung spielt die Abweichung im Sub-Prozent-Bereich aber keine Rolle. Die Performance auf einem STM32F4Discovery-Board mit Cortex-M4 war mit k2arm allerdings um den Faktor 10 schneller als bei X-Cube-AI.

Fazit von Raphael Zingg: Selbst “größere” neuronale Netze können auf gängigen Mikrocontrollern wie dem Cortex-M4, dank optimierter Frameworks, effizient ausgeführt werden.

Haftung hat mit Haft zu tun

Den Schlusspunkt des Forums setzte die Juristin Susanne Meiners, Newtec. Sie führte das technische Auditorium in die Welt der Rechtsprechung ein, klärte Begriffe wie Zivilrecht, Strafrecht und öffentliches Recht und ordnete diese dem Vertragsrecht, der Produkthaftung, Delikten, EU-Verordungen und der Normengebung zu. Die Rechtsprechung kann mit der schnellen technischen Entwicklung nicht Schritt halten. In einer Dilemma-Situation, wenn ein Autofahrer sich binnen Sekundenbruchteilen entscheiden muss, ob er den Senior oder das Kind überfährt, entlastet ihn der “Notstand in auswegloser Situation”. Für ein autonom gesteuertes Fahrzeug gilt das nicht, denn die Rechtsprechung kennt keine Optimierung im Sinne der Minimierung eines Schadens. Deshalb wäre es z.B. auch nicht rechtens, Passagierflugzeuge abzuschießen, die für einen Terroranschlag wie im Fall des World Trade Centers missbraucht werden. Bisher müssen die Gerichte in solchen Fällen stets langwierige Einzelfallentscheidungen treffen.

Über einen wichtigen Trend im Bereich der Haftung informierte Meiners die Zuhörer: Im Fall von Schäden haftete bisher immer (nur) der Verursacher. Bei vielen Cyber-Sicherheits- und Security-Vorfällen kann der Verursacher jedoch nicht dingfest gemacht oder noch nichteinmal bestimmt werden. Hier hat sich in letzter Zeit herauskristallisiert, dass auch denjenigen, der den Schaden nicht verhindert hat (etwa der IT-Verantwortliche), eine Mitschuld treffen kann. Die Verursacher-Haftung, die dadurch nicht eingeschränkt wird, hat übrigens auch zur Konsequenz, dass derjenige, der etwa eine Hintertür programmiert, ebenfalls in Haftung genommen wird. “Nicht die Firma haftet, sondern derjenige der manipuliert hat”, warnte Meiners. Alle fühlten sich sofort an die Diesel-Krise erinnert.