Sie sind hier: HomeUnternehmensebeneEngineering

Nachgehakt bei Philipp Wallner: Die KI-Herausforderungen

Die Künstliche Intelligenz (KI) ist ein echtes Hype-Thema, doch konkrete Projekte sind in der Industrie noch Mangelware. Woran das liegt und welche Tools helfen, das zu ändern, erläutert Philipp Wallner.

Philipp Wallner, Mathworks Bildquelle: © The Mathworks

Philipp Wallner ist Industrie-Manager bei Mathowrks.

Herr Wallner, welche Techniken sind für die KI-Umsetzung interessant?

Philipp Wallner: Im breiten Anwendungsfeld von Künstlicher Intelligenz sehen wir, dass vor allem zwei Techniken immer präsenter in der Industrie zu finden sind – Machine Learning und Deep Learning. Beide basieren auf dem Ansatz, dass anstelle eines parametrischen Modells – also ausformulierten Gleichungen – statistische Modelle angewandt auf große Datenmengen zum Einsatz kommen. 

Und was hindert Anwender an der konkreten Umsetzung?

Philipp Wallner: Diese genannten Methoden benötigen signifikante Mengen an vorhandenen Messdaten, um die statistischen Modelle zu trainieren. Diese Daten sind allerdings sehr oft schlichtweg nicht vorhanden. Vor allem Fehlerdaten, also Messdaten aus vorhergehenden Fehlerfällen, fehlen in der Praxis meist in der Größenordnung, in der sie erforderlich wären.

Und was den industriellen Bereich betrifft?

Philipp Wallner: Ein weiterer Grund dafür, dass KI noch nicht breitflächig umgesetzt ist, ist die Tatsache, dass es sich nach wie vor um eine relativ neue Technik handelt, was den Bereich der indus­triellen Fertigung betrifft. Hier müssen die Maschinen- und Anlagenbauer erst die nötige Erfahrung in geeigneten Projekten finden – denn nicht jede Fragestellung ist automatisch gut geeignet für den Einsatz von Maschine Learning oder Deep Learning.

Zudem ist die Integration von KI-Algorithmen in Produktiv­systeme eine Herausforderung. Sowohl für die Entwicklung von Machine-Learning- und Deep-Learning-Algorithmen als auch für deren Implementierung in der Produktion bietet MathWorks eine umfassende Werkzeugpalette.

Was sind die spannendsten Einsatzfelder im Bereich der Fertigung und Produktion?

Philipp Wallner: Der häufigste Anwendungsfall von KI, den wir aktuell sehen, ist der Einsatz für Predictive Maintenance – also die vorausschauende Wartung von Maschinen und Anlagen. Machine-Learning- oder Deep-Learning-Modelle kommen hier zum Einsatz, um zukünftige Entwicklungen aus historischen Daten vorauszusagen und Wartungsintervalle zu optimieren. Die Algorithmen können dabei in das Produktivsystem integriert werden, wo sie als Digital Twin online mitlaufen. Wir beobachten hier insgesamt eine Verschiebung zu mehr datenbasierten Services am Markt.

Ein weiterer Anwendungsfall ist die visuelle Qualitätskontrolle. Auch hier kommen immer öfter Deep-Learning-Netzwerke in Kombination mit herkömmlichen Bildverarbeitungs- und Machine-Vision-Algorithmen zum Einsatz.

Insgesamt spielt hier aber natürlich auch die zunehmend flexiblere Fertigung mit Ziel ‚Losgröße 1‘ eine wesentliche Rolle. So wird etwa vielfach schon der Produktionsfluss dynamisch mit Hilfe von Optimierungsalgorithmen auf unterschiedliche Fertigungsmodule verteilt; Machine Learning oder Deep Learning hilft dabei, die entsprechenden Belastungsgrenzen der Module vorauszusagen.

Welche Werkzeugpalette bietet Mathworks, um KI umzusetzen?

Philipp Wallner: Mit dem Release ‚Matlab R2018b‘ bieten wir die Deep-­Learning-Toolbox, die Ingenieuren und Wissenschaftlern ein Framework bietet, um komplexe Netzarchitekturen leichter zu entwerfen und die Leistung von Deep-Learning-Modellen zu steigern. Zudem sind wir der ONNX-Community bei­getreten, um die Zusammenarbeit zwischen Anwendern von Matlab und anderen Deep-Learning-Frameworks zu er­möglichen. Unterstützt wird der Anwender zudem durch die Deep-Network-Designer-App, mit der komplexe Netz­architekturen erstellt oder vortrainierte Netze für das Transfer Learning verändert werden können. Durch die direkte ­Unterstützung von Nvidia-, Intel- und ARM-Bibliotheken ­werden zudem höhere Leistungen beim Trainieren und bei der Ausführung von Netzen erzielt – und es sind darüber ­hinaus auch höhere Leistungen beim Trainieren durch ­Unterstützung von Cloud-Anbietern möglich. Das Problem der fehlenden Fehlerdaten können Anwender mit Simulink angehen, indem diese einfach simuliert werden.