Explainability in KI- und ML-Systemen
Ohne Spezialwissen zu Ergebnissen
Gerade bei innovativen Technologien wie künstlicher Intelligenz ist die Bedienung nicht erste Priorität der Softwarehersteller. Aus Sicht der Industrie ist das bedauerlich, denn anlagennah Beschäftigte haben oft die interessantesten Impulse für werksnahe KI-Projekte. Über integrierte Explainability rücken KI-Tools nun näher an die Prozessspezialisten heran.
Female worker operate CNC machine while supervisor monitoring procedure
Bild: PerfectPattern GmbH

Sollen im industriellen Internet der Dinge (IIoT) Fragestellungen mit KI-Technologien wie Machine Learning beantworten werden, muss ein weiter Bogen geschlagen werden, um zu Ergebnissen zu kommen: Vom spezifischen Produktionswissen hin zu KI, Datenwissenschaft und Modellbildung und zurück zu Erkenntnissen, die im Produktionsalltag umsetzbar sind. Mit der Zahl der Projektbeteiligten steigt das Risiko für Missverständnisse, Einschränkungen und Vereinfachungen oder von zu akademischen Ergebnissen. Je selbständiger Mitarbeiter mit KI-Tools arbeiten können, die sich mit den Anlagen auskennen, umso größer sind meist die Aussichten auf greifbare Verbesserungen. Eine Voraussetzung dafür ist die sogenannte Explainability. Damit gemeint ist die Fähigkeit der Systeme, eine für Menschen interpretierbare Beschreibung der Ergebnisse bereitzustellen. Denn um Prozesse zu optimieren, gilt es nicht nur zu wissen, was passiert, sondern auch warum. Eine weitere Voraussetzung ist eine möglichst benutzerfreundliche Bedienbarkeit der KI-Systeme. So sollten diese alles, was zur Lösung der Fragestellung relevant ist und nicht von den Anwendern geliefert werden kann, selbst herausfinden.

Beispiel Textilindustrie

Ein Anwendungsbeispiel von Machine Learning in der Produktion ist die Stoffherstellung in der Textilindustrie. Neuere Maschinen liefern über unterschiedliche Sensoren qualitätsrelevante Daten – beispielsweise zur Feinheit und Qualität des Stoffbandes, zum Druck auf den Walzen, Garnfehlern, dem Fadenlauf oder zu Knoten im Garn. Um die Qualität zu verbessern kann ein KI-Modell entwickelt und trainiert werden, das auf Basis der Sensordaten die Qualität vorhersagen kann. Früher mussten für solche Projekte Dienstleister ohne Domänenwissen beauftragt werden. Neuere Software-Tools ermöglichen es nach dem Import kompletter Pools von Rohdaten, sehr verschiedene Fragestellungen zu adressieren, ohne die Daten erneut anfassen zu müssen. Das Modell zur Beantwortung generiert und trainiert sich selbst. Damit rückt KI-Technik einen großen Schritt näher an den industriellen Anwender heran.

PerfectPattern GmbH

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige