Manuel Haß & Eric Dörheit sind mit diesem Beitrag im A&D-Kompendium 2020 als einer von 100 Machern der Automation vertreten. Alle Beiträge des A&D-Kompendiums finden Sie in unserer Rubrik Menschen .
Digitalisierung, Internet der Dinge und künstliche Intelligenz sind seit Jahren Schlagworte vieler Publikationen, die sich um die Fertigung der Zukunft drehen. Viele dieser Themen sind nicht neu und erleben eine Renaissance. Nehmen wir den hiesigen Bereich der künstlichen Intelligenz: Schon in den 90er Jahren gab es eine signifikante Verbreitung von Support Vector Machines, Entscheidungsbäumen und auch neuronalen Netzen in zahlreichen, spezifischen Applikationen – häufig allerdings mit weniger Publicity.
Gleichzeitig zeigen eine Vielzahl von Innovationen, dass der jüngste Hype um KI-Technologien keineswegs unbegründet ist: Die Rechenleistung – vor allem auch die Recheneffizienz – ist dramatisch angestiegen und ermöglicht in Kombination mit neuen und verbesserten Algorithmen, Smartphones das Hören und Sprechen beizubringen und Maschinen das Sehen und Interpretieren anzueignen.
Damit sind wir mittlerweile in der Lage kognitive Prozesse, die bis dato der Natur vorbehalten waren, zu automatisieren. So zeigen beispielsweise die Forschungsergebnisse vieler Fahrzeughersteller, Zulieferer und Institute, wie Fahrzeuge ihre Umwelt mittels zahlreicher Sensoren aufnehmen und durch Deep Neural Networks präzise aus- und bewerten können.
Deep Neural Networks im Produktionsalltag
Mit dem Paradigmenwechsel hin zu datengetriebenen Algorithmen halten Deep Neural Networks Einkehr in den Produktionsalltag: Anstatt Algorithmen vollständig manuell zu konzipieren und für die Anwendung zu parametrieren, werden neuronale Netze datengetrieben entwickelt.
Durch das Anlernen mit Trainingsdaten werden die Details und Nuancen der echten Welt offenbart, die sonst nur schwer oder gar nicht durch klassische Methoden in die Algorithmen einfließen können. Hierdurch sinkt nicht nur die Entwicklungszeit, sondern es wird auch die Möglichkeit geschaffen, Lösungen auf neue Produkte und Gegebenheiten zu erweitern und kontinuierlich durch neu gewonnene Daten zu verbessern. Wir stellen uns der Herausforderung, diese Technologien aus den spezifischen Anwendungen einem breiteren Publikum zugänglich zu machen und damit über Bereichs- und Disziplingrenzen hinweg Raum für weitere Innovationen zu schaffen.
Bei Data Spree verfolgen wir die Vision, den Einsatz von Methoden und Ansätzen des Deep Learnings voranzutreiben, indem wir die Entwicklung von Deep Neural Networks so vereinfachen, beschleunigen und verschlanken, dass vom Konzern bis zum KMU jeder von diesen neuen Möglichkeiten zur Automatisierung profitieren kann. Im Hinblick auf die Fertigungsautomatisierung liegt unser Fokus insbesondere in der Bildverarbeitung mit Convolutional Neural Networks. Hiermit erschließen wir, auch in Verbindung mit bestehenden Bildverarbeitungsmethoden, neue Anwendungsfelder mit hoher Geschwindigkeit: Automatische Oberflächenüberprüfung von Naturprodukten wie Hölzer, anlernbare Sortieranlagen für landwirtschaftliche Produkte, Qualitätsüberprüfung unter variablen Umgebungsbedingungen, Beschleunigung von Logistikprozessen durch Pick-and-Place Roboter, Umgang mit individuellen und variantenreichen Produkten durch schnelles Einlernen etc.
In der Smart Factory werden bereits Daten von vielen Prozessschritten extrahiert. In bestehenden Anlagen stecken mit Kameras und Sensoren schon seit Jahren Datenquellen, deren Potential noch nicht vollständig ausgereizt wird. Es wird Zeit, diese Daten für die nächste Innovation zu nutzen.
