Noch ist vielen Menschen unklar, was sie von Künstlicher Intelligenz (KI) halten sollen. Die ersten Ansätze des autonomen Fahrens bringen KI näher an den Alltag. Unfälle mit menschlichen Opfern zeigen aber, dass sie kein Allheilmittel ist. Die Industrie hat vor allem das Potenzial von KI im Blick und nutzt sie zunehmend. Speziell im Zusammenhang mit Industrie 4.0 kommt man an KI nicht vorbei. Die Maschinensensorik erzeugt so große Datenmengen, dass der Mensch nicht mehr in der Lage ist, diese schnell genug zu analysieren und klassische Analysemethoden an ihre Grenzen stoßen.
Ein wichtiger Einsatzbereich für KI ist die vorausschauende Wartung (Predictive Maintenance) von Produktionsanlagen und das Qualitätsmanagment. Möglich ist das zum Beispiel über akustische Zustandsüberwachung. Der Verbund ACME 4.0 (Acoustic Condition Monitoring for Industry 4.0) wurde gegründet, um genau das zu ermöglichen. Er entwickelt „selbstadaptierende, autarke Sensorsysteme für akustische Zustandsüberwachung in Industrie 4.0“. Beteiligt sind unter anderem Bosch Rexroth, die Fraunhofer Institute IIS, EAS und IDMT, Infineon, CoSynth und das OFFIS-Institut der Universität Oldenburg.
In der Herstellung von Computer-Chips kann beispielsweise ein kaum hörbares Knistern viel aussagen. Ursache davon sind oft Risse oder Brüche, die beim Testen mit Prüfnadeln im Chip entstehen. „Die Betrachtung von Körperschall an sich ist keine Innovation. Sie entsteht erst aus der Analyse der aufgefangenen Signale“, fasst Projektkoordinator Frank Oppenheimer, R&D Director bei OFFIS, zusammen. Da die Frequenzspektren und ihre zeitliche Abhängigkeit komplex sein können, geht es nicht ohne KI. Die größte Herausforderung besteht darin, dem Computer beizubringen, aus den Geräuschen einer Anlage nur die herauszufiltern, die auf Fehler schließen lassen. Erschwerend kommt hinzu, dass in der Chipproduktion die leisen Fehlergeräusche schwer identifizierbar sind und sich mit Produktionsgeräuschen überlagern.
KI erzeugt selbst Daten
KI steht nicht nur für das Erkennen von Mustern in vorhandenen Daten. Das zeigte Googles Go-Software AlphaGo. Sie spielt das Brettspiel Go gegen sich selbst, nur auf Basis der Regeln und besiegte schließlich den damaligen Weltranglistenersten Ke Jie. KI kann somit selbst Daten erzeugen und sie anwenden. Sie benötigt dafür aber ein ausreichendes Regelwerk oder genügend Daten zum Anlernen. Beim autonome Fahren ist das eines der Probleme, da bisher weder ausreichend Daten, noch ein alle Aspekte umfassendes Regelwerk vorliegen.
Sicherheit in industriellen Prozessen über Bilderkennung umzusetzen ist einfacher, da in der Umgebung immer die gleichen Formen auftauchen. Die akustischen Sensoren brauchen dafür allerdings sehr genaue Ohren, da der Unterschied zwischen dem Klang einer einwandfrei funktionierenden und einer abstürzenden Maschine mitunter klein ist.
Dazu kommt ein generelles Problem. „Eine Herausforderung in der Anwendung von KI ist es, die Algorithmen transparent und somit verständlich zu gestalten“, erklärt Tobias Clauß, Wissenschaftler am Fraunhofer IDMT. Die Entscheidung des Algorithmus muss für den Anwender nachvollziehbar gemacht werden.
Simulationszeit um bis zu 90 Prozent reduzieren
Aber auch bei der Entwicklung von Chips wird KI wirksam. Electronic Design Automation (EDA), zu Deutsch Entwurfsautomatisierung elektronischer Systeme, bezeichnet rechnergestützte Hilfsmittel für den Entwurf von elektronischen Systemen, insbesondere der Mikroelektronik. Derzeit experimentieren viele Entwickler von EDA-Werkzeugen mit KI.
„Simulation wird bei der Entwicklung elektronischer Bauteile eingesetzt, um zu überprüfen, ob ein korrekter Chip entwickelt wird. KI lernt dafür den Zusammenhang von Ergebnissen, die man mittels Simulation ermittelt und schätzt dann bei zukünftigen Simulationen die Ergebnisse. Dadurch lässt sich die Simulationszeit um bis zu 90 Prozent reduzieren. KI kann aber auch die Simulationen bezüglich ihrer Wichtigkeit bewerten und dafür sorgen, dass zunächst die wesentlicheren Simulationen ausgeführt werden. Dadurch stößt man schneller auf Fehler“, berichtet Professor Wolfgang Ecker, Senior Principal bei Infineon.
Spart also KI Geld? Das lässt sich nicht pauschal beantworten. Ecker verweist auf Fälle, in denen der KI-Einsatz große Einsparungen, beispielsweise um den Faktor 10 brachte. Er berichtet aber auch von Fällen, in denen sie nichts bringt. „Ich kann mir einen Faktor zwei vorstellen. Dazu ist aber auf dem Gebiet noch viel anwendungsbezogene Forschung notwendig“, bilanziert er. Seiner Meinung nach ist KI eine Lösung, die nach ihrer Anwendung sucht.
KI benötigt eine neue Prozessorgeneration
Auch technisch gibt es noch einigen Klärungsbedarf. Auch leistungsstarke CPUs sind zu langsam, weswegen viele Anwender auf Grafikkarten ausweichen. Diese sind zwar schneller, weil sie mehrere Vorgänge parallel abarbeiten, verbrauchen aber viel Strom. KI benötigt deshalb eine neue Prozessorgeneration.
Momentan stürzen sich viele Firmen auf diese Materie. Intel hat für KI beispielsweise das Projekt Loihi ins Leben gerufen. Das Stichwort ist Neuromorphic Computing und eigentlich nicht neu. Entwickler wollen dabei Chips schaffen, die weniger wie ein klassischer Computer und eher wie ein menschliches Gehirn funktionieren. Der Loihi-Chip nutzt künstliche Neuronen und Synapsen und ist selbstlernend, imitiert also das menschliche Gehirn. Er soll 130.000 Neuronen sowie 130 Millionen Synapsen aufweisen.
Der Loihi-Testchip ermöglicht so ein äußerst flexibles Lernen auf dem Chip. Dadurch können Maschinen autonom arbeiten und sich in Echtzeit anpassen, anstatt auf das nächste Update aus der Cloud zu warten. Verglichen mit konventionellen neuronalen und Deep-Learning-Netzwerken benötigt dieser Chip viel weniger Ressourcen für die gleiche Aufgabe. Außerdem soll er Intel zufolge je nach Architektur eine zwei- bis über 50-fach bessere Energieeffizienz als herkömmliche Architekturen bieten.
