Einfluss von Deep Learning auf Betriebsabläufe

Deep Learning ist die Optimierung von künstlichen neuronalen Netzen mit zahlreichen Zwischenlagen (hidden layers) zwischen der Eingabe und der Ausgabe einer Information. Da die innere Struktur komplex und umfangreich ist, lernen die Maschinen “tief”. Nötig ist das, weil manche Dinge, die für den Menschen einfach sind — etwa die Handschrifterkennung -, für einen Roboter ein sehr komplexes Problem darstellen. An dieser Problematik arbeiten seit Jahren große Technologiekonzerne wie Google, Apple oder Tesla. Im Ergebnis solcher Bemühungen entstanden Spracherkennungsprogramme und auch selbstfahrende Autos. Inzwischen profitieren viele Branchen davon.

Neuronale Netze in der Industrie

Im Rahmen der industriellen Fertigung nehmen selbstlernende Maschinen, wenn sie zum Einsatz kommen, naturgemäß einen großen Einfluss auf die Betriebsabläufe. Unter anderem stürzen sich die Anbieter von Bildverarbeitungssystemen auf das Thema. Hier hilft die Technologie des tiefen Lernens von Robotern bei der Automatisierung, der Logistik und der Qualitätskontrolle. Ein Beispiel liefert das Schweizer Unternehmen ViDi, das mit Deep-Learning-Algorithmen Uhrenhersteller, Logistiker und einen Milchproduzenten unterstützt. Auch das schwedische Start-up Unibap nutzt die Technologie, hier geht es um die Identifizierung von Objekten und das Führen von Robotern beispielsweise im Sicherheitsbereich. Der Unibap-Gesellschafter Prof. Lars Asplund (Universität Mälardalen) erklärt, dass die Neuronalen Netze, die schon länger für Formen der Künstlichen Intelligenz entwickelt werden, gerade ein Revival erleben. Jedoch sei es noch ein gewisser Weg bis zum industriellen Einsatz von selbstlernenden Bildverarbeitungssystemen. Das Ziel stehe jedoch fest: Die Algorithmen sollen letztendlich vollkommen autonom über zulässige Toleranzen in der Produktion entscheiden können. Das funktioniert derzeit noch nicht ohne menschliche Kontrolle, jedoch glauben Experten wie Prof. Asplund an den industriellen Großeinsatz etwa ab 2020.

Deep-Learning-Algorithmen im Betriebsablauf

Man stelle sich ein Fließband vor, an welchem ein Arbeiter jedes Teil in Augenschein nimmt und es bei unzulässigen Toleranzen aussortiert. Das Problem dieser Toleranzen sind nicht schlecht eingestellte Maschinen, sondern schleichende Veränderungen bei den Roboterwerkzeugen durch Temperatur, Luftfeuchtigkeit oder vielleicht ein leicht verändertes Schmiermittel. Das Nachjustieren erfolgt dann von Hand. Welcher Fehler auftreten wird, ist von vornherein nicht zu sagen. Der Arbeiter am Band verfügt über einen allgemeinen Erfahrungsschatz und reagiert situativ angemessen. Wäre aber die Anlage fähig, die Intoleranzen mithilfe von Deep Learning korrekt zu bewerten, weil sie eben lernt, was alles passieren kann (schon einmal sank die Temperatur in der Halle unter 18 °C mit dem Ergebnis einer bestimmten Intoleranz), würde sie sich selbst automatisch nachjustieren. Zum Einsatz brächte die Industrie solche Algorithmen allerdings erst dann, wenn sie dem verlässlichen Einfluss der selbstlernenden Maschine auf die Betriebsabläufe absolut vertrauen würde. Hierfür ist noch ein wenig Forschung nötig — und nicht nur das.

Problem von Deep Learning: Rechenleistung

Die zur Verfügung stehende Rechenleistung hat den größten Einfluss auf die Praktikabilität solcher Algorithmen. Rein mathematisch sind die Algorithmen schon über ein halbes Jahrhundert bekannt, die erste Konferenz zur Künstlichen Intelligenz fand 1956 in New Hampshire am Dartmouth College statt. Doch es gab sehr lange keine ausreichend leistungsfähigen Rechner. Das hat sich in den 2000er Jahren geändert und wird sich noch deutlich stärker ändern, wenn Quantencomputing die Marktreife erreicht. Die Rechenleistung, die im Jahr 2017 zur Verfügung steht, kann immerhin schon Bilder in Millisekunden analysieren und dann einen Deep-Learning-Prozess in Gang setzen. Dieser beginnt mit einem Training des Künstlichen Neuronalen Netzes (KNN), bei dem bestimmte Neuronen-Verbindungen aufgebaut, andere gelöscht werden. Die Algorithmen eignen sich für die Steuerung von Anlagen per Bilderkennung, für die Regelungstechnik, die Sendungsverfolgung oder auch einen Einkauf ohne Kasse, den Amazon gerade in seinen Offline-Stores testet. Ein Problem ist allerdings bei zu schwacher Rechenleistung, dass die Trainingsphasen langwierig ausfallen können. Optimierungsprobleme und Überanpassungen können hinzukommen. Solche Probleme hat die Industrie nicht gern, sie würden bei den eng geplanten Produktionsprozessen Verluste verursachen. Unternehmen wie Google und Facebook hingegen wenden Deep-Learning-Algorithmen schon an: Nach unserer Google-Suche “weiß” die Suchmaschine, was wir wahrscheinlich wollen. Die Revolution in der Industrie steht wahrscheinlich kurz bevor.