Episode 04: Künstliche Intelligenz auf dem Prüfstand: Wo stehen wir, wo geht es hin?
Einblick. Zweiblick. Weitblick. Digitale Services im Gespräch ·
Show notes
Künstliche Intelligenz kann dabei helfen, Anlagenverfügbarkeiten, Prozesseffizienz und Produktqualität zu steigern. Doch wie genau funktioniert das und welche weiteren Chancen bietet uns KI? Welche Risiken gibt es? In unserer neuen Episode betrachten wir das spannende Feld der Künstlichen Intelligenz aus der Industrie- und aus der Forschungsperspektive. Unsere KI-Experten Prof. Dr. Alois Knoll von der TU München und Dr. Ralph Grothmann, Leiter eines Siemens Data Lab, erklären unter anderem, welche neuen Modelle für den industriellen Service denkbar sind. Sie wollen mehr erfahren? In unserer exklusiven Service-Digithek gibt es spannende Zusatzinfos: Whitepaper, Experten Talks, Transkripte der Podcasts und Vieles mehr. Nutzen Sie außerdem die Chance uns ein Feedback zu geben oder nehmen Sie gleich mit uns Kontakt auf: Exklusive Service-Digithek
Transcript
Ein Blick, Zweiblick, Weitblick Digitale Services im Gespräch. Herzlich willkommen zu unserer heutigen Folge des Podcasts Einblick, Zweiblick Weitblick Digitale Services im Gespräch. Mein Name ist Katja Lübke, und ich möchte heute gemeinsam mit unseren Gästen einen genaueren Blick auf das große Feld der künstlichen Intelligenz werfen und natürlich auch darauf, was KI bei Digitalen Services. bewirkt oder auch verändert. Und dazu habe ich zwei interessante Gesprächspartner an Bord. Zum einen Dr. Alois Knoll, Inhaber eines Robotik Lehrstuhls und Dr. Ralf Grotmann, KI-Experte bei Siemens. Stellen Sie sich doch gerne beide auch einmal kurz vor. Ja, mein Name ist Knoll. Ich bin an der TU München, Lehrstuhlinhaber für KI. Robotik und Echtzeitsysteme seit 2001 und bin in dem Feld unterwegs seit Mitte der 80er Jahre und habe viele Höhen und Tiefen der KI oder dem, was sich so genannt hat und nennt, erlebt und sehe mit großer Freude, dass das Thema inzwischen in der Mitte der Gesellschaft angekommen ist. Ich muss sagen, Herr Knoll, mir geht es ähnlich. Mein Name ist Ralf Grotmann. Ich bin im Thema Maschinelles Lernen, künstliche Intelligenz. Seit nunmehr auch 20, 25 Jahren verbunden in unterschiedlichen Funktionen. Auch in der Siemens AG begonnen habe ich meine Reise in Bezug auf künstliche Intelligenz bei der zentralen Forschung und Entwicklung damals schon mit der Vision, ob nicht in jedem Produkt oder Service von Siemens irgendwann mal eine künstliche Intelligenz auftauchen kann. Und mittlerweile verantworte ich für die Siemens in Deutschland einen Dalab und bemühe mich darum. Unsere Lösungen im Bereich maschinelles Lernen und künstliche Intelligenz zu unseren Kunden zu bringen. Was genau hat Siemens mit künstlicher Intelligenz zu tun? Und warum ist es wichtig, darüber zu sprechen? Künstliche Intelligenz ist eine Querschnittstechnologie. Man kann Daten analysieren, mit einem Teilbereich der künstlichen Intelligenz Muster in den Daten erkennen. Und damit kann man natürlich verschiedenste industrielle Fragestellungen adressieren. Also auf der einen Seite. Ich kann mir eine Anlage, eine Baugruppe, eine Komponente angucken, die Daten, die sie emittiert und mich fragen, geht es der Baugruppe gut im Hinblick auf präventive Wartung? Ich kann mir einen Produktionsprozess angucken, die Interaktion von verschiedenen Prozessstufen und kann Muster identifizieren, die für gute oder schlechte Produktqualität sprechen. Ich kann über konventionelle, beispielsweise Bilddatenanalyseverfahren, die häufig sehr stark auf Kontrastunterschiede fokussieren, Modelle bauen, die in der Lage sind, Eigenschaften von Objekten zu erkennen oder Objekte zu lokalisieren und damit. Die Prozesseffizienz steigern, beispielsweise, indem ich visuelle Qualitätsinspektion mit einer künstlichen Intelligenz durchführe. Also das heißt, wohl die darunterliegende Technologie an vielen Stellen die gleiche ist, ist die Gemeinsamkeit, dass die Problemstellungen in ihrem mathematischen Kern Gemeinsamkeiten haben, die von dieser Technologie adressiert werden können. Und gerade im industriellen Umfeld ist das sehr wichtig. Und ich glaube, bei Siemens ist es auch noch ein weiterer. Vorteil, dass wir aus der Industriedomäne kommen und dass wir verstehen, wie bestimmte Industrieprozesse ablaufen. Es ist einfach wichtig, ein Verständnis für den Prozess und die Daten zu haben, für die Anlage zu haben, um dann auch eine gute Modellierung machen zu können. Es ist eine Modellierung, die rein auf Daten basiert, Rechenleistung und dann ein Modell wählt, greift an vielen Stellen zu kurz. Intellektuelle Erkenntnis ist immer noch wichtig. Und viele Theorien, die wir auch aus wissenschaftlicher Sicht gesehen haben, konnte man erst sehr viel später an Daten nachvollziehen. Beispielsweise, wenn Sie sich überlegen, Isaac Newton, ein Körper, auf den eine Kraft ausgeübt wird, der bewegt sich in eine Richtung weiter. Das können Sie nicht in Daten sehen, weil sie immer Luftwiderstand Reibung haben und ein Körper halt nach einer bestimmten Strecke stehenbleibt. Und trotzdem ist die intellektuelle Erkenntnis, dass Newton Recht hat, und eine KI hätte an der Stelle niemals Newton reproduzieren oder derartige Gravitationsgesetze erkennen können. Also, es ist ein Zusammenspiel aus dem Verständnis. eines Prozesses, einem Verständnis der Daten, der Auswahl der richtigen Methodik und dann auch die richtige Frage zu stellen. Inwiefern ähnelt die künstliche Intelligenz denn jetzt einem menschlichen Gehirn? Ich bin ja nun auch sehr aktiv im Human Brain Project, dem größten ICT- Projekt der EU. Da ist ja eines der proklamierten Ziele, zumindest Teile des menschlichen Gehirns zu simulieren. Ja, wir sind da auch im Laufe der letzten 10 Jahre deutlich weitergekommen. Also, wir haben viel bessere Modelle dessen, was im Gehirn oder im biologischen Gehirn passiert. Wir können das sehr viel besser simulieren. Auch da kommt uns natürlich der Rechenleistungszuwachs sehr entgegen. Das Human Brain Project ist ja, wenn Sie so wollen, eine Nachfolger des Blue Brain Projects, wo Henry Markham an der EPFL ab 2004, glaube ich, einen kleinen Teil, eine kortikale Spalte eines menschlichen Gehirns simuliert hat in all ihren Facetten. Ja. Und diese Simulation hat also eine Großrechenanlage, wenn Sie sozusagen 5 Sekunden oder 2 Sekunden der Vorgänge in so einer kortikalpalte mit ungefähr 70.000 Neuronen. Das ist wirklich ein winziger Bruchteil eines biologischen Gehirns. Nehmen Sie die Spezies, welche Sie wollen. Um das zu simulieren, braucht man dann eine ganze Woche. Das ist heute natürlich zusammengeschrumpft auf ein paar Minuten. Aber es ist halt immer noch alles andere als Echtzeit. Und damit sind wir weit von der praktischen Einsatzfähigkeit entfernt. Und das bringt uns zu einem anderen Punkt, nämlich die Frage: Wie genau wollen wir das denn modellieren, oder wie genau müssen wir es modellieren, um eine bestimmte Aufgabe zu erfüllen? Und was können wir gegebenenfalls vernachlässigen? Die sogenannten künstlichen neuronalen Netzen, die wir im Moment haben und das die ganzen Netze. Im Zusammenhang mit dem Deep Learning sind ja nur sehr, sehr krude Annäherungen an das, was wir, was tatsächlich biologische Gehirne ausmacht. Und deshalb kann man auch nicht erwarten, dass man von dort, sagen wir mal, sehr nahe kommt einem Nachbau dieser universellen Fähigkeiten, die biologische Gehirne in biologischen Körpern entwickelt haben, sowohl Individualentwicklung als auch Stammesentwicklung. Dass man dem auch nur nahe kommt. Aber das muss man dann halt entscheiden. Also für eine technische Anwendung ist es durchaus in Ordnung, wenn man da eine sehr grobe Annäherung macht. Aus wissenschaftlicher Sicht möchte man natürlich dann schon genau verstehen, was da passiert. Und R Palman hat mal gesagt, ich habe nur das verstanden, was ich nachbauen kann. Und dem würde ich eigentlich auch zustimmen. Also, wenn wir zumindest im Prinzip bestimmte Dinge nachbauen können, erst dann haben wir sie wirklich verstanden. Insofern hat die KI oder sagen wir mal das Streben, eine Intelligenz nachzubauen, in dem Fall unserer eigene auch einen enormen erkenntnistheoretischen Wert. Ralph, kannst du uns mal ein Beispiel nennen, welches Projekt du zuletzt bei Siemens mit künstlicher Intelligenz realisiert hast? Wir haben gerade ein Projekt realisiert, wo wir in einem Hochregallager uns Regalbediengeräte angeschaut haben. Also die technische. Systeme, die eine Palette ins Regal bringen oder wieder aus dem Regal holen und uns hier die Frage gestellt haben. Wie kann ich denn mit KI den Gesundheitszustand eines solchen Regalbediengerätes erkennen? Also hier wählt man Daten aus, die beispielsweise den einwandfreien und störungsfreien Betrieb des Gerätes repräsentieren. Und man lernt ein Modell, das nur auf diesen Daten. arbeitet. Und das Systemverhalten wird dann gemessen gegenüber dem aktuellen Zustand des Gerätes. Und stellt man Abweichungen fest, so interpretiert man diese Abweichungen als Anomalie. Also das heißt, das KI-Modell ist der Bezugspunkt und Abweichungen des realen Systems vom Modell werden als Störungen interpretiert. Und was ist dabei jetzt besonders? wichtig. Was steht hier im Mittelpunkt? Zentraler Punkt im Hinblick auf die Verbesserung von Produktionsprozessen mit künstlicher Intelligenz ist, Modelle zu bauen, die ihnen frühzeitig Aufschluss geben, wie sich eine Produktqualität entwickeln wird. Also denken Sie beispielsweise an eine Bierproduktion. Sie haben auf der Eingangsseite natürlich schwankende Rohstoffe, die Qualität von Gerste, von Hopfen oder von Malz. Ähm, Sie haben einen Brauprozess mit auch verschiedensten Variablen und Stellgrößen, ähm, der teilweise auch nur von menschlichen Experten und Expertinnen verstanden werden kann. Dann auch eine dezidierte Vorstellung, wie sich ihr Produkt, also das Bier gegenüber anderen Bieren abheben soll im Hinblick auf Geschmack, auf den Alkoholgehalt und verschiedenste Charakteristika. Und hier kann KI helfen, eine Brücke zu schlagen, den Produktionsprozess nicht nur objektivierbarer zu machen, sondern auch frühzeitig zu erkennen, wenn Fehlmengen oder. Blick auf das eine oder andere Qualitätscharakteristikum nicht die ausreichende Qualität produziert werden wird. Also das heißt, KI kann virtuelles testen und insoweithin Produktion effizienter gestalten. Es ist eine Stufe, eine Prognose zu machen. Eine andere darüber hinausgehende Stufe ist, die KI zu fragen: Welche größe im Prozess sollte ich ändern im Sinne einer Regelung? Autonom, um eine gewünschte Bierqualität zu realisieren. Und das ist noch mal eine ganz neue Dimension, nicht nur eine Entscheidungsunterstützung oder Vorbereitung zu geben für den Menschen, sondern auch in einen Prozess einzugreifen. Und gerade aus dem Bereich der Spiele und aus der Interaktion haben wir gesehen, dass KI Strategien lernen kann. Also das heißt, hier ist sehr viel nicht nur Wissen über den Prozess, sondern auch Wissen und Arbeit zu leisten. Blick auf die Weiterentwicklung von KI, um sie industriell nutzbar zu machen. Wir haben vorhin davon gesprochen, dass künstliche Intelligenz unter anderem auch für Dienstleistungen eingesetzt wird. Welche Rolle spielt die KI denn bei klassischen Serviceleistungen? Die KI kann auf der einen Seite Services unterstützen. Also nehmen Sie einen Servicetechniker, der Wartungsmaßnahmen an einer Anlage durchführt und der KI als ein neues Diagnoseinstrument nutzen kann, aber auch KI selber beziehungsweise aus der Anwendung von KI. ergeben sich Services, also sprich für Kunden Prognosemodelle zu erstellen, sie zu warten und zu pflegen, sie an neue Daten anzupassen und auch für eine möglichst gute Modellqualität zu garantieren. Auch das sind Services, die für Produktion. Prozesse erbracht werden können, damit der Kunde sich auf seine Kernkompetenz konzentrieren kann. Wie wichtig ist denn eine gute Rechenleistung für künstliche Intelligenz? Rechenleistung und vor allen Dingen auch die Möglichkeit, performant Daten in großer Menge zu speichern, ermöglicht oder begünstigt den Einsatz von KI. Also gerade das Lernen aus Daten erfordert halt Rechenleistung. Lernen ist Parameter Optimierung. Aber es ist auch trügerisch zu glauben, dass man mit Rechenleistung und vielen Daten alleine eine Problemstellung lösen kann, ist oftmals misleading für bestimmte industrielle Problemstellungen, beispielsweise wenn es darum geht, präventive Wartung zu unterstützen. Also das heißt, Fehlerbilder in Anlagen oder in Komponentenaten zu erkennen, muss man auf der einen Seite als menschlicher Experte schauen. Was steckt in den Daten, also einen Antrieb, einen Motor entsprechend mit seinen verschiedenen Signalen ganzheitlich zu sehen, zu bewerten, Fehlerbilder zu klassifizieren und dann die richtigen Daten für die KI auszuwählen und auch. Zu sagen: Welche Daten sind für die Komplexität des Problems angemessen und adäquat? Wie muss der Umfang einer solchen Datenstichprobe sein? Ansonsten verliert man sich. Ralf. Wo geht denn die Zukunft bezüglich KI für Siemens hin? Gibt es schon Zukunftsprojekte? Was ist da geplant? Worauf es mir an. Kommt, ist immer zu schauen, nicht nur monolithisch zu sein, mit einem Modell, also ein Modell zu haben, was beispielsweise nur Bilddaten analysiert, ein anderes Modell zu haben, was dann nur auf numerische Variablen Sensorwerte beispielsweise guckt und so Teilexperten heranzuziehen, die man dann in irgendeiner Weise wieder in ihrer Bewertung eines Gesamtsystems kombiniert, sondern Integrativ Modelle zu haben, die parallel unterschiedliche Datenquellen adressieren und dann nicht nur eine Bewertung eines Zustandes vornehmen, sondern auch dann gleichzeitig noch eine Handlungsempfehlung oder einen Steuerungsvorschlag geben. Und das ist auch eine Form von Datenanalyse und von maschinellem Lernen, der bis heute noch nicht ausreichend bearbeitet wurde. Jetzt. Arbeiten Sie, Herr Knoll, an einer Universität und lehren dort unter anderem zu künstlicher Intelligenz. Wie genau kann ich mir diese Lehre vorstellen? Was machen Sie dann mit den Studenten? Können Sie da auch praktisch etwas handhaben? Zur KI? Also eine Sache, die wir jetzt vielleicht noch gar nicht angesprochen haben, ist die Tatsache, dass diese Rechenleistung heute ja sehr viel billiger ist. Und das hat natürlich auch Rückwirkungen auf die Ausbildung. Also, wenn wir jetzt mit unseren Studenten. KI machen oder sie in die KI einführen, dann gibt es natürlich auf der einen Seite die theoretischen Grundlagen, aber auf der anderen Seite kann man eben heute auch sehr schön gerade Schachprogramme sehr einfach umsetzen. Das ist jetzt wirklich kein Zauberwerk mehr. Und das zeigt eben auch den Fortschritt in der Software Technik, dass heute im Prinzip jeder solche Dinge im Grunde zu Hause mit einem kleinen Rechner für 50 € nachprogrammieren kann. Und dabei sehr gute Leistung zeugt. Das heißt also Schach oder beispielsweise eben auch Mustererkennung, in dem Fall Erkennung von Objekten oder auch das Mitfahren in einem Auto bei gleichzeitiger Aufnahme des Straßenbildes und dann hinterher offline oder auch durchaus online die Erkennung von Fahrspuren. Das sind alles Sachen, die man heute auf studentischem Niveau sehr leicht machen kann und die wir auch dann natürlich mit großem. Erfolg machen, weil das immer ein Aha Erlebnis gibt. Also wow, mein Rechner kann mich erkennen. Und das in der Tat ist das, was man vor 20 Jahren, einmal vor 15 Jahren keinesfalls hätte machen können. Heute ist das überhaupt kein Problem mehr. Das heißt also, wir sehen hier auch, dass natürlich auch eine enorme Demokratisierung dieser Technologie gegeben hat. Wer das machen möchte, wer das nachvollziehen möchte, wer nicht irgendwelchen. Leuten nachläuft, die da Schlimmes behaupten wollen. Das kann man alles ausprobieren. Man kann es nachvollziehen auf jeder einzelnen Stufe. Und ich kann nur jedem empfehlen, das tatsächlich auch zu machen. Als Ergänzung dazu. Ralph. Wie sieht es denn jetzt gegenüber der Lehre an einer Universität im industriellen Umfeld aus? Im Industriellen ist es noch teilweise ein etwas anderes aus meiner Sicht. beispielsweise künstliche Intelligenz in sicherheitskritischen Anwendungen. Also kann ich wirklich garantieren, dass ein Modell nur in einem bestimmten Datenbereich. Auch richtig gut funktioniert. Kann ich verstehen, was das Modell macht. Kann ich dem Modell vertrauen? Das sind beispielsweise Fragestellungen, die zu beantworten sind, bevor man gerade im industriellen Umfeld derartige Verfahren und Technologien anwendet. Und wir gucken uns das auch ganz genau an. Eine weitere Herausforderung meines Erachtens bei künstlicher Intelligenz ist wie robust ist sie? Industrielle Umgebungen sind oftmals nicht störungsfrei. Die Frage ist: Wie geht KI mit Störungen um? Mit unsauberen Daten, mit verschmutzten Sensorwerten, wenn Sensoren ausfallen oder verzerrt sind? Was macht. Was heißt das für das Modellergebnis? Und ich denke, wir, wir sind heute in der Lage, gute KI-Modelle zu bauen, wenn wir sehr viel Arbeit und Zeit investieren. Die Frage aber ist wie skaliert so etwas? Also wie skaliert etwas von einer Fragestellung? Also nehmen Sie den Brauprozess, von dem ich gerade gesprochen habe. Das haben Sie bei einer Brauerei gelöst. Kann man so ein Modell auch auf eine andere Brauerei oder auf einen vergleichbaren Prozess übertragen? Und das sind gerade Fragen, die im industriellen Kontext meines Erachtens sehr wichtig sind. Naja, ich meine, wie im Brennglas. Sehen Sie das ja bei der Fahrer ist autonomen Fahrenzt, nicht. Also, das ist ja 11 inzwischen schon fast klassisches, noch nicht umgesetztes, aber fast schon klassisches Problemfeld für den Einsatz von KI. Sie haben hier ständig wechselnde Außenbedingungen. Ja, das Fahrzeug ist irgendwo, wo es vielleicht vorher noch nie war. Wie können Sie gewährleisten, dass es sich da zurechtfindet, wenn ein Unfall passiert? Wie können Sie nachweisen, dass die steuernde KI nicht den Fehler verursacht hat, sondern vielleicht der menschliche Fahrer? Wie ist das überhaupt mit der Zuverlässigkeit und mit der Nachvollziehbarkeit gibt es da eine Produkthaftung? Das Problem ist einfach, dass wir hier oder die Herausforderung, sagt man ja heutzutage Probleme gibt es ja nicht mehr als die Herausforderung ist, dass man hier mit sehr komplexen Systemen zu tun hat, die man trainiert. Und bei denen man dann eben nicht mehr für alle Betriebszustände sagen kann. Das wird die Systemantwort sein. Das ist ja gerade das, was man nicht möchte, sondern man möchte ja eine Flexibilität haben, so viele Menschen das ja auch. Sie können, was weiß ich, Ihr Kind. Sie zeigen ihrem Kind, was ein Flur ist. Ja, und dann kann es dem nächsten Flur, egal, wo der ist weltweit kann es dann einfach entlang laufen, ohne ständig rechts und links gegen die Wand zu knallen. Das bringen Sie meinem Auto bei. Ja, das ist nämlich keineswegs trivial. Und jetzt ist halt wirklich die Frage: Wie schaffen wir es auf der einen Seite diese Übertragbarkeit. Also, ich bin auf einer Straße. Und dann möchte ich aber auf der anderen Straße auch gefahren werden als Passagier. Wie kriegen Sie das hin? Wie können Sie also die Entscheidung dieses Steuer, dieses Gehirns im Auto? Wie können Sie nachvollziehbar machen? Wie können Sie eben auch garantieren? Das wird der TÜV sicher verlangen. Ja. Wie können Sie garantieren, dass das Auto in keiner auch nur entfernt wahrscheinlichen Umweltsituation plötzlich einen Fehler macht und dann Menschenleben. Auf dem Spiel stehen oder auch nur Sachschaden entsteht. Wenn man an künstliche Intelligenz denkt, dann kommen dem einen oder anderen sicherlich Filme mit weltbeherrschender Software in den Kopf, die alles und auch jeden steuert und auch jeden im Griff hat. Inwiefern entspricht das der Realität beziehungsweise was ist KI im wirklichen Leben? Wir haben es tatsächlich hier mit einem gewissen Problem zu tun, weil halt viele Leute Terminator und ganz böse Maschinen mit KI in Verbindung bringen. Dabei hat das, was nun tatsächlich entwickelt wurde, in den letzten 60 Jahren, damit überhaupt nichts zu tun. Ich glaube, so weit kann man gehen, das zu sagen. Wir uns kurz in die Geschichte der KI mal zurückversetzen oder in die Anfänge der KI zurückversetzen. Dann ist es losgegangen. 1956 mit diesem Begriff, mit einem Workshop, das die damals wohl bekanntesten Mathematiker und Informatiker. Informatik gab es damals noch nicht als Begriff, aber wer sich halt mit Information beschäftigt hat, der war sozusagen prädestiniert. Die Frage damals war, was können wir denn mit den Rechenleistungen, die man damals zur Verfügung hat und die natürlich aus Sicht der damaligen Zeitgenossen schon enorm waren? Wie kann man denn damit unter Umständen Intelligenzleistungen des Menschen? Nachvollziehen. Und die Themen, die sie sich damals vorgenommen haben, waren schon sehr anspruchsvoll. Also das war damals schon künstliche neuronale Netze. Es ging um die Frage der Kreativität. …