Autonomes Planen und Entscheiden

© AdobeStock

Die Grundidee des Maschinellen Lernens besteht darin, dass ein künstliches System anhand von Mustern und Zusammenhängen in Daten lernt. Eine ausreichende Datengrundlage ist daher für den Einsatz von Maschinellem Lernen essenziell. Der Begriff »ausreichende Datengrundlage« bezieht sich hier auf die Quantität, Qualität, Relevanz und Diversität der Daten.

Die hohe Datenmenge ist in der Produktion allerdings häufig herausfordernd, da die Daten im Produktionsumfeld erzeugt und aufwendig annotiert werden müssen. Darüber hinaus sind Grenzfälle in den Daten oftmals wenig bis gar nicht abgedeckt. Dies kann im produktiven Einsatz zu Fehlentscheidungen des gelernten Modells führen. Ein Lernen am realen System, wie es bei Ansätzen mit Reinforcement Learning nötig wäre (also dem Lernprinzip aus Versuch und Irrtum), ist aufgrund der hohen Kosten, Dauer und Wartungsintensität in der Regel nicht möglich.

Deshalb stellt sich die Frage, wie auch mit wenigen realen Daten ein gutes Machine-Learning-Modell trainiert werden kann. Dies ist die zentrale Fragestellung, mit der sich die dateneffiziente KI beschäftigt. Mögliche Lösungsansätze sind sehr vielfältig und reichen vom Einsatz von Simulationsumgebungen und der Nutzung digitaler Zwillinge über datensparsame Lernverfahren bis zu Ansätzen, um bereits vorhandenes Wissen zu integrieren. Die Aktivitäten zum Thema Dateneffiziente KI umfassen in erster Linie sogenanntes »Physics-informed Machine Learning« und dateneffizientes Reinforcement Learning.

 

Physics-Informed Machine Learning

Beim Maschinellen Lernen werden Muster anhand großer Datensätzen gelernt. Häufig existiert für das Problem aber bereits Vorwissen. Physics-Informed Machine Learning kombiniert Vorwissen in Form physikalischer Gesetze und Gleichungen mit Maschinellem Lernen. Dies ermöglicht genauere und robustere Vorhersagen und reduziert die benötigte Datenmenge oft beträchtlich.

 

Dateneffizientes Reinforcement Learning

Klassisches Reinforcement Learning (RL) hat in den letzten Jahren besonders durch den Einsatz von Deep Learning große Fortschritte gemacht – ein Beispiel ist das Programm »AlphaGo«. Diese Algorithmen benötigen allerdings sehr viele Interaktionen mit der Umgebung und sind daher für reale Anwendungen oftmals nicht praktikabel.

 

Future Work Lab

Digitalisierung und Industrie 4.0 verändern die Industriearbeit deutlich. Auch der Einsatz von KI rückt zunehmend in den Fokus. Wie lässt sich das Potenzial von KI für die Produktion nutzen und wie sehen mögliche Anwendungsfälle aus? Im Future Work Lab können Sie die Industriearbeit der Zukunft live erleben.

 

KIRK

In der Produktion ergeben sich häufig hohe Anforderungen an die Genauigkeit der eingesetzten Roboter. Im Projekt »KIRK« werden neue KI-basierte Kalibriermethoden entwickelt, um die Genauigkeit von Industrierobotern deutlich zu erhöhen. Durch den Einsatz von Physics-Informed Machine Learning sind die entwickelten Kalibriermethoden nicht nur genau, sondern auch robust und in Teilen erklärbar.

 

Rob-aKademI

Für Montageaufgaben ist die Roboterprogrammierung bislang aufwendig und zeitintensiv. Im Projekt »Rob-aKademI« wird deshalb erforscht, wie sich die Programmierung durch den Einsatz von Simulationen und Maschinellem Lernen, genauer von dateneffizientem Reinforcement Learning, erleichtern und autonomer gestalten lässt.

 

RoboGrind

Die Wiederaufbereitung von Gerätekomponenten wie beispielsweise Rotorblättern erfordert bisher einen hohen manuellen Arbeitsaufwand. Ziel des Projekts »RoboGrind« ist daher die Entwicklung eines flexiblen und hochautomatisierten KI-Systems zur Oberflächenbearbeitung mit Robotern, um die Wiederaufbereitung gegenüber der Neuproduktion wirtschaftlich zu machen.