Explainable Artificial Intelligence

KI-Entscheidungen verstehen

Wie KI-Systeme zu Entscheidungen kommen, bleibt oft verborgen. Um sich wirklich auf solche Systeme verlassen zu können, muss die Blackbox geöffnet werden. Dafür sorgt der Ansatz Explainable AI (XAI), bei dem z.B. interpretierbarer KPI-Labels zum Einsatz kommen.
Layer-Modell Qualitatives Labeln
Layer-Modell Qualitatives LabelnBild: PSI FLS Fuzzy Logik & Neuro Systeme GmbH

Qualitatives Labeln ist eine KI-Methode, die Entscheidungs- und Optimierungsalgorithmen mit maschinellem Lernen verbindet und bereits industriell eingesetzt wird. Sie zielt darauf ab, Zusammenhänge aus skalierbaren Rohdaten zu erlernen, die in beliebigen Geschäftsprozessen entstehen. Das Ziel ist eine maximale Annährung an die definierten Geschäftsprozessziele. dafür legt die Lösung auf den Input- und Output-Mustern des betreffenden Prozesses KPI-basierte Bewertungen fest. Diese definieren, welche Muster für welche Werte eher positiv und für welche eher negativ zur Erreichung der Geschäftsprozessziele sind. Im nächsten Schritt lassen sich über diese Bewertungen Zeitreihen bilden und sogenannte Datencluster ermitteln. Die Datencluster sind entweder als Ergebnis einer KI-Geschäftsprozessdatenanalyse zu verstehen oder dienen als Basis für darauf aufbauende KI-Systeme. Doch wie kann dieses Vorgehen dabei helfen, KI-Systeme besser zu verstehen? Indem qualitatives Labeln einen Zusammenhang herstellt zwischen der Datenperspektive des Geschäftsprozesses und den angeschlossenen KI-Algorithmen, entsteht eine neue, KPI-bezogene Sicht auf die Ergebnisse des Geschäftsprozesses. Dadurch sind auch die Ergebnisse der mit den gelabelten Daten trainierten KI-Systeme verständlicher. Durch die KI-basierte Bearbeitung des Geschäftsprozesses öffnet sich eine zusätzliche, automatisiert erlernte und erklärbare Sicht auf die Perspektive des Zielgeschäftsprozesses. Kurzum: War ein KI-System aus der Perspektive des Geschäftsprozesses bislang eine Blackbox, kann eine geschäftsprozessbezogene Erklärungskomponente helfen, das Verhalten des KI-Systems nachzuvollziehen.

Das Modell zeigt schematisch, wie KI-Systeme, die zur Behandlung von Geschäftsprozessen eingesetzt werden, im Deep-Qualicision-Analyse-Layer eingebettet werden können.
Das Modell zeigt schematisch, wie KI-Systeme, die zur Behandlung von Geschäftsprozessen eingesetzt werden, im Deep-Qualicision-Analyse-Layer eingebettet werden können. Bild: PSI FLS Fuzzy Logik & Neuro Systeme GmbH

Machine Learning

Dreh- und Angelpunkt des qualitativen Labelns ist ein maschinelles Lernverfahren: Dieses erkennt anhand von Geschäftsprozessdaten selbsttätig KPI-Zielkonflikte aus Zeitreihendaten. Als Initialinput sind neben den Prozessrohdaten lediglich KPI-Bewertungsfunktionen notwendig. Pro Geschäftsprozess-KPI wird definiert, welche Datenwerte dem KPI-Ziel als eher zuträglich (positiv) und welche Datenwerte als eher abträglich (negativ) einzustufen sind. Über die Zeitreihenbezüge lassen sich die Prozessdaten schließlich derart semantisch ordnen, dass der Algorithmus selbstständig erkennt, in welchen Situationen die Rohdaten wie zu labeln sind. Das System ermittelt also, welche Datenkonstellationen und -muster sich positiv und welche sich negativ auf die Erreichung der KPI-Ziele auswirken. Im Ergebnis kann das System methodisch abgesichert Zusammenhänge erlernen. Wo manuelle Labeling-Prozesse zunehmend an ihre Grenzen stoßen und zum Flaschenhals der Datenaufbereitung werden, kann Qualitatives Labeln als umgebender, datenaufbereitender Layer jedes KI-System unterstützen, indem Zusammenhänge auf Rohdaten maschinell voranalysiert und hinsichtlich ihrer Wirkung auf die Ziel-KPIs interpretiert werden.

Einfach zu interpretieren

Abweichend von anderen Systemen stützt sich dieses Verfahren dabei zunächst nicht auf KI-Fachwissen, sondern auf Wissen über den Prozess, für den das KI-System entwickelt wurde, indem Prozessrohdaten durch Bewerten von Prozess-KPIs qualifiziert werden. Auf diese Weise entstehen qualitativ gelabelte Daten, die in Verbindung mit einer Visualisierung der gelernten Zusammenhänge auch für KI-Laien interpretierbare Ergebnisse liefern. Damit erhalten auch darauf aufbauende KI-Verfahren eine einfacher zu verstehende Lerngrundlage.

Aus der Praxis

Qualitatives Labeln kommt in industriellen Prozessen sowohl für optimierende als auch analysierende Anwendungen zum Einsatz. Allen Prozessen sind dabei sehr heterogene KPI-Zielsysteme gemein. Die Optimierung von Produktionsreihenfolgen der Kundenaufträge ist beispielsweise in der Automobilproduktion ein wesentlicher Geschäftsprozess. Denn eine wirtschaftliche Produktion wird vor allem durch die Ausbalancierung der aktuellen Struktur der Auftragsmengen und Zusammensetzung aus Ausstattungsmerkmalen erreicht. Die KPIs – nicht selten im zweistelligen Bereich und in Konflikt zu einander – beschreiben einerseits die technische Fähigkeit der Produktionslinien und andererseits die Zusammensetzung des Auftragspakets . Die Aufgabe des Qualitativen Labelns besteht folglich in der Datenaufbereitung für ein KI-Optimierungsverfahren, das die Zielkonflikte ausbalanciert. Dafürt labelt das System jedes Auftragspaket mit Graden der Zielerfüllbarkeit und berechnet und visualisiert diese mit Hilfe von Zielkonflikttabellen in Matrix- bzw. Clusterform. Die Kompromissbildung zur Bestimmung Produktionsreihenfolgen ist auf diese Weise nachvollziehbar und erklärbar.

Vorausschauende Planung

Auch in der vorausschauenden Planung und Instandhaltung dient Qualitatives Labeln der Ausbalancierung verschiedener KPIs. In diesem Kontext beschreiben sie vor allem die zulässigen Toleranzbereiche, die für die Entscheidung, ob und wann eine Wartung ansteht, relevant sind. Dazu zählen Kriterien wie Temperatur, Druck, Arbeitsstunden, der Termin der letzten Wartung, Stromverbrauch oder Kritikalität des Maschinenausfalls. Über die Kennzahlen werden erneut Zeitreihen gebildet, die das Lernen qualitativer Labels ermöglichen. Ihre Interpretation erfolgt in Form von Clustern und als das Zusammentreffen bestimmter positiver bzw. negativer Maschinenzustände. Das darauf aufbauende KI-Entscheidungssystem erlernt so verschiedene Clusterzusammensetzungen und leitet optimierte Wartungsentscheidungen ab. Deren Zusammensetzung als KPI-Cluster macht die Entscheidungen nachvollziehbar und erklärbar.

Erklärbare KI-Systeme

KI-gestützte Systeme werden sukzessive zahlreiche Entscheidungen übernehmen. Dafür bedarf es sowohl speziell aufbereiteter Daten als auch ergänzende Komponenten, welche die Entscheidungen nachvollziehbar machen. Qualitatives Labeln als Beispiel des Explainable AI-Ansatzes ist ein bereits erprobter Weg, der beides kann: Er bereitet industrielle Geschäftsprozessdaten KI-fähig auf und bereitet gleichzeitig den Weg für erklärbare KI-Systeme. n ist Geschäftsführer der PSI FLS Fuzzy Logik & Neuro Systeme GmbH.

www.fuzzy.de

PSI FLS Fuzzy Logik & Neuro Systeme GmbH

Das könnte Sie auch Interessieren

Bild: Fraunhofer IEM
Bild: Fraunhofer IEM
Effiziente Produktionsplanung: KI reduziert Aufwand bei Schulte Kartonagen um 25%

Effiziente Produktionsplanung: KI reduziert Aufwand bei Schulte Kartonagen um 25%

Welcher Liefertermin steht wann an? Wie aufwändig muss die Maschine umgerüstet werden? Ist das benötigte Material bereits geliefert? Um die Reihenfolge verschiedener Kundenaufträge optimal zu planen, müssen Produktionsplaner:innen eine Vielzahl von Faktoren kennen und einschätzen. Bei Schulte Kartonagen hat ab sofort ein intelligenter KI-Assistent alle Faktoren im Blick – und macht Vorschläge für die effiziente Planung der Produktion. Gefördert wurde die Zusammenarbeit mit dem Fraunhofer IEM und den Universitäten Paderborn und Bielefeld im it’s OWL-Projekt ARISE.

Bild: schoesslers GmbH
Bild: schoesslers GmbH
appliedAI Institute for Europe launcht kostenlosen KI-Onlinekurs

appliedAI Institute for Europe launcht kostenlosen KI-Onlinekurs

Das gemeinnützige appliedAI Institute for Europe stellt den kostenfreien Online-Kurs ‚AI Essentials‘ zur Verfügung, der es Interessierten ermöglicht, in die Welt der Künstlichen Intelligenz einzusteigen. Konzepte wie maschinelles Lernen und Deep-Learning sowie deren Anwendungsmöglichkeiten und Auswirkungen auf unser Leben und unsere Wirtschaft sind Teile der umfassenden Einführung.

Bild: Trumpf SE + Co. KG
Bild: Trumpf SE + Co. KG
Künstliche Intelligenz macht Fabriken clever

Künstliche Intelligenz macht Fabriken clever

Seit dem Siegeszug des Chatbots ChatGPT ist künstliche Intelligenz in aller Munde. Auch in der industriellen Produktionstechnik kommt KI mit großen Schritten voran. Lernende Maschinen machen die Fertigung effizienter. Wie funktioniert das genau? Das können Interessierte auf der EMO Hannover 2023 vom 18. bis 23. September erfahren. Die Weltleitmesse für Produktionstechnologie wird ihr Fachpublikum unter dem Claim ‚Innovate Manufacturing‘. mit frischen Ideen inspirieren und künstliche Intelligenz spielt dabei ihre Stärken aus.

Bild: Mitsubishi Electric Corporation, Japan
Bild: Mitsubishi Electric Corporation, Japan
KI-gestütztes Analysetool für moderne Produktionslinien

KI-gestütztes Analysetool für moderne Produktionslinien

Das Data-Science-Tool Melsoft MaiLab von Mitsubishi soll Unternehmen bei der Digitalisierung ihrer Fertigung und unterstützen und so deren Produktivität steigern. Die neue Lösung ist eine intuitive, bedienerzentrierte Plattform, die KI nutzt, um Abläufe automatisch zu verbessern. Sei es Abfallvermeidung durch geringere Ausschussmengen, weniger Stillstandszeiten durch vorbeugende Wartung oder Senkung des Energieverbrauchs durch Prozessoptimierung.

Bild: Fraunhofer IGD
Bild: Fraunhofer IGD
Software Arrange beschleunigt Absortierprozesse

Software Arrange beschleunigt Absortierprozesse

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.