Teil 2 – Was der Vergleich von autonomen Systemen nutzt

Um autonome Systeme mit KI einschätzen zu können, müssen sie unabhängig von der Domäne verglichen werden. Teil 5 unserer Serie 'Autonome Systeme' greift den Nutzen einer Gegenüberstellung auf und was es dazu braucht. Katharina Giese und Piet Lipke vom Fraunhofer IOSB-INA erläutern das am Beispiel autonomer Anlagenkomponenten in der Forschungsfabrik SmartFactoryOWL in Lemgo.
Bilder: ©Alexander Limbach/stock.adobe.com

Die Arbeitsgemeinschaft ‚Autonome Systeme‘ der VDI/VDE-Gesellschaft Mess- und Automatisierungstechnik hat zehn Grundsatzfragen zum Thema künstliche Intelligenz und autonome Systeme formuliert. Die fünfte handelt vom Sinn und Nutzen, autonome Systeme zu vergleichen.

Warum ist es wichtig, Autonome Systeme miteinander zu vergleichen?

Giese: Wenn wir den aktuellen Stand der Technik einschätzen wollen, müssen wir Systeme, die KI einsetzen und autonom sind, sprich selbstbestimmt ihren Lösungsweg suchen, unabhängig von der Domäne vergleichen können. Auf dieser Basis können dann z.B. Felder identifiziert werden, in denen die Forschung intensiviert oder auch übergreifend gebündelt werden kann.

Wie können autonome Systeme verglichen werden?

Lipke: Es braucht eine gemeinsame Bewertungsgrundlage, um autonome Systeme vergleichen zu können. Dafür gilt es, Eigenschaften autonomer Systeme zu gruppieren, vergleichbare Eigenschaften in physischen und digitalen Systemen zu finden und auch die Frage zu beantworten, ab wann ein System als autonom gelten soll. Dazu bedarf es eines gemeinsamen Verständnisses des Autonomiebegriffs. In der Automobilindustrie hat man sich bereits auf Metriken geeinigt, um den Grad der Autonomie – von hochautomatisiert bis tatsächlich autonom – zu beschreiben. Die dort beschriebenen Stufen richten sich nach der Notwendigkeit für den Menschen, speziell den Autofahrer, in das Geschehen einzugreifen oder das Auto vollständig zu steuern. Dem stehen Maschinen und Anlagen gegenüber, die nur noch zum Teil oder gar nicht mehr vom Menschen bedient werden. Sind diese schon autonom, wenn sie einem vorgeschriebenen Betriebsablauf folgen? Wenn laut Duden der Begriff Autonomie Selbstständigkeit und Unabhängigkeit bedeutet, dann umfasst das auch die Fähigkeit, auf unerwartete Ereignisse angemessen und nachvollziehbar zu reagieren, um ein vorbestimmtes Ziel zu erreichen.

Was sind erforderliche Eigenschaften autonomer Systeme?

Giese: Generalisiert man die Grundstrukturen autonomer Systeme, ergeben sich die Elemente:

  • Zielerkennung – Technische Systeme werden für bestimmte Anwendungszwecke entworfen. Die erste Gemeinsamkeit ist das Ziel, zu dessen Erfüllung ein solches System beiträgt.
  • Selbstständige Umfelderfassung -Autonome Systeme müssen ihre Umgebung und ihren Kontext wahrnehmen, um den Grad der Zielerfüllung einschätzen zu können. Diese Erfassung übernehmen etwa Sensoren.
  • Selbstständig generierter Handlungsplan – Um ein gegebenes Ziel zu erreichen, muss ein System Einfluss auf die Umgebung nehmen können und zwar auf eine Weise, die der Zielerfüllung zweckdienlich ist. Ein vom autonomen System selbstständig generierter Handlungsplan bildet die nachvollziehbare Grundlage der Aktionen.
  • Resilienz und Failsafe-Strategien -Diese Handlungspläne werden auf der Grundlage historischer und aktueller Daten unter anderem mit Methoden des maschinellen Lernens und der künstlichen Intelligenz generiert.

Für das Erreichen der Unabhängigkeit ist die Resilienz besonders wichtig. Denn nur so kann das System auf unvorhergesehene Ereignisse und Fehlerzustände angemessen reagieren. Die Strategien umfassen nicht nur die vom Entwickler vorgedachten potenziellen Probleme. Sie schließen auch die Fähigkeit ein, auf unerwartete Ereignisse sowie Ausfälle innerhalb des Systems zu reagieren, entsprechende Failsafe-Strategien zu entwickeln und umzusetzen, um die eigentliche Aufgabe angemessen weiter zu bearbeiten.

Was bedeutet das für die Vergleichbarkeit?

Lipke: Um den Grad der Autonomie verschiedener Systeme einschätzen zu können, lässt sich der Umfang der Umsetzung der oben genannten Grundstrukturen autonomer Systeme betrachten. Dazu sind folgende Fragen zu beantworten:

  • Reicht die Umgebungserfassung aus?
  • Sind alle Elemente, die zur Zielerfüllung benötigt werden, in diesem System vorhanden oder müssen andere Systeme hinzugezogen werden?
  • Wie würde dann kommuniziert?
  • Wird der Handlungsplan wirklich selbstständig auf Basis der dem System zugänglichen Daten generiert? Wird von außen Einfluss genommen, werden Vorgaben gemacht?
  • Kann das System auch auf komplexe Probleme ohne Weisungen von außen reagieren?
  • Ab wann ist ein Eingreifen durch den Menschen notwendig, z.B. zur Wartung?

Wie kann die Autonomie eines Systems mit diesen Kriterien eingeschätzt und erhöht werden?

Giese: Als Beispielsystem nehmen wir hier ein wandlungsfähiges Produktionssystem aus der SmartFactoryOWL in Lemgo. Es handelt sich um mobile und modularisierte Betriebsmittel, die über ein Transfersystem verkettet sind. Das Ziel ist eine möglichst ressourceneffiziente Produktion von hoch individualisierten Produkten. Durch ein digitales Produktgedächtnis an den Werkstückträgern kann die Individualisierung ausgelesen werden. Gleichzeitig geben diese Tags Aufschluss über den Erfüllungsgrad des Ziels. Um den Grad der Autonomie zu erhöhen, kann z.B. an den Schnittstellen angesetzt werden. Wenn einzelne Transfermodule ihre Position eigenständig innerhalb des Produktionssystems erkennen, kann das System zunehmend selbstkonfigurierend agieren. Zusätzlich können durch die durchgängige Vernetzung aller am Ziel beteiligten Betriebsmittel die Wartezeiten an Arbeitsplätzen optimiert werden, wenn das Transfersystem die Bearbeitungsreihenfolge innerhalb gewisser Grenzen selbstständig wählen kann. Der Handlungsplan des Produktionssystems, etwa welche Betriebsmittel bei Produktwechsel wann und wo benötigt werden, kann mit Methoden des maschinellen Lernens optimiert werden. Um Ausfällen entgegenzuwirken und neue Betriebsmittel zur Laufzeit einzubinden, können die Betriebsmittel selbstfahrend gestaltet werden. So werden Konfigurationsänderungen durch Produktwechsel oder auch bei Ausfällen innerhalb des Produktionssystems ohne menschliche Eingriffe realisiert.

www.vdi.de

VDI Verein Deutscher Ingenieure e.V.

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige