Statusreport ‚Maschinelles Lernen‘

Statusreport ‚Maschinelles Lernen‘

Bild: MVTec Software GmbH

Die industrielle Bildverarbeitung (BV) in Deutschland blickt auf ein jahrzehntelanges Wachstum mit zuletzt 2,8Mrd.€ Umsatz im Jahr 2018 zurück. Immer häufiger besteht in der Industrie der Bedarf, die erzeugten Bilddaten automatisiert zu bewerten, sei es zur Prozess- und Qualitätskontrolle oder in der medizinischen Diagnostik. Mit dem neuen Statusreport ‚Maschinelles Lernen – Künstliche Intelligenz mit neuronalen Netzen in optischen Mess- und Prüfsystemen‘ will der VDI in das maschinelle Lernen für optische Mess- und Prüfsysteme einführen und die Potenziale des maschinellen Lernens vorstellen.


Die derzeitigen Technologietreiber für das maschinelle Lernen (ML) im Bereich der Bildverarbeitung sind vor allem die Automobiltechnik, die Kommunikations- und Unterhaltungselektronik (Smartphones), die Medizin sowie der Bereich der öffentlichen Sicherheit. Das maschinelle Lernen zeigt dabei Stärken in klassischen Bildverarbeitungsaufgaben wie Segmentierung, Objekterkennung und Klassifikation. KI-Lösungen mit neuronalen Netzten eignen sich insbesondere für Aufgaben, für die sich weniger leicht Regeln angeben lassen, wie die Erkennung von Anomalien (in Bildern oder Zeitreihen) sowie bei der Fusion oder Korrelation von verschiedenen Datenströmen.

Zentrales Forschungsfeld in der BV ist die Erklärbarkeit der Ergebnisse des ML. Häufig kann die Frage ‚Warum hat das System so entschieden?‘ noch nicht beantwortet werden, da viele Verfahren des ML keine Kennzahlen für die Zuverlässigkeit ihrer Ergebnisse liefern. Allerdings ist genau das die notwendige Voraussetzung, um die Akzeptanz bei Anwendern sicherzustellen – z.B. bei der Abnahme von Projektergebnissen, bei Zertifizierungen von Verfahren oder bei der Erstellung von Diagnosen in der Medizin. Es braucht geeignete Kennzahlen, die die Qualität des Ergebnisses einschätzen. Sie sind insbesondere dann wichtig, wenn aus einem Ergebnis sicherheitsrelevante Entscheidungen abgeleitet werden sollen. Die Publikation zeigt den momentanen Stand und versucht, künftige Entwicklungen abzuschätzen.

Universitäten, Forschungseinrichtungen und Industrieunternehmen bringen die Nutzung des ML und der KI mit viel Engagement voran. Insbesondere hinsichtlich der Datennutzung müssen allerdings geeignete Rahmenbedingungen geschaffen werden: Große Datenmengen müssen zuverlässig gesichert, zwischen Projektpartnern ausgetauscht und vor unberechtigtem Zugriff gesichert werden können. Die Verfügbarkeit von industriellen Daten und die Freiheit zur Nutzung der Daten werden in naher Zukunft eine wesentliche Grundlage der wirtschaftlichen Souveränität eines Wirtschaftsraums bilden. Notwendig sind daher klare Regelungen, welche Eigentums- oder Nutzungsrechte an solchen Daten bestehen, wo die Grenzen individueller Rechte an Daten liegen und welche Rechte an den Ergebnissen von Lernverfahren für KI und ML bestehen. Diese Regelungen müssen in einem europäischen Rahmen vereinbart sein.

Der vollständige Statusreport ‚Maschinelles Lernen – Künstliche Intelligenz mit neuronalen Netzen in optischen Mess- und Prüfsystemen‘ steht kostenfrei unter www.vdi.de/publikationen.

Thematik: Newsarchiv
|
www.vdi.de

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