Startseite » Produktentwicklung »

iFakt-Chef Jörg Drees zu Künstlichen Intelligenz und maschinellem Lernen

Grundlagen der Technik, Teil 8
iFakt-Chef Jörg Drees zur Künstlichen Intelligenz

iFakt-Chef Jörg Drees zur Künstlichen Intelligenz
Der Einsatz Künstlicher Intelligenz und Machine-Learning-Prozesse sind bei der heutigen Produktentstehung keine Seltenheit mehr Bild: greenbutterfly/adobe.stock.com
Mit dem Maschinellen Lernen (ML) kann Künstliche Intelligenz (KI) immer stärker auch in der Produktentstehung eingesetzt werden – das generative Design ist ein Beispiel dafür. Um die Frage zu beantworten, ob wir den Einsatz auch fördern sollten, lohnt ein Blick auf die Entwicklung der Künstlichen Intelligenz selbst – diese Entscheidung können und sollten wir selbst treffen.

Jörg Drees, Geschäftsführer, iFakt GmbH, Stuttgart

Der Einsatz von „Künstlicher Intelligenz“ (KI) und „Maschinellem Lernen“ (ML) in der Produktentstehung wird die Produktentwicklung in der nahen Zukunft verändern. In Forschungsvorhaben wird etwa untersucht, wie die üblichen Expertenurteile bei der konstruktiven Auswertung von numerischen Simulationen durch KI unterstützt werden können. Und beim sogenannten generativen Design arbeitet man an der Topologie-Optimierung in der frühen Phase des Designprozesses – Ziel ist, verschiedene Konzepte auszuwerten und eine optimale Konstruktionslösung hinsichtlich Materialeinsatz, Gewicht, Stabilität, Strömungsverhalten, Kraftverteilung, Wärmeableitung etc. zu wählen. Gerade auch im Zusammenhang mit dem industriellen 3D-Druck werden hier durch die additiven Fertigungsverfahren viele neue Möglichkeiten eröffnet.

Künstliche Intelligenz und Machinelles Lernen

Um die Begriffe Künstliche Intelligenz und Maschinelles Lernen einzuordnen, lohnt ein kurzer Rückblick: Das Entstehungsjahr wird allgemein mit dem Aufsatz „Computer Machinery and Intelligence“ des britischen Mathematikers Alan Turing von 1950 in Verbindung gesetzt. In diesem Zusammenhang meist verbunden mit der Frage „Can machines think?“ Später wurde aus Alan Turings „Imitation Game“ der „Turing-Test“ – mit dem Ziel, die Frage zu beantworten, ob ein Computer ein dem Menschen entsprechendes intelligentes Denkvermögen haben könnte. Inspiriert davon haben sich führende Forscher (wie der amerikanische Informatiker John McCarthy) aus verschiedensten Disziplinen an einem Forschungsprojekt im Jahr 1956 beteiligt. Bei dieser Dartmouth Konferenz über Maschinenintelligenz festigte sich dann das erste Mal die wissenschaftliche Disziplin der KI.

Der Begriff „Maschinelles Lernen“ als ein Teilgebiet der Künstlichen Intelligenz ist vereinfacht formuliert eine Methode dieser Disziplin. Durch ML wird mit künstlichen Systemen versucht, durch selbstlernende Algorithmen Wissen aus Erfahrung zu generieren. Die begriffsprägenden Phasen des ML sind in der Anwendung

  • die Lernphase (Trainieren durch Beispieldaten) und
  • der Lerntransfer (Erkennen der Gesetzmäßigkeiten zur Verallgemeinerung).

Daher leitet sich das „Lernen“ der Maschinen (will heißen: Computer) ab. Das ML benötigt damit eine zumeist ganz konkrete Eingangsfrage: „Was soll beantwortet werden?“ Das führt zum Ziel des künstlichen Systems, das entweder Zusammenhänge erkennen, Rückschlüsse ziehen oder Vorhersagen treffen soll. Daraus folgt aber auch, dass eine systematische Herangehensweise bei der Modellbildung notwendig ist. Denn es ist erforderlich, in der Analysephase eine Entscheidung zu fällen, welche algorithmischen Ansätze hierzu sinnvoll Verwendung finden können.

Überwachtes und unüberwachtes Lernen

Grundsätzlich lassen sich die Typen des Maschinellen Lernens in zwei Hauptarten des Lernstils unterscheiden. Es gibt das „Überwachte Lernen“ (Supervised Learning) und das „Unüberwachte Lernen“ (Unsupervised Learning).

  • Vereinfacht formuliert wird beim „Überwachten Lernen“ das künstliche System für Fragestellungen von Vorhersagen auf Basis vorhandener Analysedaten antrainiert. Angewandte Lernverfahren sind etwa bei der Regression oder bei der Klassifikation typischerweise CARTs oder das SVM, aber auch das „Bestärkende Lernen“ (Reinforcement Learning) wird hierzu gezählt.
  • Beim „Unüberwachten Lernen“ wird das künstliche System für Fragestellungen des Verstehens von Analysedaten angelernt. Das künstliche System baut beim Lernen ein Modell mithilfe der Daten auf, um zukünftig die Zuordnung selbstständig vornehmen zu können. Lernverfahren sind das K-Means, SVD, PCA, HMM oder das FP-Growth, um nur ein paar Verfahren zur Modellbildung zu nennen.

In der Anwendung des Maschinellen Lernens wird klar, dass zur Befähigung des Lerntransfers für die Lernphase – also das Antrainieren solcher Algorithmen – eine riesige Menge an Daten aus der Vergangenheit notwendig ist. IT-Infrastrukturen und -Systeme müssen damit umgehen können, was aber heute durch die ständig steigende Leistungsfähigkeit der Systeme gegeben ist.

Künstliche Neuronale Netzwerke

Eine besondere Bedeutung erlangten in letzter Zeit die „Künstlichen Neuronalen Netzwerke“ (KNN, im Englischen ANN/DNN) – allgemein häufig kurz „Deep Learning“ genannt. Diese Verfahren sind an dem biologischen Informationsverarbeitungssystem orientiert entworfen worden. Das Deep Learning im Speziellen optimiert diese KNN selbstständig und steigert deren Leitungsfähigkeit. Der Mensch hat also im Gegensatz zu dem klassischen Machine Learning keinen Einfluss auf die Ergebnisse des Lerntransfers. Durch Deep Learning werden Entscheidungen ständig hinterfragt und die Regeln der Entscheidungen selbstständig optimiert.

Ausblick

Der Zeitpunkt, an dem sich die Maschinen mit Hilfe der KI so rasant selbst verbessern, dass sie der „Menschlichen Intelligenz“ (wie auch immer wir dies definieren wollen) entsprechend überlegen sind, nennt man technologische Singularität. Diese wurde zwar schon mehrfach nach hinten korrigiert, allerdings immer mit der Bemerkung, dass dieser Zeitpunkt überraschend für die Menschheit eintritt. Was jegliche düstere Szenarien über die „Starke Künstliche Intelligenz“ (Maschinen mit einem Bewusstsein) wiederum beflügelt.

„Theoretisch können Computer die menschliche Intelligenz nachahmen und übertreffen“, konstatierte etwa der britische Astrophysiker Stephen Hawking. „Der Erfolg bei der Schaffung einer wirkungsvollen KI könnte das größte Ereignis in der Geschichte unserer Zivilisation sein. Oder das Schlimmste. Wir wissen es einfach nicht. Wir können also nicht wissen, ob uns die KI unaufhörlich helfen wird, oder ob wir von ihr eines Tages ignoriert und zur Seite gedrängt werden, oder ob sie uns möglicherweise zerstört.“

Ich persönliche ziehe für mich ein differenziertes Fazit. Was die unterschiedlichen Arten menschlicher Intelligenz anbelangt wird es immer sehr viele Menschen geben, die „intelligenter“ sind als ich. Ergo auch in der Interpretation von Chancen und Risiken der KI. Ich halte es aber für meine menschliche Pflicht, mich persönlich damit auseinanderzusetzen – und damit aber auch für mich Anwendungsfälle im Alltag zu suchen, reflektiert anzuwenden und mich mit anderen darüber auszutauschen. eve

Kontakt:

iFakt GmbH
Curiestr. 2
D-70563 Stuttgart
Telefon 0711 674 00 514
Telefax 0711 674 00 200
Email: info@ifakt.com
www.ifakt.de


info

Zu dieser Serie

Zusammen mit der Technischen Akademie Esslingen stellt die KEM Konstruktion in dieser Grundlagenserie Hintergründe und praktische Einsatzszenarien in aktuellen Technikfeldern zusammen. Tipps zu passenden Seminarangeboten erleichtern die Planung einer praxisorientierten Weiterbildung.

Erschienen sind bereits:

Teil 1: Digitale Zwillinge und aus virtuellen Baugruppen: hier.pro/6QiPa

Teil 2: Messverfahren für die Prozessstabilität in der additiven Fertigung: hier.pro/7smry

Teil 3: Der Schmierstoff als Konstruktionselement am Beispiel der Schmierfilmdickenmessung: ‧hier.pro/0C4WC

Teil 4: Monitoring von Schleppketten: hier.pro/44LVR

Teil 5: Beschichten von Bauteiloberflächen mittels thermischer Spritzverfahren: hier.pro/JtCag

Teil 6: Entwicklung frugaler Innovationen: ‧hier.pro/EysIG

Teil 7: Vier Schritte zum optimalen Schmierstoff: ‧hier.pro/a6s0s

www.tae.de

Systems Engineering im Fokus

Ingenieure bei der Teambesprechung

Mechanik, Elektrik und Software im Griff

Video-Tipp

Unterwegs zum Thema Metaverse auf der Hannover Messe...

Aktuelle Ausgabe
Titelbild KEM Konstruktion | Automation 3
Ausgabe
3.2024
LESEN
ABO
Newsletter

Abonnieren Sie unseren Newsletter

Jetzt unseren Newsletter abonnieren

Webinare & Webcasts
Webinare

Technisches Wissen aus erster Hand

Whitepaper
Whitepaper

Hier finden Sie aktuelle Whitepaper


Industrie.de Infoservice
Vielen Dank für Ihre Bestellung!
Sie erhalten in Kürze eine Bestätigung per E-Mail.
Von Ihnen ausgesucht:
Weitere Informationen gewünscht?
Einfach neue Dokumente auswählen
und zuletzt Adresse eingeben.
Wie funktioniert der Industrie.de Infoservice?
Zur Hilfeseite »
Ihre Adresse:














Die Konradin Verlag Robert Kohlhammer GmbH erhebt, verarbeitet und nutzt die Daten, die der Nutzer bei der Registrierung zum Industrie.de Infoservice freiwillig zur Verfügung stellt, zum Zwecke der Erfüllung dieses Nutzungsverhältnisses. Der Nutzer erhält damit Zugang zu den Dokumenten des Industrie.de Infoservice.
AGB
datenschutz-online@konradin.de