Künstliche Intelligenz : Machine Learning: Wie AI die Produktionswelt revolutioniert

Technoider Retrocharme, wie ihn viele Läger verströmen. Dazu 1A-Korpsgeist, vielleicht auch dank der langen Märsche: Wer als Picker arbeitet, braucht Ausdauer. Bis zu zehn Kilometer lange Wege müssen Kommissionierer mitunter täglich an ihrem Arbeitsplatz zurücklegen. Meter um Meter spulen sie in engen Regaltrassen zwischen abertausenden Paletten ab.

Lesen Sie hier alles über AI in der Industrie!

Ökonomisch vertretbar sind solch aberwitzige Laufwege vielleicht. Restlos effizient, weiß Monika Kofler, aber nicht. Ihr mathematisches Verständnis – Kofler ist spezialisiert auf evolutionäre Algorithmik, eine Disziplin der künstlichen Intelligenz (KI), auch genannt Artificial Intelligence (AI) – hat sie bis in die Amazon-Entwicklungsabteilung im schottischen Edinburgh geführt. Das skizzierte Lagerbeispiel – Kofler bringt es bei den Alpbacher Technologiegesprächen im letzten August in einem brechend vollen Saal vor.

Mittels Lernalgorithmus – sogenannten Metaheuristiken – werden Parameter wie Palettenstandorte, Auslastungsgrad und Belegung kombiniert. Genug Informationen für die mathematische Formel, um sich daraus eine Art Intelligenz aufzubauen. Werden in einem Lagerabschnitt 40 Paletten neupositioniert, reduziert sich die Wegstrecke um beachtliche 18 Prozent. Sind es 200 Paletten, sinkt sie um schwindelerregende 40 Prozent.

Intelligente künstliche Algorithmen sind längst nicht mehr nur in den USA, wo sich die KI-Nerds in den großen küstennahen Forschungstempeln tummeln, ein Renner. Intelligente maschinelle Lernformen, von der Evolution abgeschaut oder von den Prinzipien neuronaler Netze inspiriert, werden jetzt – nachdem Google Translator und Siri es vormachten – zunehmend auch in der Industrie massentauglich. Zielwert der Planrechnung: ökonomischer Erfolg. Begründet durch effizientere Maschinen, Fabriken, Supply Chains. Zwei, drei Prozentpunkte mehr Leistung durch klassische Digitalisierung wird auch künftig jeder mitnehmen wollen.

Leseempfehlung: Quantentechnologie in der Industrie – ihr enormes Potenzial

AI aber eröffnet innerhalb ganz neuer Effizienzkorridore – Stichwort wandelbare Systeme – Möglichkeiten. Mit der wachsenden Rechnerleistung steigt der Spaßfaktor beim Trainieren lernender Algorithmen: Erst durch Variation einiger tausend bis zu mehreren Millionen Parameterwerten innerhalb einer Funktion liefern sie optimale Lernergebnisse. Aber wird das reichen, mit dem menschlichen Gehirn, das nicht nur Handeln und Tun, sondern auch Denken und Fühlen steuert, gleichzuziehen?

In der wissenschaftlichen Community bewundert, von der Industrie verlacht: AI-Forscher in den 60er-Jahren hatten einen schweren Stand. Jetzt avancieren sie zu Lieblingen der Industrie.

Zwölf Monate – soviel Zeit kann verstreichen, bis eine wissenschaftliche Arbeit begutachtet, in einem Fachjournal publiziert und von Kollegen zitiert worden ist. Das Warten kann zur Leibesübung werden. Nicht so in der KI-Forschung: Hier wird im Schnelldurchlauf publiziert. „Bei einigen Tagen bis maximal zwei Wochen liegen wir derzeit“, erzählt ein heimischer KI-Forscher. Allein zu Deep Learning, einer Klasse von Optimierungsmethoden auf Basis künstlicher neuronaler Netze, finden täglich 20 bis 30 Papers – über Dokumentenserver für Preprints wie Arxiv.org rasch zugänglich gemacht – ihr Publikum.

Etwa am Technologieinstitut MIT in Cambridge, Massachusetts. Ein neues Programmstück – oft nicht mehr als 30 oder 50 Zeilen neuer Code – befeuert aber auch den Heißhunger der KI-Abteilungen von Amazon oder Google. „Unternehmen stürzen sich auf neue Publikationen“, heißt es in der Szene. Das war nicht immer so.

Im Kollegenkreis genossen die frühen AI-Forscher zwar in der Regel stets einen tadellosen Ruf. Die Industrie aber konnte mit den Pionierleistungen der 60er- und 70er-Jahre, die halfen, künstliche neuronale Netze vor allem theoretisch zu begründen, wenig anfangen. Vieles wurde als Schwarmgeisterei abqualiziert. Maschinen, die wie Organismen Stufen der Evolution durchlaufen oder sich selbst in Schuss halten? „Da versagte selbst innovativeren Vertretern der Industrie die Vorstellungskraft“, so ein Forscher.

Es folgte: das Zeitalter des schönen Scheins. Bis heute impfen Unternehmen Maschinen komplexe, aber mit keinerlei lernender Systematik versehene Regelungsalgorithmen ein. Intelligenz wird nicht imitiert, sondern suggeriert: „Rein äußerlich betrachtet verhalten sich Maschinen heute intelligent“, gibt Christopher Ganz, F&E Chef für Services bei ABB [bis Februar 2021, heute Chef der selbstgegründeten C. Ganz Innovation Services, Anm.], zu Protokoll.

Der Schweizer Industriekonzern ABB – ein Standbein ist die Robotik – tritt mit der festen Absicht an, künstliche Intelligenz schon in wenigen Jahren in seinen Produkten zu verankern. Denn ist das intelligenteste an Maschinen immer noch ihr Bediener – die AI holt auf. Tosenden Applaus gab es so etwa auf der Internationalen Konferenz zu künstlicher Intelligenz in San José im vorigen Mai für Forscher des MIT.

Knapp-Produktentwicklungschef Peter Puchwein, er war zugegen, erinnert sich: Einer im Turnsaal liegenden Drohne wurde „erfolgreich vorgegaukelt, in Wahrheit auf Inspektionsflug in einer Fabrik unterwegs zu sein und daraus mittels Deep Learning zu lernen“, erzählt er. Wen überkommt da nicht – wie Puchwein – die Vision einer neuen Art der Instandhaltung? Oder, die nötigen finanziellen Mittel vorausgesetzt, die Lust, solche Maschinen unter die Menschheit zu bringen?

Unternehmen erproben in Projekten die hohe Handwerkskunst der künstlichen Intelligenz. Und lassen dafür einiges springen.

Zum Pool der Investoren zählen keine finanziellen Leichtgewichte: Facebook- Gründer Mark Zuckerberg, Tesla-Mastermind Elon Musk oder Hollywood-Klamauker Ashton Kutcher sind finanziell allesamt gut gebettet. Finanzstark ist auch der Schweizer ABB-Konzern, seit 2014 in die KI-Forschungsschmiede Vicarious mit Sitz in San Francicso investiert. Schweizerischer Launenhaftigkeit ist das Engagement nicht zuzuschreiben. Wie alle anderen Industrieunternehmen kämpfen die Eidgenossen mit den Grenzen der Physik.

Das könnte sie auch interessieren: Die besten AI-Projekte der Industrie

Auf Basis physikalischer Zusammenhänge exakte Alterungsmodelle zu entwickeln, „hat sich als höchst aufwändig herausgestellt“, sagt ABB- Konzernentwickler Christopher Ganz.

Stattdessen statten die Schweizer selbstlernende Algorithmen nun mit den nötigen Befugnissen aus, etwa zu Vibrationen oder Temperaturen in Antrieben, neu zu korrelieren. Vicarious, 2010 gegründet, ist dafür nicht der schlechteste Partner.

Intelligenz „auf menschlichem Level“ in den Segmenten Bilderkennung, Sprache und Steuerungstechnik ist doch ein artikuliertes Ziel des US-Partners. Auch Google-Ingenieure forschen zum Thema. Sie installierten 14 Roboterarme nebeneinander, um Gegenstände aus einer Box zu greifen. Die Roboter waren mit einer Kamera und einem Greifer ausgestattet und untereinander verbunden. Sie fingen an zu arbeiten und teilten Erfahrungen mit ihren Kollegen in der Reihe. 800.000 Greifversuche absolvierten die Roboter. Die Fehlerraten innerhalb von zwei Monaten sanken von 70 auf 10 Prozent – Deep Learning sei Dank.

Auch andere jagen nach solchen Effizienzidealen. „Für den Griff in die Kiste gibt es derzeit kaum eine industrietaugliche Lösung“, sagt Peter Puchwein aus der Knapp-Entwicklungsabteilung in Hart. In Deep-Learning-Projekten nabeln sich die Steirer – im Valley ebenso hervorragend venetzt wie in der europäischen Entwicklerszene – von den einst liebgewonnenen Ingenieurstugenden mehr und mehr ab: „Schätzungen, mit denen sich ein Algorithmus schrittweise einer optimalen Lösung nähert, treten an die Stelle exakter Lösungen“, sagt Puchwein.

Beispiel Platzierroboter. Bei jedem Teil, das der Roboter greift, erweitert er seinen Erfahrungsschatz. Statt die optimalen Greifpunkte mathematisch zu errechnen, werden die Flächen mit den größten Angriffspunkten auf Basis des erlernten Erfahrungsschatzes und der Informationen von 3D-Kameras – also direkt aus der 3D-Punktwolke heraus – geschätzt.

Nach 500 bis 1000 Durchläufen hat das System gelernt. Tensorflow, eine Open- Source-Softwarebibliothek für maschinelle Intelligenz, in der sich auch Entwickler von Apple und Google tummeln, dient den Steirern ebenso als Inspirationsquelle wie die Vortragsflut der KI- Gurus. Die Frage nach dem Warum beantwortet Puchwein mit dem Komparativ.

In der Welt des Lagers würden kurze Zykluszeiten entscheiden. Mit Deep- Learning-Algorithmen seien „Effizienzsteigerungen um den Faktor zwei schnell möglich“, glaubt Puchwein. Aber die Summe gesteigerter Einzeleffizienzen treibt die Industrie längst nicht mehr alleine um.

Maschinelles Lernen als (Beinahe-)Schöpfungsakt: Entwurfsautomaten werden Fabriken und ihr Innenleben radikal verändern.

Eine Maschine per Softwareupdate kräftig durchzuschnäuzen, ihr mehr Leistung einzuverleiben: Das ist in der Industrie längst der Fall. Manchmal werden ganze Produktionswerke modernisiert. So geschehen bei der Neuauslegung des ABB-Werks Heidelberg – es umfasst nun eine weitere Fertigungsstraße für die Herstellung von Sicherungen. Knapp drei Prozent Effizienzsteigerung – mehr schaute selbst unter Berücksichtigung neuester Erkenntnisse der Digitalisierung unterm Strich nicht heraus. Der Quantensprung lag woanders.

„Die Flexibilität erhöhte sich maßgeblich“, heißt es bei ABB. War das Werk bisher auf Serien von 200.000 Stück ausgerichtet, liegt die kleinste Auftragsgröße nun bei 200 Stück. In kürzester Zeit konnte das Unternehmen auf 8.000 unterschiedliche Sicherungsmodule hochskalieren. Noch wähnt man sich nicht am Ende: „Die KI hilft uns, die Varianz noch weiter zu heben“, sind die Schweizer sicher. Denn künstliche Entwurfsautomaten, wie sie die Forscher der ETH Zürich oder des AIT heute schon für die Stadtplanung erproben, könnten bald die Shopfloor- und Prozessplaner erreichen. Nicht im Sinne kreativer lernender Systeme der generativen künstlichen Intelligenz.

Die sind derzeit noch dem echten Schöpfungsakt näher, wie Versuche einer künstlichen Gesichtsgenerierung zeigen: Mitunter besitzen die aus 60 Zufallsvariablen zusammengewürfelten Gesichter drei Augen oder zwei Nasen. „Einen auf diese Weise künstlich designten Motor will man sich derzeit also lieber nicht vorstellen“, sagt ein heimischer KI-Forscher. Durchaus aber im Sinne evolutionärer Algorithmen, „die uns heute schon Grundrisse ganzer Stadtviertel erzeugen, die genauso gut vom Planer hätten kommen können“, meint Reinhard König vom AIT. Beispiel Containerterminal Singapur.

Warum soll die Verlegung eines ganzes Terminals vom Stadtbereich in ein Freiareal unter Anleitung künstlicher Intelligenz möglich sein, nicht aber die optimale Auslegung eines Fertigungsstandorts oder einer Lieferkette?

Maschinen ein menschenähnliches Bewusstsein einzupflanzen, bleibt ein Forschertraum. Eine solche Intelligenz wäre beliebig vervielfältigbar – mit Folgen.

Letztlich – darüber herrscht Klarheit – ist KI heute nichts anderes als eine trainierte, große Formel zur Mustererkennung. Über eine wirkliche Logik – also echtes maschinelles Bewusstsein – verfügen die Systeme nicht. Wird es also einmal den Super-Watson geben? „Wir wollen Assistenzsysteme schaffen, die den Menschen unterstützen“, sagt Marcus Kottinger von IBM [bis Juli 2018, heute AI Program Manager bei VINCI Energies, Anm.].

Manche meinen, mehrere komplexe, künstliche neuronale Netze modulartig zusammenzuschließen, brächte die Wissenschaft der Lösung näher. Andere glauben, sogenannte gepulste neuronale Netze – Fachterminus: Spiking – seien der derzeit einzige realistische Weg, zu Emotion und Bewusstseinsbildung vorzustoßen. Dazu müsste es gelingen, den visuellen Kortex – die menschliche Sehrinde – elektronisch nachzubilden. Simulationen dazu laufen in der Initiative NEST.

Kräftig durcheinander wirbeln würden solche Algorithmen die Welt allemal. „Gibt es bei der Entwicklung einer generellen künstlichen Intelligenz den großen Durchbruch, könnte prinzipiell jede menschliche Denkleistung durch diese Intelligenz ersetzt werden“, so ein heimischer KI-Forscher. Denn diese Intelligenz sei reproduzierbar und beliebig vervielfältigbar. „Ob dies dann eine Vervollkommnung unserer Lebensverhältnisse darstellt, darf freilich bezweifelt werden“, meint ein KI-Forscher.

Bis dahin gibt es ohnehin weltlichere Fragen zu klären. Etwa jene, wie weit Unternehmen, deren Prozesse längst nicht perfekt eingespielt sind, sich trauen sollten, künstliche neuronale Netzwerktechnologien einzuschleusen. „Noch verfügen wir über ausreichendes Nichtwissen, das uns ganz gut auf Trab hält“, meint dazu Heinz Paar, Chef von Fischer Edelstahlrohre. Die Grundscheu vor KI abzulegen, bleibt der Industrie jedenfalls nicht erspart. Entwickler, die heute Zeile für Zeile ihres Programms selbst verifizieren, werden loslassen müssen. Mittels statistischer Methoden lassen sich zwar Vorhersagen treffen, wie fehlerhaft Systeme mit künstlichen Intelligenzen sind. Wie es sich in Einzelsituationen verhält, lässt sich aber nicht vorhersagen.

Ein Versprechen ist den KI-Forschern aber abzuringen: „Maschinen mit künstlicher Intelligenz werden über deutlich geringere Fehlerraten verfügen.“

Dieser Artikel wurde im Oktober 2017 erstveröffentlicht. Weil er inhaltlich nach wie vor Relevanz hat, haben wir ihn mit Freude für Sie aus dem Archiv geholt.