Festo BionicCobot: Programmieren Sie noch oder sind Sie schon ein AIT?

Brauchen KIs bald einen eigenen Lehrer? Werden Programmierer aber auch Werker womöglich bald zu Artificial Intelligence Teachern?

Industrie 4.0 voraus: Machine-Learning ist gegenwärtig eines der besonders heißen Themen im Hinblick auf die digital inspirierte Fertigung der Zukunft. Die Aufgaben, die Maschinen übernehmen, werden immer komplexer. Gleichzeitig steht aber Flexibilität hoch im Kurs. Am besten ist es also, wenn die Maschine sich mit den Anforderungen mitentwickelt und womöglich sogar gleich selbst lernt. Denn das Ändern einer starren Programmierung ist meist aufwendig. Aber wie ist das mit selbstlernenden Maschinen? Wer sagt ihnen, was sie überhaupt lernen sollen? Und vor allem, wer bringt ihnen das Lernen bei? Brauchen unsere Künstlichen Intelligenzen (KIs), eventuell sogar bald einen eigenen Lehrer – einen Artificial Intelligence Teacher (AIT)? Eine durchaus interessante Weiterentwicklung: vom Programmierer zum AIT. Oder wird sogar der Werker an der Maschine zum Maschinen-Lehrer?

Das Festo Bionic Learning Network hat vor Kurzem den BionicWorkplace präsentiert, ein selbstlernender Arbeitsplatz für die Mensch-Roboter-Kollaboration mit einer KI an Bord.

Gesunde Datenströme und Anomalien

KIs werden immer tiefer in die Automation vordringen und auf Basis ihrer Algorithmen vermehrt selbständig Aktionen auslösen, wie Maschinen stoppen, fehlerhafte Teile ausschleusen oder Einstellungswerte optimieren. Der große Unterschied zu den schon lange bewährten, regelbasierten CMS-Systemen ist die Fähigkeit der KI selbständig zu lernen. Die Software braucht keinen Programmierer, der aufwändige Regeln und Schwellwerte definiert. Sie lernt z. B. den normalen Produktionsfall mit seinen „gesunden“ Datenströmen und erkennt dann auch Anomalien, die gar keine Schwellwerte verletzen müssen, so genannte korrelative Werte. Dadurch werden ganz neue Komplexitäten abbildbar.

KI statt falschen Fehlern

Regelbasierte Fehlererkennung kann immer nur Fehler finden, die schon bekannt sind – unbekannte Anomalie findet sie nicht. Zudem kann das Programmieren solcher Regeln zu aufwendig werden, beispielsweise bei heterogenen Fertigungsanlagen. Dann bekommt der Anwender irgendwann zu viele „False Positives“ oder „False Negatives“ und somit „falsche“ Fehler permanent. Eine Lücke, die die selbstlernende KI schließt. Vorausgesetzt, sie wurde richtig ausgewählt und aufgesetzt. Ein typischer Einsatzfall für den Artificial Intelligence Teacher.

KIs sind nicht wirklich Streber

Die Logiken und damit die Fähigkeiten von KIs sind äußerst unterschiedlich. Zudem sind die Integration und das richtige Setup entscheidend. Denn auch selbstlernende KIs müssen das Lernen zuerst lernen und sie lernen dann nur im vorgegebenen Rahmen. Zum richtigen Streber wird eine KI also nicht so schnell und den Antrieb „Neugier“ kennt sie auch nicht. So ein AIT sollte der selbstlernenden Maschine also schon ein bisschen auf die „Finger“ schauen. Das macht auch die Werker, die direkt mit selbstlernen Maschinen zusammenarbeiten, zu so etwas wie einem AIT an vorderster Front – zumal sie jeden Tag an und mit der Maschine arbeiten und die „Eigenheiten“ ihrer KI ziemlich gut kennen sollten.

Der Fingerabdruck einer Anomalie

Maschinen im Betrieb sind hoch individuell und auch der Einsatzort kann eine wesentliche Rolle spielen. Darum muss das technische Wissen über die spezifische Anlage in die KI einfließen: Der AIT weiß wie das geht. Jede Anomalie hat so etwas wie einen typischen „Fingerabdruck“. Um den zu erkennen, fragen die Algorithmen der KI auch Wissen von den Technikern im Umfeld ab – wie etwa einem AIT. So finden das tiefe, unentbehrliche Fachwissen der Experten und die Leistungsstärke der Algorithmen zusammen. Der Mensch sagt der Software, ob es sich bei der gefundenen Anomalie tatsächlich um einen Fehler handelt, wie er heißt und was die folgende Handlungsempfehlung oder Aktion sein muss. Danach erkennt die Software selbst und jederzeit, ob eine ähnliche Anomalie auftritt.

Teamwork – Mensch und Maschine

Tafel und Kreide gehören nicht wirklich zu den Werkzeugen eines AI-Lehrers – Algorithmen und ein Tablett dafür umso mehr. Und auch die menschliche Sprache wird in der Kommunikation mit Maschinen immer wichtiger, das hat das Festo Bionic Learning Network vor Kurzem mit dem BionicWorkplace demonstriert. Der selbstlernende Arbeitsplatz für die Mensch-Roboter-Kollaboration veranschaulicht, wie maschinelles Lernen am Arbeitsplatz der Zukunft zum Einsatz kommen kann. Das System ist in der Lage, semantische Details sowie den jeweiligen Sprachkontext zu interpretieren und mit dem Menschen auf natürliche Weise in Dialog zu treten. Damit der am Arbeitsplatz integrierte BionicCobot den gewünschten Befehl ausführen kann, wandelt die Spracherkennungssoftware den gesprochenen Satz in Text um. Dazu gleicht sie sein Frequenzmuster mit Datenbanken ab, in denen bereits unzählige Wortbeispiele und ihre Muster hinterlegt sind. Im nächsten Schritt gilt es, die Bedeutung des Satzes zu verstehen. Dafür sendet die Software den Text an ein Sprachinterface, das ihn auf bestimmte Schlüsselworte überprüft.

Maschinelles Lernen optimiert Arbeitsabläufe

Hat das Interface die Bedeutung des Satzes erkannt, gibt es ein so genanntes Context-Objekt aus: Einen Software-Code, mit dem die Robotersteuerung arbeiten kann. Für die eindeutigen Handlungsanweisungen an den BionicCobot sorgt dann eine spezielle, selbstlernende Automatisierungssoftware mit einer KI. Die intelligente Software wertet den Inhalt des Context-Objekts aus und verarbeitet gleichzeitig sämtliche sensorisch erfassten Daten und Inputs der verschiedenen Peripheriegeräte (Wearables, Kameras usw.). Aus allen diesen Informationen leitet sie den optimalen Programmablauf ab und sendet ihn über die Robotersteuerung an den Screen und den BionicCobot. So weiß dieser, wie und wohin er sich bewegen soll. Mit jeder gelösten Aktion lernt das System weiter dazu. Dabei entsteht eine semantische Karte, die kontinuierlich wächst. Entlang der Netzwerkpfade ziehen die hinterlegten Algorithmen permanent dynamische Schlussfolgerungen. So gelangt man von einem gesteuerten, programmierten und festen Ablauf nach und nach zu einem wesentlich freieren Arbeiten. Und der Artificial Intelligence Teacher kann dem Werker Platz machen oder sich wieder vermehrt auf seine Arbeit als Werker konzentrieren.

Die Kompetenzen des AIT

Bei Festo sieht man künftig großes Potenzial für den Einsatz von KIs im produzierenden Mittelstand. Darum hat man im vergangenen Jahr Resolto – ein führendes Unternehmen im Bereich von KI für Industrieanwendungen – in die Festo Gruppe übernommen. Für die Entwicklung und professionelle Implementierung dieser Technologie in der Industrie müssen aber Maschinebauer und Informatiker besonders eng verzahnt zusammenarbeiten. Eine Mischung aus beidem wäre ein optimaler AIT. Ziel von Festo und Resolto ist es daher, fertige Lösungen für Mittelständler – bestehend aus schlanker Hardware, passend trainierten Algorithmen und Beratungskompetenz – anzubieten, anstatt komplette Fachabteilungen selbst aufzubauen. Festo und Resolto unterstützen die Anwender jedoch auch dabei, eigene Kompetenz aufzubauen und sogar eigene Algorithmen in die Software zu integrieren – ein Job für einen AIT. Fit für die Zukunft? Bereit für den Umgang mit der KI? Bei Festo Didactic gibt’s das passende Know-how – die gefragten Kompetenzen auf dem Weg zu einem echten Artificial Intelligence Teacher.

www.festo-didactic.at