Künstliche Intelligenz: Apokalypse oder Megatrend? Das steckt dahinter
Künstliche Intelligenz und maschinelles Lernen wecken Hoffnungen, aber auch Ängste. Unternehmen müssen verstehen, was hinter dem Hype steckt und die Chancen und Risiken sorgfältig abwägen. Mit einem exklusiven Whitepaper zu „KI in der IoT-Praxis“ sorgt Device Insight für Aufklärung bei IT-Leitern, CIOs und Produktionsleitern. Das Whitepaper finden Sie hier kostenfrei zum Download.
Im Grunde sind die Themen Künstliche Intelligenz (KI) und maschinelles Lernen (Machine Learning, ML) nicht neu. Bereits vor mehr als 50 Jahren simulierte das Programm Eliza im Jahr 1966 einen menschlichen Therapeuten. Doch erst seit einiger Zeit sind die nötigen PC-Rechnerkapazitäten verfügbar, die das Konzept der KI Realität werden lassen. Der Durchbruch fand etwa zur gleichen Zeit statt wie beim Internet of Things (IoT), das durch IP-fähige Geräte, Datentransfer via Sensoren und die Datenverarbeitung in Public Clouds zum Treiber für die Industrie 4.0 avancierte.
Verbraucher fürchten, es könne durch KI zu einer Roboterapokalypse wie im Hollywood-Filmklassiker „Terminator“ kommen. Solche Ängste sind allerdings ebenso übertrieben wie allzu optimistische Prognosen. Klar ist, dass Mensch und Maschine auch weiterhin ein Team bilden werden, um das Potenzial der KI und des IoT nutzbringend auszuloten.
Die Theorie hinter Deep Learning
Das maschinelle Lernen als Teilbereich der KI eröffnet Industrieunternehmen neue Möglichkeiten. Mathematische Algorithmen ermöglichen es, Muster zu erkennen und daraus neue Handlungsmöglichkeiten abzuleiten.
Dazu gehört auch das Deep Learning mit künstlichen neuronalen Netzen, das Maschinen in die Lage versetzt, Ergebnisse auszuwerten und damit Optimierungspotentiale zu erschließen. Die neuronalen Netze sind in mehrere Schichten geteilt und wirken wie eine Art Filter, die die Wahrscheinlichkeit einer Prognose granular erhöhen.
Hier kommt auch das IoT ins Spiel. Denn die durch Sensoren gewonnenen Daten bilden die Basis für maschinelles Lernen und KI.
***
Die Experten von Device Insight haben Ihre Erfahrungen zu KI
in der IoT-Praxis für Sie zusammengefasst.
Einsatzmöglichkeiten für KI: Predictive Maintenance und Remote Service
In der produzierenden und verarbeitenden Industrie setzen bereits zahlreiche Unternehmen erfolgreich auf KI und IoT. Der Anwendungsfall heißt Predictive Maintenance, zu Deutsch: vorausschauende Wartung. Damit lassen sich die Ausfallzeiten von Maschinen reduzieren, Wartungsintervalle bedarfsgerecht gestalten sowie reise- und zeitintensive Serviceeinsätze vermeiden.
Darüber hinaus können mit dem Einsatz von Datenbrillen und Augmented Reality Produktions- und Wartungsprozesse ferngesteuert werden.
Klein einsteigen und groß denken
Um schnell eine eigene Expertise aufzubauen und zu verwertbaren Resultaten zu kommen, empfehlen IoT-Experten Unternehmen mit einfachen KI-Algorithmen zu starten. Gleichzeitig ist es wichtig, einen IoT-Partner zu haben, dessen IoT-Plattform auch für komplexe Anwendungsfälle des maschinellen Lernens gerüstet ist.
Relativ einfache Lernalgorithmen wie die lineare Regression oder der SVM (Support Vector Machine) führen oft wesentlich schneller zum Erfolg als sehr komplexe „Expectation-Maximation-Algorithmen“ wie die Gaußsche Mischverteilung (Gaussian Mixture Model) oder k-Means. So erklärt beispielsweise eine einfache lineare Regression den Einfluss einer unabhängigen Variable x auf eine Zielgröße oder abhängige Variable y, um vorhersagen zu können, wann ein Maschinenteil verschleißt.
Der Münchner IoT-Spezialist Device Insight beherrscht mit der IoT-Plattform CENTERSIGHT® die Bandbreite an Algorithmen, die auch im komplexen Anwendungsfall typisch sind.
Use Cases und Erfolgsfaktoren
So haben die Münchner Software-Anbieter für den Roboterhersteller KUKA einen Algorithmus implementiert, der für einen Roboter vorhersagt, wann die nächste Wartung ansteht.
Die Prognose basiert auf den Nutzungsdaten des Roboters und verwendet als statistisches Verfahren die lineare Regression sowie ein Prognoseverfahren, das auf einem verallgemeinerten additiven Modell basiert.
“Ein Beispiel dafür sind Spülmaschinen in der Systemgastronomie: Da die Umwälzpumpen aus Kunststoff sind, können sie verschleißen und müssen nach einer gewissen Zeit ausgetauscht werden. Wann es soweit ist, verrät die Steuerung des Pumpenmotors, die ähnlich wie ein Kilometerzähler erfasst, wie oft dieser angelaufen ist.“
Bei einem anderen Kunden von Device Insight kam eine stützvektorbasierte Mustererkennung zum Einsatz, um den Verschleiß an Laserschneidanlagen abschätzen zu können und zu prüfen, ob die vorgegebenen Schwellenwerte standhalten.
Auch als es darum ging, Reinigungsvorgänge zu klassifizieren und festzustellen, ob die Arbeiten zuverlässig erledigt werden, setzte der IoT-Plattformanbieter auf KI. Hierbei waren mit k-Means Clustering und kNN (k-Nächste-Nachbarn) schon mittlere bis höhere Algorithmen erforderlich. Letzterer zählt zu den bekanntesten ML-Algorithmen und beschreibt ein Klassifikationsverfahren, bei dem k die Anzahl der zu berücksichtigenden „Nachbarn“ für die Wahrscheinlichkeitsrechnung bestimmt.
Sie haben Interesse an weiteren Anwendungsfällen und
erfolgreichen Use Cases aus der IoT-Praxis?
Sichern Sie sich jetzt das Whitepaper und
erfahren Sie mehr über „KI in der IoT-Praxis“!
Ausblick
Die Einsatzmöglichkeiten für IoT und KI werden in Zukunft verstärkt zunehmen. Man darf davon ausgehen, dass Maschinen immer intelligenter werden und eines Tages vielleicht auch autark Entscheidungen treffen können. Doch die Rolle des Menschen, der die KI steuert, bleibt davon unberührt. Intuition und Kreativität lassen sich nach wie vor nicht ohne Weiteres simulieren.
Daher lautet die Kernthese über den künftigen Einsatz von KI in der Unternehmenspraxis: Die Chancen überwiegen die Risiken. Worauf es ankommt, ist ein verantwortungsvoller Umgang mit künstlicher Intelligenz und maschinellem Lernen.
In diesem Whitepaper zeigen die Experten von Device Insight, worauf Sie bei IoT-Projekten mit KI achten sollten.
Quelle Titelbild: PhonlamaiPhoto / iStock
[plista]
