Künstliche Intelligenz – Alles über Machine und Deep Learning

Kopf mit Neuronen und durchlaufendem Binärcode

Foto: Geralt/Pixabay

Machine Learning und Deep Learning – zwei Konzepte aus dem Bereich Künstliche Intelligenz. Diese Erforschungen existierten aber nicht erst vor ein paar Jahren. Bereits in den 50er Jahren wurde eifrig weiterentwickelt – mit der Absicht, das Leben der Menschen zu verändern. Was Künstliche Intelligenz ausmacht und wie diese sich auf die Intralogistik-Branche weiter auswirken wird, lesen Sie hier.

Was versteht man unter Machine Learning bzw. Deep Learning?

Machine Learning und Deep Learning sind Konzepte aus dem Bereich Künstliche Intelligenz, die alles andere als neu bezeichnet werden können. Schon in den 50er Jahren des letzten Jahrhunderts wurde dieses Feld von Forschern wie Alan Turing und John McCarthy geprägt. Man kann der Künstlichen Intelligenz allerdings erst seit heute einen breiten Einsatz und eine hohe Praxisrelevanz nachsagen. Grund dafür ist sicherlich, dass nun erforderliche Rechenleistungen und Datenspeicher zu wirtschaftlichen Preisen zur Verfügung stehen.

Es kann eine Hierarchie der Begriffe dargestellt werden: Machine Learning ist ein Teilbereich der Künstlichen Intelligenz und Deep Learning ein Teilbereich des Machine Learning.

 

Was zeichnet Machine Learning bzw. Deep Learning aus?

Ein wesentliches Merkmal des Machine Learning ist der dynamische Aspekt. Im Gegensatz zu beispielsweise regelbasierten Systemen und Expertensystemen, gehört zum Konzept des Machine Learning das eigenständige Lernen aus Erfahrung. Dieser Prozess findet statt, ohne dass dabei ein Mensch diese Weiterentwicklung implementieren muss. Der Algorithmus versucht weiterhin die Ergebnisse seiner Berechnungen in Richtung einer vorgegebenen Zielfunktion zu verbessern. Dazu gehören unter anderem die Reduzierung von Fehlerraten, die Verbesserung von Vorhersagen oder auch die Reduzierung von Durchlaufzeiten oder Prozesskosten. Eine signifikante Unterscheidung kann hier durch "überwachtes" und "unüberwachtes" Lernen gemacht werden. Zum Beispiel können Klassifikationsprobleme, wie das Erkennen von fehlerhaften Produkten, mit überwachtem Lernen gelöst werden. Auf Basis von Inputdaten werden hierbei durch den Algorithmus Vorhersagen zu einer Klassenzugehörigkeit getroffen. Diese werden mit dem richtigen Ergebnis verglichen und darauf aufbauend werden Anpassungen am Algorithmus vorgenommen. Beim unüberwachten Lernen sind die Klassen vorher gar nicht bekannt und der Algorithmus dient dazu, solche Muster zu erkennen (zum Beispiel Data Mining). Das bestärkende Lernen bildet die drittegrößte Gruppe des Machine Learning Verfahrens. Sie ist eine am natürlichen Lernverhalten des Menschen orientierte Methode und arbeitet mit Belohnung und Bestrafung. Das Verfahren ist insbesondere dann interessant, wenn nicht ausreichend Datensätze vorhanden sind, die für ein überwachtes Lernen genutzt werden könnten.

Im Bereich des Machine Learning existieren eine Vielzahl von Methoden. Dazu gehört auch die lineare Regression, die weit verbreitet ist und einen hohen Bekanntheitsgrad hat. Eine weitere Klasse von Verfahren sind die neuronalen Netze, zu denen auch Deep Learning zählt. Neuronale Netze sind Algorithmen, die dem menschlichen Gehirn als ein Netzwerk von verbundenen Neuronen nachempfunden wird. Vor allem sind sie für Klassifikations- und Clusterungsaufgaben geeignet und lernen aus der Erfahrung, indem die Verbindungsstärke zwischen den Neuronen angepasst wird. Deep Learning Verfahren basieren auf neuronalen Netzen, die in komplexe innere Strukturen aufgeteilt sind. Dadurch kommt es zu den vielen Schichten (daher auch der Begriff "deep") zwischen den Eingabe- und Ausgabeeinheiten.

 

Wie wird Machine Learning bzw. Deep Learning in der Intralogistik angewendet?

Anwendungsbereiche in der Intralogistik sind vor allem:

  • Predictive Analytics

    • Modernes Anlagenmanagement (Predictive Maintenance)

    • Vorhersage von Störungen und proaktives Handeln zur Minimierung von Auswirkungen

  • Bilderkennung zur Effizienzsteigerung, aber auch zur Steigerung der Sicherheit (zum Beispiel Unfallvermeidung)

    • Identifikation von Produkten

    • Identifikation von Mitarbeitern

  • Mustererkennung

    • Optimierung von Prozessen

  • Autonome Fahrzeuge / Schwarmintelligenz

    • Autonomes Fahren inklusive Indoor Navigation

    • Autonome Auftragsverteilung

    • Autonomes Fahrzeugmanagement

  • Qualitätssicherung

    • Identifikation fehlerhafter Produkte

    • Identifikation von Störungen und gegebenenfalls automatische Reaktion

  • Assistenzsysteme als Entscheidungshilfe

  • Prognose von Planungsdaten

    • Situative Bestimmung von Durchlaufzeiten (zum Beispiel Transportzeiten)

  • Energiemanagement

 

Zukunftsausblick: Wie wird Künstliche Intelligenz die Intralogistikbranche weiterhin beeinflussen?

Künstliche Intelligenz und insbesondere Machine Learning wird die Intralogistik weiter revolutionieren. Durch einen höheren Automatisierungsgrad kann die Effizienz besonders von wiederkehrenden Prozessen gesteigert werden (zum Beispiel Autonome Fahrzeuge). Die Effizienz kann darüber hinaus weiter gesteigert werden, indem die bestehenden Prozesse besser geplant, gemanagt und koordiniert werden können. Bessere Vorhersagemodelle helfen, die Anlagen besser zu nutzen und auch die Nachhaltigkeit im Gesamtsystem zu steigern. Neue Geschäftsmodelle im Rahmen der automatischen Abwicklung von Aufträgen mit Kunden, Lieferanten und Servicepartnern (zum Beispiel in Verbindung mit Smart Contracts) steigern nicht nur die Effizienz und Effektivität, sondern sichern auch die zukünftige Wettbewerbsfähigkeit.

 

Sie möchten bestehende Daten bestmöglich nutzen und benötigen Unterstützung im Bereich Data Analytics oder Machine Learning? Treten Sie in Kontakt mit uns. Gemeinsam erarbeiten wir durchdachte Lösungen und begleiten Sie von der Analyse bis zur erfolgreichen Umsetzung.