Ordnungsrahmen für Anwendungen der Künstlichen Intelligenz im Industrie-4.0-Kontext

KI-Methoden werden nicht nur im Bereich Industrie 4.0 eingesetzt, sondern auch auf Ebene der Unternehmensführung und in vielen fachspezifischen Domänen außerhalb des industriellen Kontextes sowie außerhalb der Fertigung. Jene Anwendungsbereiche werden jedoch nicht in diesem Beitrag thematisiert.

Zentraler Einstieg in die Betrachtung ist das Konzept der Informationssysteme nach [10] wie in Bild 1 dargestellt. Hier werden die Dimensionen Mensch, Technik und Aufgaben unterschieden. Für Technik gibt es in anderen Definitionen auch das Synonym maschinelle Elemente. Aufgaben werden andernorts als Prozesse bezeichnet.

Künstliche Intelligenz bezeichnet solche Methoden, die es einem Computer ermöglichen, jene Aufgaben zu lösen, die typischerweise zu ihrer Lösung menschliche Intelligenz erfordern.

Bild 1: Wie KI-Methoden, menschliche Fähigkeiten und Prozesse bzw.
Ziele miteinander verbunden sind.

Der Blick auf die Analogie zur menschlichen Intelligenzleistung (Bild 2) ist für einen Ordnungsrahmen hilfreich, weil auch im Industrie-4.0-Kontext eine Prozessabfolge aus Wahrnehmung (Sensor), Verarbeitung (Mustererkennung), Verallgemeinerung und Neuschöpfung (implizites Modellwissen für künftige Warnungen/ Steuerungen), Kommunikation (Mensch-Maschine-Interaktion) und Handeln/ Aktion (Fertigungssteuerung, Roboter, Verfahrenstechnik) existiert.

Das zweite Element für einen Ordnungsrahmen bilden die Methoden der Künstlichen Intelligenz. Insbesondere die deutsche Normungsroadmap KI [5] liefert hier einen wichtigen Input für die hierarchische Klassifikation der KI-Methoden. Unter Berücksichtigung von [8] und [9] schlagen die Autoren eine hierarchische Taxonomie wie in Bild 3 vor.

Dabei weichen sie vom Begriff „klassische Methoden der KI“ ab, weil die Benennung als klassisch sehr zeitabhängig erscheint. Es wird stattdessen eine Einteilung in die zwei Bereiche ohne Fähigkeit aus neuen Daten zu lernen und mit der Fähigkeit, aus neuen Daten (dazu) zu lernen vorgeschlagen, die wiederum in symbolische KI und mathematische Verfahren einerseits und Maschinelles Lernen / subsymbolische KI andererseits unterschieden werden. Unterhalb des maschinellen Lernens gibt es Unterkategorien wie überwachtes Lernen, unüberwachtes Lernen und bestärkendes Lernen.

Eine solche hierarchische Systematik hilft perspektivisch dabei, zu jedem Anwendungsgebiet die jeweils am besten bewährte Methode zuzuordnen. So können z. B. interessierte Unternehmen schnell diejenigen Lösungen für ihre Probleme finden, die am besten zur Problemstellung passen. Seit April 2023 unterstützt das Zentrum für angewandte Künstliche Intelligenz an der Ernst-Abbe-Hochschule in Jena bei diesem aktuell sehr relevanten Prozess.

Bild 2: KI bildet typisch menschliche Intelligenzleistungen ab,
die auch im Industrie-4.0-Kontext zu finden sind.

Die Aufgaben und Prozesse innerhalb der Industrie 4.0 werden mit den jeweils am besten geeigneten KI-Methoden in Beziehung gesetzt, welche wiederum häufig mit einer oder mehreren menschlichen Intelligenzleistungen korreliert sind. Bild 4 veranschaulicht diese Beziehung des Ordnungsrahmens. Die Schnittmenge zwischen Prozessen oder Prozessschritten im Industrie-4.0-Kontext einerseits und den zugehörigen KI-Methoden andererseits wird durch Bild 5 repräsentiert. In dieser Tabelle findet man jene Prozesse, die heute durch KI-Methoden sehr gut verbessert oder automatisiert werden können. Die Prozesse und Aktivitäten sind in Bild 5 den Verantwortungsbereichen von Industrie 4.0 nach VDI 5600 zugeordnet und auf einem Hierarchielevel nach IEC 62264 verortet. Diese Prozesse und Teilprozesse kann man zudem nach ihrem Ziel in die Bereiche Wissensmanagement und Dokumentation, Modellbildung, optimiertes Ressourcenmanagement, Prognosen, Planung, Robotik/physisches Handeln/Bearbeitung, Assistenzsysteme/Mensch-Maschine-Interaktion, Analysen und Überwachung, autonomes Fahren und Fliegen, Intelligente Fertigungsautomation, Intelligente Sensorik und die Verbesserung von Produkten gliedern. Diese Zuordnung ist das zentrale Element in Bild 5 und der Einstieg für einen Process-Owner, der einen konkreten Prozess mithilfe von KI verbessern soll. Auf Basis dieser Übersicht sollte in einem weiteren Schritt die Recherche einer Best Practice für die jeweilige Technologie folgen. Auch hybride Anwendungen verschiedener Technologien können eine solche Best Practice darstellen. Die schnelle Entwicklung immer neuer Best Practices für konkrete Anwendung macht es schwierig, diese in einem Ordnungsrahmen aufzunehmen. Sie sind daher nicht Teil dieses Ordnungsrahmens, da dieser zunächst ein Bewusstsein für die Zielstellung erreichen soll. Dennoch sind sie der nächste Schritt, der auf diesen Ordnungsrahmen folgt. Alle Angaben zum Aufgabenbereich, zur Hierarchieebene und zur geeigneten KI-Methode finden sich in Bild 5.

Praktische Anwendungsfelder

KI stellt für die Transformation hin zur Industrie 4.0 eine wesentliche Schlüsseltechnologie dar. Durch die Verwendung geeigneter KI-Methoden können Prozesse nachhaltiger gestaltet und eine höhere Wertschöpfung erzielt werden. Klassische Anwendungsbereiche sind unter anderem die Produktion auf Basis dynamischer Wertschöpfungs- und Liefernetzwerke, smarte Produktentwicklung und wandlungsfähige Fabriken [5].

Wie aus Bild 5 hervorgeht, werden die Methoden der mathematischen Verfahren sowie der symbolischen KI vornehmlich in den Anwendungsfällen des Wissensmanagements und der Planung eingesetzt. Auch bei Bedarfs- und Absatzprognosen sowie der Planung der Personalverfügbarkeit kommen diese zur Anwendung. Für Prognosen werden jedoch gleichzeitig auch die symbolische KI und maschinelles Lernen genutzt.

Bild 3: Hierarchische Systematik der KI-Verfahren mit in der
Literatur üblichen Abkürzungen, angelehnt an [5, 8, 9].

Im analytischen Bereich ist die Bild- und Mustererkennung ein wichtiges Anwendungsgebiet [1]. Hierbei bietet die Bilderkennung in dem Bereich des Qualitätsmanagements Potenziale, z. B. bei der In-Line Qualitätsanalyse oder der nachträglichen Qualitätskontrolle. Die Mustererkennung ermöglicht im Kontext des Qualitätsmanagements schon eine frühzeitige Anomalie-Erkennung durch die gleichzeitige Analyse der Produkt- und Maschinendaten [2].

Eine andere Analyse von Maschinendaten, welche Verschleiß der Werkzeuge und Produktionsmittel betrifft, kann unter Anwendung der Mustererkennung zur vorausschauenden Wartung genutzt werden [3]. Hierfür ist die Echtzeit-Verarbeitung der sensorbasierten Zeitreihendaten bei zeitkritischen Prozessen entscheidend, die bspw. durch Data Lakes realisiert werden kann [12]. Besonders im Bereich des Qualitätsmanagements lässt sich der Mehrwert des Einsatzes der KI gut messen. So empfinden 44 % der KMU und 67 % der Großunternehmen die Anwendung von KI zur Reduktion der Qualitätskosten als Mehrwert [4]. Weitere bereits häufiger genutzte Anwendungen sind die autonome Intralogistik und fahrerlose Transportsysteme, der Einsatz von autonomen und kollaborativen Fertigungsrobotern sowie die verbesserte Interaktion und Integration von Mensch und Maschine durch Assistenzsysteme wie Sprach- und Gestenerkennung [5]. Assistenzsysteme für die Unterstützung des Maschnenführers erleichtern die Bedienung oder die Wartung der Maschine [4].

Etablierte KI-Methoden

Dieser Ordnungsrahmen kann nützlich sein, besonders geeignete und etablierte KI-Methoden für zu optimierende Prozesse aus dem Industrie 4.0-Kontext zu identifizieren. Im Feld Planung sind vor allem mathematisch-algorithmische Methoden vertreten, während analytische Aufgaben sowohl mathematisch als auch von Machine-Learning-Algorithmen gelöst werden. Oftmals sind für die Bereiche der Planung, Prognose und insbesondere Analyse und Überwachung die Bereitstellung der Daten und der Bereitstellungszeitpunkt entscheidend [2]. Auch hierbei kann das Informationsmanagement nach VDI 5600 von einer KI unterstützt oder sogar komplett verwaltet werden.

Vier Methoden des Machine-Learnings sind besonders häufig in Bild 5 vertreten: Multi-Layer-Perzeptron (MLP), Long-Short-Term-Memory Modelle (LSTM), Convolutional Neural Networks (CNN) und Random Forest (RF). Dies liegt an ihrer Fähigkeit, bestimmte Problemstellungen effektiv zu lösen. Multi-Layer-Perzeptrons sind zusammen mit Random Forests durch ihr Generalisierungsvermögen gut für allgemeine Regressions- oder Klassifikationsprobleme geeignet. Dabei lässt sich der Einfluss von Parametern auf das Gesamtproblem bestimmen.

Bild 4: Beziehung der Prozessschritte („Aktivitäten“) zu den jeweils am
besten geeigneten Methoden der KI und den durch sie kompensierten
menschlichen Intelligenzleistungen.

Die visuelle Wahrnehmung und Verarbeitung wird mittels Convolutional Neural Networks (CNN) und Visual Transformer (ViT) umgesetzt, die u. a. zur Anomalie- und Objekterkennung sowie zur Objektverfolgung in Bildern und Videos eingesetzt werden. Long-Short-Term-Memory Modelle (LSTM) nutzen spezielle Bausteine im Netzwerk zur temporären Speicherung von Abfolgen. Damit lassen sich zeitliche Abfolgen wie Audio-Signale, Sprachverarbeitung und -synthese sowie historische Daten verarbeiten. Entsprechend werden diese Technologien bei Prognosen und Sprachassistenzsystemen eingesetzt.

Bild 5 zeigt eine breite Durchdringung von Machine-Learning Methoden in fast allen Bereichen von Industrie 4.0. Lediglich die Domänen Planung, Wissensmanagement und optimiertes Ressourcenmanagement werden bisher durch algorithmische Methoden dominiert. Im Bereich Kommunikation sind durch die Veröffentlichung von Chatsystemen wie ChatGPT von OpenAI oder dem Konkurrenzsystem Bard von Google, einem auf der Sprachmodell-Anwendung LaMDA basierenden Chatbot, in Verbindung mit Sprachsynthese dynamische Weiterentwicklungen von Assistenzsystemen zu erwarten.

Diskussion

Der Ordnungsrahmen ist eine gute Hilfestellung der Zuordnung von KI-Methoden zu Industrie 4.0-Anwendungsdomänen. Trotzdem fällt auf, dass es neben Industrie 4.0-spezifischen Prozessen auch generische Prozesse gibt, die ebenso in anderen Domänen zum Einsatz kommen. Solche Fähigkeiten sind z. B. natürlichsprachliche Kommunikation anstelle einer Tastaturbedienung, Bilderkennung, die zur räumlichen Orientierung oder Gestenerkennung genutzt werden kann, oder die Auflösungsverbesserung von Bildern. Derartige grundsätzliche Fähigkeiten werden Bestandteil vieler gewöhnlicher IT-Systeme werden. Die KI-Methoden sind nicht vollständig aufgeführt. Hybride Lernmethoden wurden aus Platzgründen nicht weiter thematisiert, ergänzen perspektivisch jedoch Bild 3. In praktischen Anwendungen lassen sich beispielsweise symbolische und subsymbolische Methoden zu “grey Boxen” kombinieren, die etwasbesser erklärbar sind als reine subsymbolische Methoden, was jedoch das Finden einer geeigneten Technologie zum Einstieg schwieriger macht. Aus diesem Grund fokussiert sich dieser Rahmen auf einzelne Methoden.

Viele KI-Methoden werden auch in angrenzenden Domänen zu Industrie 4.0 verwendet, wie z. B. in smart-Konzepten. Hier könnte der Ordnungsrahmen ausgedehnt werden.

Es ist zudem anzumerken, dass auch eine Betrachtung nach ethischen Gesichtspunkten bei der Auswahl der KI-Systeme durchgeführt werden sollte. Der Deutsche Ethikrat [11] gibt hierfür Empfehlungen für die vier Anwendungsbereiche der Medizin, schulischen Bildung, öffentlichen Kommunikation und Meinungsbildung sowie der öffentlichen Verwaltung ab.

Bild 5: Mit KI bereits heute gut unterstützte Prozesse in Industrie 4.0.

Ausblick

Im Kontext der Industrie 4.0 wird durch die Umsetzung von IoT eine automatisierte Steuerung der Prozesse angestrebt. Dabei wird die Autonomie der jeweiligen KI [2] zunehmen, sodass autonomes, zielgerichtetes Handeln ermöglicht wird. Gleiches gilt bezüglich kreativer Prozesse wie dem Entwurf neuer Produkte. Hier wird KI eine stärkere Rolle als Assistenz einnehmen.

Die Machine-Learning-Methoden sind nach McKinsey [6] zentraler Forschungsaspekt der Zukunft. Dennoch gibt es weiterhin Prozesse, die vornehmlich mit traditioneller Programmierung, mathematischen Verfahren und symbolischer KI umgesetzt werden. Die Gründe dafür sind vielseitig, wie z. B. das Fehlen einer validen, hochqualitativen Datenmenge. Es kann zudem in manchen Situationen explizit gewünscht sein, erst Vertrauen in die neue Technologie zu gewinnen. Explainable AI-Methoden (kurz XAI) sind daher ein wichtiger Schwerpunkt aktueller Forschung [7]. Der Ordnungsrahmen könnte dies zukünftig aufnehmen.

Beitrag als pdf herunterladen
 

Schlüsselwörter:

Literatur:

[1] Bundesministerium für Wirtschaft und Energie: Kompetenzen und Kooperationen zu Künstlicher Intelligenz. URL: www.de.digital/DIGITAL/Redaktion/DE/Digitalisierungsindex/Publikationen/...download-ki-kompetenzen.pdf?__blob=publicationFile&v=1, S.13 ff, Abrufdatum 12.01.2023.
[2] Bundesministerium für Wirtschaft und Energie: Technologieszenario „Künstliche Intelligenz in der Industrie 4.0“. URL: www.plattform-i40.de/IP/Redaktion/DE/Downloads/Publikation/KIindustrie-40.pdf?__blob=publicationFile&v=1, S.14 ff, Abrufdatum 12.01.2023.
[3] Bundesministerium für Wirtschaft und Energie: Potenziale der schwachen künstlichen Intelligenz für die betriebliche Ressourceneffizienz. URL: www.ressource-deutschland.de/fileadmin/user_upload/1_ Themen/h_Publikationen/Studien/VDI-ZRE_Studie_KIbetriebliche-Ressourceneffizienz_Web_bf.pdf, S.72-73, Abrufdatum 12.01.2023.
[4] Forschungsbeirat der Plattform Industrie 4.0: Künstliche Intelligenz zur Umsetzung von Industrie 4.0 im Mittelstand. URL: www.plattform-i40.de/IP/Redaktion/DE/ Downloads/Publikation/Expertise-Forschungsbeirat_KIfuer-Industrie40.pdf?__blob= publicationFile&v=1, S. 19, Abrufdatum 13.01.2023.
[5] DIN e.V., DKE Deutsche Kommission Elektrotechnik Elektronik Informationstechnik in DIN und VDE: Deutsche Normungsroadmap Künstliche Intelligenz, Ausgabe 2. URL: www.din.de/resource/blob/891106/57b7d46a1d2514 a183a6ad2de89782ab/deutsche-normungsroadmapkuenstliche-intelligenzausgabe-2--data.pdf, S. 177 ff, Abrufdatum 14.01.2023. [6] McKinsey Global Institute: Notes from the AI frontier, insights from hundreds of use cases. 2018. URL: www.mckinsey.com/~/media/mckinsey/featuredinsights/artificial intelligence/notes from the ai frontier applications and value of deep learning/notes-fromthe-ai-frontier-insights-fromhundreds-of-use-casesdiscussion-paper.ashx, S. 9 ff, Abrufdatum 15.02.2023.
[7] Barredo Arrieta, A.; Díaz Rodríguez, N.; Del Ser, J. u. a.: Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. 2020. URL: www.sciencedirect.com/science/article/pii/S1566253519308103, S. 83, Abrufdatum 15.02.2023.
[8] Adams, S.; Arel, I.; Bach, J. u. a.: Mapping the Landscape of Human-Level Artificial General Intelligence. 2012. URL: ojs.aaai.org/index.php/aimagazine/article/view/2322, S. 32, Abrufdatum 16.02.2023.
[9] Mohammadi, M.; Al-Fuqaha, A.; Sorour, S. u. a.: Deep Learning for IoT Big Data and Streaming Analytics: A Survey. 2018. URL: www.arxiv.org/pdf/1712.04301.pdf, S. 7, Abrufdatum 16.02.2023.
[10] Aplar, P.; Alt, R.; Bensberg, F.; Weinmann, P.: Anwendungsorientierte Wirtschaftsinformatik. 9. Auflage. Wiesbaden 2019.
[11] Deutscher Ethikrat: Mensch und Maschine – Herausforderungen durch Künstliche Intelligenz, Stellungnahme. 2023. URL: https://www.ethikrat.org/fileadmin/Publikationen/Stellungnahmen/deutsch/...mensch-und-maschine.pdf, Abrufdatum 24.04.2023.
[12] Petrik, D.; Mormul, M.; Reimann, P.; Gröger, C.: Anforderungen für Zeitreihendatenbanken im industriellen IoT. In: Meinhardt, S.; Wortmann, F. (Hrsg): IoT – Best Practices. Edition HMD. Wiesbaden. 2021. URL: https://doi.org/10.1007/978-3-658-32439-1_19, Abrufdatum 24.04.2023.