Technikjournalisten bloggen

Machine Learning für alle

Achim Baier von Arconsis IT Solutions auf dem Maschinenbaugipfel 2017

Machine Learning krempelt den industriellen Sektor um: Sowohl das Kerngeschäft in der Produktion profitiert von lernenden Algorithmen, als auch die periphären Wirtschaftszweige. Die Human Ressources greifen auf Algorithmen zurück, um Bewerber zu sortieren, LKWs liefern bald autonomom und in der Kundenbetreuung selektieren Chatbots die Kundenananfragen.

Dem Algorithmus wird dabei ein Ziel vorgegeben, indem er anhand spezieller Testdatensätze trainiert wird, dem Prinzip von Supervised Learning. Dieser Testdatensatz beinhaltet viele tausend Datenpunkte, die bereits mit dem gewünschten Ergebnis versehen sind; beispielsweise, ob ein Werkstück die Qualitätskontrolle bestanden hat oder nicht.

Vernetzte Fabrik schafft Grundlage für Machine Learning

Diese Testdatensätze fallen in intelligenten und vernetzten Produktionsanlagen von selbst an. Es kommt nur darauf an, sie sinnvoll strukturiert zu speichern – selbst wenn noch kein akuter Anwendungsfall bekannt ist. Neue Anwendungen können dann später auf den Datensatz zugreifen und ohne großen Mehraufwand angelernt werden. Die vollvernetzte Produktion ist aber die Ausnahme und so mangelt es oft am Rohdatenbestand, weiß Achim Baier von Arconsis IT Solutions. „Unsere Kunden denken meist, ihr Datenbestand wäre ausreichend. Wenn wir dann sagen, dass wir eine halbe Million Datenpunkte brauchen, machen sie große Augen“.

Dass ist für Unternehmen doppelt problematisch, denn zum einen müssen die Datensätze erst gewonnen werden. Zum anderen müssen sie auch aufbereitet werden. Das geschieht immer noch von Hand, was zeitintensiv ist. Das heißt im Zweifelsfall, dass ein Mitarbeiter mehrere Wochen damit beschäftigt ist, in einer Datenbank einzutragen, wann welches Bauteil einer Anlage kaputt ging, um dem Algorithmus Rückschlüsse darauf zu erlauben. Einfacher ist es, wenn die nötigen Daten bereits miterhoben werden.

Defekte vorhersehen, Standzeiten verkürzen

Predicitive Maintenance, also Produkte, die vorhersehen, wann ein Bauteil einer Produktionsmaschine ausfallen wird, sind schon heute auf dem Markt. So nutzt Rolls Royce die Technik bereits in seinen Triebwerksmotoren. Diese senden während und des Flugs alle anfallenden Daten in die Cloud, wo sie automatisiert ausgewertet werden. Ingenieure von Rolls Royce können in Echtzeit auf die Daten zugreifen und so noch während des Fluges die Wartung am Boden planen. Dieses Prinzip lässt sich ebenso auf Maschinen in der Industrie anwenden.

Unternehmen müssen dabei nicht von Null anfangen, wenn sie Machine Learning Technologien für sich selbst entwickeln wollen – das wäre für KMUs gar nicht zu leisten. Doch Investments und Forschung der großen Player wie Google, Amazon und IBM, haben die Technologie gewissermaßen demokratisiert. Die eigenen Mitarbeiter können über Onlineplattformen geschult werden, die von den genannten Anbietern unterstützt werden, um so einen einfachen Einstieg in das Thema Machine Learning zu finden. Auch die benötigte Hardware ist inzwischen leicht zu finanzieren.

So ist Machine Learning bereits heute in vielen Teilen der Industrie vertreten: Eine Großmolkerei setzt beispielsweise auf Bilderkennungsalgorithmen, um beschädigte Joghurtbecher und Milchverpackungen zu erkennen und auszusortieren. Mit herkömmlicher Technologie würde dies für jedes Redesign und jedes neue Produkt lange Rüstzeiten bedeuten. Die Molkerei benutzt ein System mit integrierter Bilderkennung auf Machine Learning-Basis. Diese gleicht nicht mehr stupide Joghurtbecher mit einem Idealbild eines Joghurtbechers ab, sondern erkennt die Beschädigung selbst – unabhängig von Design und Beschaffenheit des Produkts.

Unsupervised Learning läuft an

In beiden beschriebenen Usecases, der Predictive Maintenance und der optischen Qualitätskontrolle, werden vor allem Supervised Learning Algorithmen eingesetzt. Achenbach Buschhütten entwickelt gerade ein System zur Predictive Maintenance, das auf Unsupervised Learning setzt. Dabei erkennt der Algorithmus selbst Muster in den Rohdaten. Der Vorteil liegt auf der Hand: So können neue Anzeichen entdeckt werden, die einer Maschinenstörung vorausgehen. Im Optimalfall kann der Betreiber so sogar auf Kausalitäten für Maschinendefekte schließen, die ihm bisher unbekannt waren. Darüber hinaus entfällt bei Unsupervised Learning das Aufbereiten der Datensätze, was Personal spart.

So lässt sich nur ein Mantra der letzten Jahre wiederholen: „Daten sind das Öl des 21. Jahrhunderts“. Aufbereitet und mit einem leistungsfähigen Algorithmus ausgewertet, treiben Sie das Unternehmen an. Im Gegensatz zum Öl werden sie aber nicht knapp, sie müssen nur gesammelt werden und an jeder Ecke im Unternehmen ist eine Quelle.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.