Google+ Facebook Twitter XING LinkedIn GoogleCurrents YouTube

Machine Learning

Die Maschine lernt nie aus

| Autor / Redakteur: Victoria Sonnenberg / Victoria Sonnenberg

Wenn der Roboter vom Roboter lernt – Ansätze und Lösungen zum maschinellen Lernen waren auch auf der Hannover Messe 2017 Thema.
Wenn der Roboter vom Roboter lernt – Ansätze und Lösungen zum maschinellen Lernen waren auch auf der Hannover Messe 2017 Thema. (Bild: Deutsche Messe AG)

Maschinelles Lernen, Deep Learning, – das Phänomen künstliche Intelligenz hat viele Teilgebiete, die aber immer eines gemein haben: die Fähigkeit, aus Daten zu lernen und Muster abzuleiten. Prominentes Beispiel aus dem industriellen Sektor ist ohne Frage die Predictive Maintenance. Was früher spröde als Instandhaltung daherkam, hat sich heute zu einer spannenden Angelegenheit entwickelt, mit der man in die Zukunft schauen und Worst Cases wie teure Maschinenstillstände verhindern kann. Diese Vorhersagen machen bereits jetzt den Wettbewerbsvorteil aus.

Watson oder Deep Blue von IBM sind Super-Computer von gestern und trotzdem bleiben sie die faszinierenden, imposanten und unvergessenen Beispiele des bis dahin unspektakulären Phänomens maschinelles Lernen (ML) – dem Beherrscher von Big Data –, die die Welt und Schachmeister einst ins Staunen brachten. Eigentlich ein alter Hase (ABS-System, Spracherkennung im Handy et cetera) erlebt ML seit einiger Zeit eine Renaissance, ermöglicht durch die Datenflut, die Industrie 4.0 so mit sich bringt, in der sich Systeme selbstständig zurechtfinden, lernen und sich sogar selbst umprogrammieren können. So zum Beispiel auch Omrons dritte Generation seines Tischtennisroboters. Dies hört sich im ersten Moment vielleicht profan an, was der Automatisierungsspezialist allerdings auf der letzten Hannover Messe präsentierte, könnte nicht weniger profan sein: eine technische Innovation, die neue Dinge selbstständig erlernen kann und selbst beim Menschen den Lernprozess voranbringt.

Von noblen Gesten eines Tischtennisroboters

Der Clou bei Forpheus und vielleicht auch der interessanteste Unterschied zu Watson: Forpheus versucht den menschlichen Kontrahenten nicht auszuspielen, sondern spielt mit ihm, setzt dabei sogar noch einen drauf, indem er versucht, das gesamte Potenzial eines Menschen auszuschöpfen, und ihm dabei hilft, seine Spielleistung zu optimieren.

Das gleiche Prinzip wendet Omron in automatisierten Arbeitsumgebungen an, in denen so das Potenzial des Menschen bestmöglich ausgeschöpft werden soll. Arbeitnehmer können erkannt werden und erhalten automatisch ihre Anweisungen, die individuell auf die Fähigkeiten jedes einzelnen zugeschnitten sind – um so eine Produktion zu erschaffen, in der Mensch und Maschine bestmöglich vereint werden. Auch Forpheus soll diese Verbindung zwischen Mensch und Maschine verkörpern. Dazu vereint der Tischtennistrainer insgesamt sechs Techniken:

  • die Fähigkeit, Informationen zu interpretieren,
  • Ereignisse vorherzusehen,
  • neue Dinge selbstständig zu lernen,
  • dementsprechend Handlungen auszuführen
  • sowie mit Menschen zu interagieren
  • und zu kommunizieren.

Forpheus lernte in unzähligen Spielstunden von Tischtennisspielern unterschiedlicher Niveaus, den Verlauf des Balles, das Niveau des Spielers und die Bewegungen des Schlägers präziser vorherzuberechnen. Somit ist die künstliche Intelligenz in der Lage, zu wissen, wie sie ein Spiel durch kontinuierliches Sammeln von Daten in Echtzeit an den Mitspieler anpassen kann und die Art der Ballrückgabe abstimmen muss. Dabei wird der Ball von Kameras dreidimensional erfasst, wodurch Forpheus in der Lage ist, mit 80 Rechenoperationen pro Sekunde vorherzusehen, wohin der Ball fliegen wird. Er berechnet die Flugbahn des Balles, sobald dieser vom Schläger des Spielers berührt wird und bewegt seinen Schläger an eine günstige Position auf der Flugbahn, um den Ball zurückzuschlagen. Zudem berechnet er die Flugbahn des selbst angenommenen Balles sowie dessen Geschwindigkeit und Position, damit der Gegenspieler diesen leichter annehmen kann.

Rechenleistung ist der Begriff, der ein Phänomen wie das maschinelle Lernen erst ermöglicht. Denn künstliche Intelligenz bedarf enormer Rechenkapazität, wenn sie präzise und schnell reagieren und Ergebnisse liefern soll. „Im Grunde genommen sind die Verfahren zum Beispiel von neuronalen Netzen sehr alt, aber neue Rechnerarchitekturen, vor allem parallele Verarbeitung auf Grafikkarten, ermöglichen eine effiziente Verarbeitung und Skalierung der Algorithmen“, sagt Dr.-Ing. Matthias Peissner, Head of Competence Center am Fraunhofer-IAO. „Wir stehen noch am Anfang, mit zunehmender Rechenkapazität werden die Fähigkeiten im ML noch viel ausgeprägter werden. Insbesondere sobald autonome Systeme die Fähigkeit entwickeln, sich selbstständig neues Wissen anzueignen und auf nahezu unbegrenzte Datenmengen im Internet zuzugreifen, wird sich dieser Fortschritt immer stärker beschleunigen.“

Ungeordnete Datenmassen schnell und präzise in ein Muster bringen

Diese schnelle und effiziente Bearbeitung von ungeordneten Datenmassen, die zu neuen Entwicklungen und einer schnellen Weiterverbreitung des maschinellen Lernens in so kurzer Zeit verholfen hat, liegt zum einen in der Verfügbarkeit von Datenmengen und zum anderen in der parallelen Datenberechnung von GPU-Computing (dabei wird der Grafikprozessor gemeinsam mit der CPU zur Beschleunigung von technischen Anwendungen eingesetzt). Grafikkarten als Rechenbeschleuniger finden daher jetzt auch vermehrt ihren Platz in der Cloud. Internetriese Google, der auf dem Gebiet des maschinellen Lernens bereits den meisten viele Schritte voraus ist, beispielsweise beim autonomen Fahrens (ebenfalls eine Form des ML), bietet seit Anfang des Jahres in der Google Cloud Machine-Learning-Dienste für ML mit bereits trainierten Modellen und einer Möglichkeit zum Erstellen eigener maßgeschneiderter Modelle.

Einen möglichen nächsten Schritt in Hinblick auf ML sieht Dipl.-Inf. Andreas Schuller, Leiter des Competence Centers „Human-Computer Interaction“, ebenfalls am Fraunhofer-IAO, in der Verbindung von maschinellen Lernverfahren mit der Intelligenz und dem Erfahrungswissen der menschlichen Mitarbeiter: „Wir arbeiten an Systemen und Nutzeroberflächen, die technischen Spezialisten (nicht Data Analysts, sondern Experten des Anwendungsfelds, zum Beispiel Prozessingenieuren oder Servicetechnikern) einfache und komfortable Möglichkeiten bieten, ihr Wissen und ihre Problemlösekompetenzen in den Lernprozess einzubringen. Dadurch erhoffen wir uns große Fortschritte bezüglich der Effizienz und möglicher Anwendungsfelder von Machine Learning.“

Inhalt des Artikels:

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 44930475 / Maschinen)

Themen-Newsletter Produktion abonnieren.
* Ich bin mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung und AGB einverstanden.
Spamschutz:
Bitte geben Sie das Ergebnis der Rechenaufgabe (Addition) ein.

Meistgelesene Artikel

24 Gadgets zur Weihnachtszeit

Geschenkideen

24 Gadgets zur Weihnachtszeit

07.12.17 - Die Vorweihnachtszeit hat begonnen und es wird Zeit, sich um die Weihnachtsgeschenke zu kümmern. Wie wäre es mit einem praktischen, nützlichen oder verrückten Gadget? Für beinahe jeden Anlass gibt es eine passende technische Spielerei. Wir zeigen Ihnen 24 Gadgets, die gut unter den Weihnachtsbaum passen. lesen

MM Innovationstag - Fachvorträge, Ausstellung und Networking

MM Akademie

MM Innovationstag - Fachvorträge, Ausstellung und Networking

11.12.17 - Am 7. Dezember 2017 fand in Düsseldorf der erste MM Innovationstag zum Thema Fertigungstechnik 4.0 statt. Führende Unternehmen wie Siemens, Renishaw, Meusburger oder Open Mind stellten Methoden und Kompetenzen für die digitale Fertigungstechnik vor und präsentierten Lösungen aus der Praxis. lesen

Marokko auf dem Weg der Industrialisierung

Auslandsmärkte

Marokko auf dem Weg der Industrialisierung

11.12.17 - Die Montagehalle war zum Festsaal geworden, als der marokkanische Minister für Industrie, Investition, Gewerbe und digitale Wirtschaft, Moulay Hafid El Alamy, sowie Siemens-Gamesa-CEO Dr. Markus Tacke die erste Rotorblattfertigung in Afrika eröffneten. Doch in Nordafrika, dem Nahen Osten und Südeuropa gibt es einen fruchtbaren Boden für die Produkte aus der neuen Fertigung. lesen