Kaum ein Thema hat in den vergangenen Jahren so viel Beachtung gefunden wie die künstliche Intelligenz (KI), die mit verschiedenen Methoden intelligentes, menschliches Problemlösen nachbildet. Maschinelles Lernen ist ein wichtiger Bestanteil von KI: Hier wird ein Algorithmus mit Trainingsdaten in die Lage versetzt, eigenständige Lösungen zu unbekannten Problemen zu finden. Dabei verlässt sich der Algorithmus nicht auf Regeln, die der Mensch vorgegeben hat, sondern verwendet Abstraktionen, die er in der Lernphase selbst gemacht hat.
Ein Teil des Machine Learnings sind künstliche neuronale Netze, die ähnlich arbeiten wie das menschliche Gehirn. Die meisten populären Vertreter künstlicher Intelligenz greifen auf diese künstlichen neuronalen Netze zurück. Beispiele sind Googles Deep-Mind-Algorithmus, der im Jahr 2016 den damaligen Go-Meister Lee Sedol bezwang, oder Microsofts Bilderkennung, die schon im Jahr 2015 weniger Fehler machte als Menschen.
Bekannte Ansätze durch KI erweitern oder sogar ersetzen
Auch das Qualitätsmanagement kann durch Methoden der künstlichen Intelligenz ergänzt werden, um die Produktion zuverlässiger zu machen. Hier setzt das Aachener Start-up Iconpro GmbH an. Das Unternehmen hat sich auf KI-basierte Softwarelösungen für das Qualitätsmanagement produzierender Unternehmen spezialisiert. Diese unterstützen dabei, neue Erkenntnisse aus vorliegenden Daten zu gewinnen. Bestehende Prozesse für die Informationsverarbeitung im Qualitätsmanagement können sie durch effizientere und effektivere Methoden ersetzen.
Bei der statistischen Prozessregelung (SPC) beispielsweise kann das Qualitätsmanagement von der künstlichen Intelligenz profitieren. Für das Standardtool SPC werden festgelegte Parameter wie der Durchmesser der Bauteile, die an einer Maschine hergestellt werden, über die Produktionszeit hinweg erfasst. Die aufgezeichneten Werte erlauben Rückschlüsse auf die Qualität des Produktionsprozesses. Sind kritische Ausreißer oder auffällige Trends in den Messdaten erkennbar, kann der zuständige Mitarbeiter gewarnt werden. Um die Messdaten zu interpretieren, wird ihr Einfluss auf den Prozess bewertet. Dafür muss bekannt sein, wie sich die Daten verteilen sollten. Die geeignete Strategie dafür gibt der Benutzer vor, woraufhin der Algorithmus entsprechende Hypothesentests durchführt.
Gut trainierte KI kann Expertenwissen ersetzen
Leider erfordert diese Vorgehensweise Expertenwissen zum Prozess und statistischen Zusammenhängen. Mithilfe künstlicher Intelligenz kann das Vorgehen vereinfacht werden. Eine richtig trainierte KI kann das zuvor notwendige Expertenwissen zu einem großen Teil ersetzen und erleichtert den Umgang mit der Regelung von Prozessen. Die Prozessüberwachung wird so leichter bedienbar, zuverlässiger und insbesondere bei größeren Prozessdatensätzen schneller.
Trotz der Vorteile des maschinellen Lernens gibt es aber vor allem einen Nachteil von Algorithmen, die auf künstlichen neuronalen Netzwerken basieren: Dies ist die eingeschränkte Nachvollziehbarkeit der Entscheidungsfindung. Dem Anwender wird zwar ein Ergebnis präsentiert, er kann jedoch nicht nachvollziehen, warum der Algorithmus genau zu diesem Ergebnis kommt. Man spricht in diesem Zusammenhang oft von einem „Black-Box”-Modell. Es steht in Kontrast zu „White-Box”-Modellen, bei denen die Entscheidungsfindung nachvollzogen werden kann, da die Regeln entweder durch den Benutzer vorgegeben oder durch einen Softwareentwickler explizit programmiert wurden.
KI muss sich das Vertrauen erst erarbeiten
Die fehlende Transparenz der Ergebnisfindung führt zunächst zu einem Vertrauensproblem – der Anwender bleibt skeptisch. Um diesem Effekt zu begegnen, verfolgt Iconpro zwei Ansätze. Zum einen können während der Einführungsphase der KI-Software beide Systeme, das alte wie das neue, parallel verwendet werden. Stimmen beide über eine längere Periode überein, erhöht sich das Vertrauen des Anwenders in die neuen Algorithmen. Die neue Software kann zusätzlich jedoch auch die Güte ihrer vorgeschlagenen Lösung berechnen, welche ebenfalls mit der des alten Systems verglichen werden kann. Dies ist besonders sinnvoll, wenn die KI-basierte Softwarelösung ein besseres Ergebnis als das Vergleichsmodell liefert. Diese beiden Ansätze stärken das Vertrauen in die neue Technologie.
KI für die statistische Prozessregelung ist aber nur eine von vielen Möglichkeiten, wie sich künstliche Intelligenz in der Produktion nutzen lässt – denn im Zuge der Digitalisierung werden immer mehr Produktionsdaten erfasst. Eine KI kann darin Muster erkennen, was Zusammenhänge zwischen verschiedenen Faktoren in der Produktion sichtbar macht. Dies ermöglicht eine einfachere, effektivere und automatisierte Prozessoptimierung, die nicht nur auf bereits eingetretene Probleme reagiert, sondern auch vor möglichen zukünftigen Problemen warnt.
Die Software-Lösungen von Iconpro werden mit gängigen Plattformen aus dem Qualitätsmanagement wie Q-DAS oder SAP QM kompatibel sein. Damit können Unternehmen einen weiteren Schritt in Richtung der Null-Fehler-Produktion gehen und vor allem auch die von der ISO 13485 betonte Produktsicherheit durch bessere Prozesse weiter steigern.
Starke und schwache KI
Zwei Arten künstlicher Intelligenz werden unterschieden – die starke und die schwache. Während sich die starke KI mit domainübergreifendem Problemlösen beschäftigt, beschränkt sich schwache KI auf eine spezifische Aufgabe, die sie zu lösen versucht. Auf dem Gebiet der schwachen KI, zu der auch die Lösungen von Iconpro zählen, wurden in den vergangenen Jahren große Fortschritte erzielt. Bei vielen Spezialaufgaben übersteigen die Fähigkeiten der Algorithmen mittlerweile schon das, was Menschen leisten können.
Über das Start-up
Iconpro ist als Spin-Off des WZL an der RWTH Aachen entstanden. Die Mitarbeiter entwickeln Process-Mining-Software, mit der sich Daten zu Produktionsprozessen und zur Qualität analysieren lassen. Prozessdaten werden dafür aus ERP-, MES- oder SPC-Systemen extrahiert und durch maschinelle Lernalgorithmen analysiert und korreliert, um Zusammenhänge zu erkennen. Iconpro bietet individuelle Beratungsprojekte und Workshops an.
Mehr über Künstliche Intelligenz – in der Medizin:
Für künstliche Intelligenz in der Medizin muss es eine Qualitätssicherung geben
Hier finden Sie mehr über:
