FrAIday Blog #7

Bilderkennung: Vollautomatisch Objekte erkennen und unterscheiden

Wir haben wieder den KI-Experten Martin Schiele, Geschäftsführer der AI-UI GmbH, weiterführend zum Thema Künstliche Intelligenz befragt. Im Gespräch ging es in dieser Runde um Bilderkennung durch KI-Methoden. Dafür hat Herr Schiele erklärt, wie dieser Prozess funktioniert und welches Verfahren dafür genutzt wird. Im Anschluss haben wir uns verschiedene Beispiele angeschaut – sowohl aus dem Alltagsbereich als auch aus dem unternehmerischen Kontext.

Was heißt Bilderkennung via KI?

Es ist genauso, als ob Sie sich selbst ein Bild ansehen. Sie schauen darauf und schlagartig klassifizieren sie es aufgrund verschiedener Merkmale als Familienfoto, Werbung, Landschaft, Tiere oder etwas anderes bestimmtes. Dabei können wir Menschen oft selbst gar nicht sagen, woran wir das genau fest machen.

Wie genau funktioniert das?

Nehmen wir als Beispiel ein sehr bekanntes Dataset. Das sogenannte MNIST Dataset. Dabei möchte man auf einem Bild, dass 28×28 Pixel groß ist, handgeschriebene Ziffern unterscheiden können.

Bildklassifizierung Schrifterkennung

Jeder der Pixel hat einen Helligkeitswert von 0 bis 255, wobei 255 Weiß und 0 Schwarz bedeutet. Dazwischen bilden sich Grauwerte aus. Folgendes geschieht: Man nimmt tausende von handgeschriebenen Beispielen als Input. Alle 28×28 = 748 Pixel, die in verschiedenen Schreibvarianten auftreten, werden einem Label (der Ziffer) zugeordnet und zu einem neuronalen Netz trainiert. Dieses Netz merkt sich, welche Pixelkombination zu welchem Label (der Ziffer) gehört. Es ist nun eine KI entstanden, die handgeschriebene Ziffern unterscheiden kann.
Ich habe dieses Beispiel in einem YouTube-Video genau erklärt. (Hier geht es zum Video)

Gibt es ein bestimmtes Verfahren?

Es gibt viele verschiedene Möglichkeiten, aber am häufigsten wird Convolutional Neural Networks (NN) genutzt, also sogenannte Faltungsnetzwerke. Sie funktionieren über zufällige Filter, die sich im Trainingsprozess so entwickeln, dass sie auf das Beispiel passen. Vergleichbar ist das zum Beispiel mit einem Snapchat-Filter, den Sie über Selfies legen, der dann immer die Augen ausschneidet.

Gibt es weitere Alltagsbeispiele?

So gut wie jeder KI-Algorithmus, der mit Bilddaten arbeitet, benutzt Convolutional NN. Ob es die sogenannten „Deep Fakes“ sind oder Gesichtserkennung, im Prinzip nutzen alle die gleiche Technologie. Wenn das Handy die eigenen Bilder aus der Galerie automatisch nach Personen, Tieren oder Events kategorisiert, dann ist das ebenfalls auf Bildklassifikationsalgorithmen des maschinellen Lernens zurückzuführen. Auch in der bildgebenden Medizintechnik versucht man seit einigen Jahren, KI-Bildklassifikationsalgorithmen darauf zu trainieren, Krebszellen von gesundem Gewebe vollautomatisch zu unterscheiden. Das würde Radiologen enorm viel Arbeit ersparen und die Medizin hätte zukünftig mehr Zeit für den persönlichen Kontakt zum Patienten.

Was sind typische Anwendungsfälle im unternehmerischen oder industriellen Kontext?

Ein schönes Beispiel, ist die Unterscheidung von Gut- und Schlechtteilen bei Produktionsprozessen. Sie nehmen beispielsweise 1000 Bilder von Teilen, die gut waren und geben ihnen das Label „IO“ und nun fügen Sie weitere 1000 Bilder hinzu von Schlechtteilen mit dem Label „NIO“. Wenn die Merkmale eindeutig sind, lassen sich in weniger als 2 Tagen über Sortieren und Trainieren sehr genaue Aussagen darüber treffen, ob das Verfahren direkt produktiv nutzbar sein wird oder nicht.

Bilderkennung IO NIO

Das Bild zeigt IO- und NIO-Teile eines Gussteils (Bremsscheibe) und wie man das Labeling visualisieren könnte.
Für den nächsten Blog gehen wir sogar noch einen Schritt weiter und klassifizieren nicht nur ganze Bilder, sondern einzelne Objekte in jedem Bild. Dabei könnte es sich um Produktionsfehler oder Objekte jeder Art handeln. Das gleiche Beispiel aus dem Bild oben ließe sich dann folgendermaßen übertragen:

KI Objektklassifizierung

Vergleichbar mit uns Menschen ist sich auch der Algorithmus nie 100% sicher mit seiner Einschätzung. Je nachdem, welche Sicherheit gewünscht ist, können die Ergebnisse gefiltert werden, sodass „Fehler“, die bei einer 50% Sicherheit gefunden werden, gegebenenfalls gar keine Fehler sind.

Wozu kann Bildklassifikation im Mittelstand sinnvoll sein?

Es lassen sich viele Qualitätssicherungsprozesse schnell und effizient automatisieren. Vor allem aber ist positiv herauszuheben, dass dazu keine teure Kamerahardware mehr nötig ist. Die Software (in diesem Fall KI), hat sich so gut weiterentwickelt, dass Sie Schwächen der Hardware problemlos kompensieren kann. Kamerasysteme für zehntausende von Euro sind damit obsolet, wenn es auch eine Webcam für weniger Geld tut.

„Moderne KI-Bilderkennungsalgorithmen sind längst besser als der Mensch.“
Martin Schiele - AIUI
Martin Schiele
Geschäftsführer

FrAIday Blog #6

Resampling: Die Häufigkeit macht den Unterschied

Wir haben im heutigen Interview mit KI-Experte Martin Schiele, Geschäftsführer der AI-UI GmbH an das Thema Data Scaling angeknüpft. Heute dreht sich alles um Resampling – Methoden. Erfahren Sie, was die typischen Verfahren ausmacht, wie sie funktionieren und wo sie in der Praxis Anwendung finden.

Was bedeutet Resampling?

Resampling bedeutet auf Deutsch Stichprobenwiederholung und bezeichnet die Bestimmung der statistischen Eigenschaften von Stichprobenfunktionen. Wurden Daten skaliert, wie in Blog V beschrieben, geht es im Maschinellen Lernen direkt im Anschluss oft darum, die Daten auszugleichen. Wir kennen das von uns selbst. Das, was wir am häufigsten tun, können wir in der Regel am besten und genau so lernt auch eine KI. Am Beispiel von Bildern zu Hunden und Katzen lässt sich das gut erklären. Stellen Sie sich vor, Sie haben ich nur 100 Katzenbilder, aber 10.000 Hundebilder, um einer KI beizubringen, die beiden Tiere zu unterscheiden. Wenn Sie den Datensatz unbearbeitet nutzen, dann wird die KI viel besser darin sein, Hunde zu erkennen als Katzen. Das liegt daran, dass die KI 100-mal mehr Bilder von Hunden sah (im Training) als Bilder von Katzen.

Und welche Methoden gibt es, um dem vorzubeugen?

Die zwei einfachsten und bekanntesten Methoden nennen sich „Undersampling“ und „Oversampling“. Mit Ihnen passt man Datensätze so an, dass die KI bei jedem Training die gleiche Anzahl an Klassen oder Werten sieht, ohne das eine häufiger vorkommt als die andere.

Dafür ist es notwendig zu verstehen, wie ein Histogramm funktioniert. Es zeigt einem, wie oft ein bestimmter Wert im Datensatz vorkommt. Im Bild rechts sehen Sie, dass im gegebenen Datensatz drei verschiedene Sorten von Orchideen unterschiedlich oft vorkommen. Setosa 40 mal, Versicolor 50 mal und Virginica 20 mal.

Artificial Intelligence Resampling

Wie funktioniert nun Undersampling?

Undersampling ist vergleichbar mit zufälligem Abschneiden. Man hat einen Datensatz und möchte irgendeinen Wert oder eine Klasse, in diesem Fall alle Klassen gleichförmig oft, vorkommen lassen. Dabei werden aus den Klassen, die öfter vorkommen (Setosa und Versicolor) als die am wenigsten auftretende (Virginica), zufällig Beispiele behalten und alle anderen gelöscht. Das führt dazu, dass Beispiele verloren gehen.

Artificial Intelligence Undersampling

Wie funktioniert Oversampling im Gegensatz dazu?

Das Oversampling funktioniert genau andersherum. Wir versuchen die fehlenden Beispiele „einfach aufzufüllen“. Man nimmt also von Setosa beispielsweise zufällig 10 Beispiele aus den 40 vorhandenen und steckt sie erneut in das Dataset, sodass es 50 sind. Dabei gibt es natürlich mehrere doppelt. Genau so verfahren wir in diesem Beispiel mit Virginica. Aus 20 wird 50, was bedeutet, dass es hier Beispiele mindestens 3 Mal gibt. In jedem Falle aber ist das Datenset bezüglich der Orchideenklasse nun gleich verteilt!

Artificial Intelligence Oversampling

Was ist ein typischer Anwendungsfall?

Typische Anwendungsfälle sind überall zu finden, wo man keinen sogenannten „Bias“ (dt. Verzerrung) möchte. Ein Beispiel ist das Training eines Modells zur Vorhersage von Kriminalstatistiken mit personenbezogenen Informationen wie Alter, Herkunft und Familienstand.

Wenn schon im Datensatz ein altersbezogenes Bias enthalten ist, also das feature (dt. Merkmal), dass eine Altersgruppe einseitig überrepräsentiert ist, dann wird auch das Modell zukünftig eher dazu tendieren, die überrepräsentierte Klasse in den zukünftigen Vorhersagen öfter abzubilden. Ähnlich wie bei uns Menschen, schließen wir auf eine Ereignis-Eintrittswahrscheinlichkeit aus Erfahrung. Dies nennen wir auch Vorurteile, da sie oft nur in beschränktem Rahmen und subjektiv erfahren wurden.

Wir werden genau das im nächsten Blog anhand einer Bildklassifikation einmal demonstrieren. Dabei wird gezeigt, wie ein Modell reagiert, wenn es nur wenige Beispiele einer Klasse gesehen hat im Vergleich zu einem gleichverteilten Trainingsdatensatz anhand handgeschriebener Ziffern.

Wo kann AI-UI helfen?

Wir arbeiten derzeit ausschließlich mit überwachtem Lernen. Diese Methodik hat in einem Sammelsurium breiter Anwendungsfälle gezeigt, dass es hervorragend funktioniert. Optimieren Sie Ihre Disposition, sodass beispielsweise verderbliche Waren nicht weggeworfen werden müssen oder saisonale Einflüsse in Ihre Prognose mit einfließen. Checken Sie via Bilderkennung vollautomatisch Ihre Produkte auf Fehler und verbinden Sie die Erkenntnisse mit dem Herstellungsprozess. Ebenso können Sie die Standzeiten ihrer Maschinen via digitaler Zwillinge, virtuellen Sensoren und Predictive Maintenance erhöhen. Für alle diese Einsatzgebiete ist AI-UI ein nützliches Werkzeug.
„Methoden des maschinellen Lernens geben tiefe Einblicke in unsere eigenen, menschlichen Lernprozesse.“
Martin Schiele - AIUI
Martin Schiele
Geschäftsführer

FrAIday Blog #5

Data Scaling: Bessere KI-Modelle durch einheitliche Daten

Es ist wieder so weit. Wir haben das nächste Interview mit KI-Experte Martin Schiele, Geschäftsführer der AI-UI GmbH geführt. Im heutigen Gespräch geht um das Thema Data Scaling. Wir haben mit Herrn Schiele zuerst einmal die Basis geklärt, was eigentlich Skalierbarkeit bedeutet. Wie sollte mit Daten umgegangen werden und warum muss man Daten überhaupt skalieren? Wir zeigen Ihnen einen Überblick, welche Methoden existieren, um Daten zu skalieren. Zum Abschluss zeigen wir auch ein Beispiel.

Was bedeutet Skalierbarkeit?

Skalierbarkeit bedeutet im Unternehmenskontext, dass man ein Geschäftsmodell hat, welches mit wenig Aufwand gut wachsen kann. Im Datenkontext bedeutet es die Möglichkeit der systematischen Werteveränderung. Es ist so ähnlich wie Prozentrechnung. Man sagt, das Auto hat 30.000 € UVP, es gibt 10% Rabatt und damit kostet es nur noch 27.000 €. Dabei skalieren wir automatisch die 30.000 € auf den Wert 100 (Einheit ist %) und ziehen einen vergleichbar großen Teil der Menge „10“ (in %) ab. Dann rechnen wir wieder um und kommen auf 27.000 €. Bei der Prozentrechnung skalieren wir sämtliche Daten um uns herum ständig.

Wie geht ein Unternehmen mit Daten um?

Häufig eher stiefmütterlich. Selbst wenn Daten erhoben werden, gibt es selten ein nachvollziehbares und zukunftsgerichtetes Ablagesystem, da es dem Unternehmen erst einmal nichts bringt außer Arbeit. Erst wenn es in diesen Daten einen Weg sieht, um Geld zu sparen, wird man sie auch als wertvoll einstufen. Ziel ist es also, tiefe Unternehmenseinblicke zu gewinnen.

Warum müssen Datensätze denn skaliert werden?

Stellen Sie sich vor, Sie hätten eine Datentabelle mit verschiedenen Spalten (links). Eine Spalte enthält kleine Werte, eine weitere viel Größere (Faktor 10.000 gegenüber der kleinen Werte) und eine dazwischen mit „Ausreißern“. Rechts sehen sie die statistische Auswertung. Es sind je 100 Werte pro Spalte.
Nehmen wir an, diese Werte beschreiben Insekten. Jede Zeile ein anderes Insekt. Kleine Werte stehen für die Augengröße in Metern. Große Werte für das Gewicht in Milligramm und „Werte mit Ausreißern“ für die Beinlänge in Millimetern. Es gibt hunderttausende verschiedene Arten, mit ganz unterschiedlichen Eigenschaften und jede Zeile steht für ein Tier. Als Ziel könnte man definieren, eine KI zu trainieren, die anhand dieser drei Werte klassifiziert, welcher Art das Insekt angehört.

scaled dataset

Welche Methoden lassen sich anwenden, um Daten zu skalieren?

Es gibt viele Möglichkeiten, aber wir schauen uns im Folgenden drei sehr bekannte und im Bereich des Maschinellen Lernens genutzte Methoden an. Sie sind mit Programmierkenntnissen in der Python-Bibliothek Scikit-Learn zu finden und lauten: MinMax-ScalerRobust-Scaler und Standard-Scaler. Alle drei skalieren auf unterschiedliche Weise. Die folgende Tabelle illustriert, für welche Probleme diese Skalieralgorithmen verwendet werden sollten:

NameVerteilungMittelwertWann nutzen?Beschreibung
MinMaxGebundenVariiertImmer! Erst wenn es nicht funktioniert, andere probieren.Für jeden Wert in einer Spalte subtrahiert MinMax den Minimalwert und dividiert dann durch den Gesamtbereich. Der Bereich ist die Differenz zwischen dem ursprünglichen Maximum und dem ursprünglichen Minimum.
RobustUngebundenVariiertVerwenden, wenn Sie Ausreißer haben und nicht möchten, dass diese einen großen Einfluss nehmen.Robust transformiert die Spalte durch Subtraktion des Medians und anschließende Division durch den Interquartilsbereich (75 %-Wert – 25 %-Wert ist Standard, lässt sich aber ändern).
StandardElementen-abweichung0Wenn ein Merkmal transformiert werden muss, damit es annähernd normalverteilt ist.Standard skaliert eine Spalte durch Subtraktion des Mittelwerts und anschließende Skalierung auf Einheitsvarianz. Einheitsvarianz bedeutet, dass alle Werte durch die Standardabweichung geteilt werden.

Könnten Sie ein einfaches, praktisches Beispiel zeigen?

Im Folgenden werde ich die oben gezeigte Tabelle in einem Box Plot jeweils vor und nach dem Skalieren, mit den dazugehörigen Einstellungen zeigen. So wird klar, wie sich die Daten mit den unterschiedlichen Wertebereichen verändern.

data scaling example 1

Im Bild links ist die ursprüngliche Verteilung zu sehen. Aufgrund zweier Ausreißer in der Spalte „mit Ausreißern“ also Beinlänge, liegt der Wertebereich auf der X-Achse zwischen -100 und 1.000. Also alle Insekten liegen eigentlich bezüglich der Beinlänge im Bereich 0 bis 100, aber 2 Tiere tanzen völlig aus der Reihe. Der Wert -100 muss wahrscheinlich sogar falsch sein, da Insekten keine negativen Beinlängen haben können. Jetzt kann man also die Zeilen mit den Ausreißern löschen, oder Sie doch mit einbeziehen, weil sie tatsächlich stimmen. Im Folgenden gehen wir einfach davon aus, dass die Daten OK sind. Skaliert man MinMax zwischen 0 und 1 wird wie bei dem Prozentrechnungsbeispiel für jede Spalte eine Umrechnung durchgeführt. Nun sind auch die „Kleinen Werte“ nicht mehr nur als Strich dargestellt, sondern erstrecken sich komplett innerhalb ihres Bereichs von 0 bis 1. Hier wird aber schon klar, was Ausreißer tun. Sie können zu Fehlabbildungen führen, denn dieses eine Beispiel mit dem Wert 1.000 ist womöglich nicht repräsentativ für den Rest des Datensets.

data scaling example 2

Robust wirkt dem entgegen. Durch die Auswahl von With Centering ist es zusätzlich möglich, den Mittelwert auf 0 umzurechnen, bevor in der Interquartile Range skaliert wird. Es ist festzustellen, dass Robust nicht die Ausreißer entfernt, sondern sie lediglich nur nicht bei der Berechnung des Mittelwertes und der Standardabweichung berücksichtigt.

data scaling example 2

Auch hier wurde wieder „zentriert“, dann aber durch die Einheitsvarianz geteilt.

Was ist ein typischer Anwendungsfall?

Typische Anwendungsfälle sind überall zu finden, wo man keinen sogenannten „Bias“ (dt. Verzerrung) möchte. Ein Beispiel ist das Training eines Modells zur Vorhersage von Kriminalstatistiken mit personenbezogenen Informationen wie Alter, Herkunft und Familienstand.

Wenn schon im Datensatz ein altersbezogenes Bias enthalten ist, also das feature (dt. Merkmal), dass eine Altersgruppe einseitig überrepräsentiert ist, dann wird auch das Modell zukünftig eher dazu tendieren, die überrepräsentierte Klasse in den zukünftigen Vorhersagen öfter abzubilden. Ähnlich wie bei uns Menschen, schließen wir auf eine Ereignis-Eintrittswahrscheinlichkeit aus Erfahrung. Dies nennen wir auch Vorurteile, da sie oft nur in beschränktem Rahmen und subjektiv erfahren wurden.

Wir werden genau das im nächsten Blog anhand einer Bildklassifikation einmal demonstrieren. Dabei wird gezeigt, wie ein Modell reagiert, wenn es nur wenige Beispiele einer Klasse gesehen hat im Vergleich zu einem gleichverteilten Trainingsdatensatz anhand handgeschriebener Ziffern.

Wo kann AI-UI helfen?

Wir arbeiten derzeit ausschließlich mit überwachtem Lernen. Diese Methodik hat in einem Sammelsurium breiter Anwendungsfälle gezeigt, dass es hervorragend funktioniert. Optimieren Sie Ihre Disposition, sodass beispielsweise verderbliche Waren nicht weggeworfen werden müssen oder saisonale Einflüsse in Ihre Prognose mit einfließen. Checken Sie via Bilderkennung vollautomatisch Ihre Produkte auf Fehler und verbinden Sie die Erkenntnisse mit dem Herstellungsprozess. Ebenso können Sie die Standzeiten ihrer Maschinen via digitaler Zwillinge, virtuellen Sensoren und Predictive Maintenance erhöhen. Für alle diese Einsatzgebiete ist AI-UI ein nützliches Werkzeug.
„Datenskalierung ist essenziell für die Arbeit mit Künstlicher Intelligenz!“
Martin Schiele - AIUI
Martin Schiele
Geschäftsführer

FrAIday Blog #4

Digitaler Zwilling am Praxisbeispiel

Es ist wieder so weit. Wir haben das nächste Interview mit KI-Experte Martin Schiele, Geschäftsführer der AI-UI GmbH geführt. Im heutigen Gespräch geht um das Thema Data Scaling. Wir haben mit Herrn Schiele zuerst einmal die Basis geklärt, was eigentlich Skalierbarkeit bedeutet. Wie sollte mit Daten umgegangen werden und warum muss man Daten überhaupt skalieren? Wir zeigen Ihnen einen Überblick, welche Methoden existieren, um Daten zu skalieren. Zum Abschluss zeigen wir auch ein Beispiel.

Heute haben wir etwas besonderes vor. Daher erklären wir heute kurz, wie der heutige BLOG ablaufen wird!

In diesem BLOG soll an einem praktischen Beispiel die Erstellung eines Digitalen Zwillings gezeigt werden. Dabei wird noch einmal erklärt, was ein Digitaler Zwilling im vorliegenden Beispiel genau bedeutet und welche Daten als Grundlage dienen. Die Datenanalyse und Datenaufbereitung wird Stück für Stück gezeigt und erklärt. So wird nachvollziehbar, warum bestimmte Tätigkeiten notwendig sind und warum nicht. Best Practices aus dem Bereich des Maschinellen Lernens werden vermittelt und gezeigt, warum Daten skaliert werden sollten. Nach gelungenem Training des Digitalen Zwillings, erkläre ich Ihnen, wie das neuronale Netz arbeitet. Wir schauen, mit welchen Werkzeugen untersucht werden kann, warum es gewisse Entscheidungen trifft.

Entscheidungen treffen ist ein gutes Stichwort. Unternehmen tun sich genau in diesem Punkt oft schwer, oder?

Natürlich klären wir im Live-Tutorial auch die Frage, wie Entscheidungen in diesem Zusammenhang getroffen werden. Viele Unternehmer schrecken immer noch vor KI zurück, weil sie Angst haben, die Entscheidungsprozesse dahinter nicht nachvollziehen zu können. Diese Probleme gehören jedoch der Vergangenheit an.

„Digitale Zwillinge sind zeitgemäße Instrumente zur System- und Prozessüberwachung.“
Martin Schiele - AIUI
Martin Schiele
Geschäftsführer

FrAIday Blog #3

Effizienzsteigerung durch digitales Abbild

Neue Runde – neues Wissen. Wir haben in der nächsten Fragerunde wieder etwas Neues zum Thema Künstliche Intelligenz erfahren. Im heutigen Blog dreht sich alles um den Digital Twin. KI-Experte Martin Schiele, Geschäftsführer der AI-UI GmbH, hat uns aufgeklärt, was ein Digitaler Zwilling eigentlich ist und wie ein solcher funktioniert. Wir haben im Anschluss darüber gesprochen, wie ein Twin in digitaler Form in einer Smart Factory eingesetzt werden kann und inwiefern die digitale Simulation für Unternehmen an Bedeutung gewinnt.

Was genau ist ein Digitaler Zwilling?

Wie schon in Blog II angekündigt, geht’s es in dieser Ausgabe um den Digitalen Zwilling. Ein sogenannter „Digital Twin“, auf Deutsch Digitaler Zwilling, wird oft im Kontext von Maschinellem Lernen verwendet. Es handelt sich um eine Art digitale Simulationsumgebung. Das klingt komplizierter als es sein muss. Man kann innerhalb der Simulation mit gewählten Objekten interagieren und anhand der Reaktionen (Input-Output) Entscheidungen treffen.

Wie hängen Überwachtes Lernen und der Digitale Zwilling nun zusammen?

Im Supervised Learning | Überwachten Lernen sagt man der KI, welcher Output zu welchem Input gehört (Training). Genau das tun wir bei der Kreation eines Digitalen Zwillings auch. AI-UI nutzt Neuronale Netze und speichert über Supervised Learning die Verhaltensweisen, beispielsweise Messdaten des Objektes, im Neuronalen Netz und macht es somit digital nutzbar. Einfach betrachtet übertragen wir eine Tabelle in ein Neuronales Netz. Dieses ist jedoch viel leistungsfähiger als LookUp Tables oder numerische Gleichungen und dazu noch im Handumdrehen trainiert. Warum? Weil es nichts idealisiert, sondern auf Daten der echten Welt beruht.

Wie funktioniert ein Digitaler Zwilling?

Prinzipiell gibt es zwei Wege, einen Digitalen Zwilling bzw. eine Simulation von etwas aufzusetzen. Der erste Weg ist die physikalisch, chemisch, mathematisch korrekte Abbildung eines Gerätes, einer Sache oder eines Prozesses und die anschließende Korrektur mit der Realität. Das bedeutet, man „bastelt“ und schaut, ob die Ergebnisse genau so sind wie in der realen Welt und wenn nicht, muss korrigiert werden, was immer der Fall ist.

Sie können aber auch als zweiten Weg direkt Mess- und Erfahrungswerte aus der Realität heranziehen und daraus einen Digitalen Zwilling formen. Hier kommt der KI-Ansatz ins Spiel.

Ai-UI Digitaler Zwilling

Ich erkläre es am simplen Beispiel eines Haustieres: Es wird entweder ein mathematisches Konstrukt erstellt, was die Reaktion des eigenen Hundes auf die in der Hand befindliche Leberwurst vom Fleischer hat, also beispielsweise eine Formel, die sagt: „Wenn <Wurst>, dann <diese Reaktion>“. Oder Sie nutzen die Erfahrungen der Vergangenheit, die ähnliche Situationen enthält, um ein mögliches Tierverhalten zu approximieren, also abzuschätzen. Letzteres tun wir Menschen ständig in allen Bereichen unseres Lebens. Wir bilden Modelle aus Erfahrung in unseren Köpfen. So funktioniert KI mit Neuronalen Netzen, wie wir bei AI-UI sie verwenden. Das Thema „Neuronale Netze“ werden wir in einem gesonderten Blog nochmal genauer beleuchten. Einziges Manko von Neuronalen Netzen ist, dass erste Erfahrungen vorliegen müssen. Das heißt, Sie benötigen eine Datengrundlage, denn dieser Datensatz lässt sich in der Regel nicht einfach modellieren.

Ein Digitaler Zwilling in der Digital Factory? Was bedeutet das?

Da Digitale Zwillinge im besten Fall identische Abbildungen einer in der Realität befindlichen Sache sind, können sie genutzt werden, um die abgebildete Sache zu untersuchen, zu testen oder zu verbessern. Beispielweise können sie Livedaten eines Schweißprozesses nutzen, um sie in Form eines Neuronalen Netzes „abzulegen“. Vergleichbar ist das mit einer Messwerttabelle. Im Nachgang können diese Neuronale Netz genutzt werden, um sie mit 1000 weiteren Schweißprozessen zu vergleichen. So können sie herausfinden, ob sich die Maschine verändert hat. Es wurde quasi ein Abbild gespeichert, das das Verhalten 1000 Prozesse vorher festgehalten hat. Dies ist es, was oft als Predictive Maintenance bezeichnet wird, denn es kann nachverfolgt werden, wie Objekte altern, verschleißen und sich generell verändern.

Des Weiteren können Digitale Zwillinge als virtuelle Sensoren genutzt werden. Man stattet ein Testsystem oder einen Testprozess mit Sensoren aus, die es im Serienprodukt nicht gibt. Die Daten werden während des Betriebes erneut in einem Digitalen Zwilling gespeichert. Der Twin kann dann im Serienbetrieb mitlaufen, sodass er zusätzliche Informationen aus dem Systemzustand mitliefert – kostenarm und in Echtzeit!

Vorhersagemodelle jedweder Art sind ebenso sehr beliebt, wenn es um die Disposition von Verbrauchswaren geht, die Abschätzung von Kundennachfrage in der Zukunft oder eben um Wartungsintervalle durch Precitive Maintenance.

Digitaler Zwilling – Warum ist er für Unternehmen interessant?

Wurde einmal verstanden, wozu diese digitalen Modelle genutzt werden können, eröffnen sich für Unternehmen mannigfaltige Möglichkeiten. Unternehmen können so Einblicke in Prozesse erhalten, diese weiter automatisieren und Fehleranfälligkeiten senken. Am Ende ist es doch unser aller Ziel, Produkte möglichst reibungslos und effizient zu produzieren sowie zu vertreiben. Digitale Zwillinge sind dafür ein leichtgewichtiges Werkzeug.

„Der Begriff Digitaler Zwilling ist in Mode gekommen, stellt aber nichts anderes als eine Simulation dar.“
Martin Schiele - AIUI
Martin Schiele
Geschäftsführer

FrAIday Blog #2

Maschinelles Lernen: unterschiedliche Aufgaben – unterschiedliche Lösungen

Wir haben den KI-Experten Martin Schiele, Geschäftsführer der AI-UI GmbH, weiterführend zum Thema Künstliche Intelligenz befragt. Maschinelles Lernen (engl. Machine Learning) ist hier das Schlagwort. Heute wird es darum gehen, wie KI lernt. Wir beleuchten verschiedene Arten bzw. Methoden des künstlichen Lernens und zeigen jeweils Einsatzgebiete auf. Herr Schiele stellt außerdem die Lösungsmöglichkeit seiner eigens entwickelten Software in diesem Zusammenhang vor.

Wir lüften das Geheimnis: Wie lernt denn nun eigentlich KI?

Wie in Blog I: „Einführung“ bereits erwähnt, kann man sagen, dass für die meisten Aufgaben des maschinellen Lernens, auch generell „KI“ genannt, ganz einfach Daten miteinander in Verbindung gebracht werden. Diese Daten können ganz unterschiedlicher Natur sein. Ist der Datensatz groß genug, kann man gegebenenfalls annehmen, dass diese Werte die Realität, die sie beschreiben, mit ausreichender Genauigkeit wiedergeben. Es gibt aber verschiedene Herangehensweisen oder auch „Arten des maschinellen Lernens“, die Sie darauf anwenden können.

Das müssen Sie genauer erklären. Was bedeutet Unsupervised Learning?

Im Unbeaufsichtigten Lernen gibt es verschiedene Methoden, um in den vorhandenen Daten Muster zu erkennen und diese anschließend zu nutzen, um die Daten nach Klassen zu ordnen.
KI Hunde und Katzen Mustererkennung
Wie im Bild illustriert, wird ein Sammelsurium an Hunde- und Katzenbildern, im besten Fall automatisch, ohne Zutun des Menschen in zwei einzelne Datensätze überführt. Dies geht prinzipiell mit vielerlei Daten, ist aber oft weniger zuverlässig, da die reale Welt immer „Rauschen“ beinhaltet. Das können auf Bildern weitere Pixel von Menschen, Pflanzen, Möbeln sein oder auch das Sensorrauschen bei Maschinen. Unbeaufsichtigtes Lernen hat mit dieser Art „Mischmasch“ oft Probleme, weshalb das „Supervised Learning“ populärer ist.

Wie unterscheidet sich davon das Supervised Learning, Herr Schiele?

KI Schritt 1 - Training
Beim Beaufsichtigten Lernen lässt man anders als im Unbeaufsichtigten Lernen nicht einen Algorithmus die Arbeit des Labelns übernehmen, sondern übernimmt dies als Mensch selbst. Das heißt im ersten Schritt (Abb. links) werden die Daten „gelabelt“, also das, was die KI später erkennen soll, vorbenannt.
Während des Trainings lernt die KI dann, welche Eigenschaften in den Daten mit diesem Label verbunden sind. Die KI kann diese anschließend im zweiten Schritt nach dem Training (Abb. rechts) in neuen, unbekannten Daten wiedererkennen. Es kommt der Art und Weise nahe, wie Menschen ihre Kinder „trainieren“. Sie zeigen ihnen verschiedene Tiere und benennen sie. So lernen die Kinder und können es folglich in Ihren Erfahrungsschatz übernehmen und richtig anwenden.
KI Schritt 1 - Nutzung

Erklären Sie uns doch bitte zu guter Letzt, was das Reinforcement Learning umfasst!

Bestärkendes Lernen ist das schwierigste der drei Gebiete. Dabei besteht für einen „Agent/Actor“ (die KI) eine bestimmte Aufgabe, wie das Spielen eines Spiels oder das Steuern einer Maschine nach einer vordefinierten Belohnungsfunktion. Ähnlich können wir wieder den Bogen in den Alltag spannen. Schauen wir uns hier wieder das Beispiel Kind an – genauer gesagt, der Besuch auf dem Spielplatz. Dabei ist das Kind der Actor und es bewegt sich frei innerhalb der zu erlernenden Aufgabe „Spielplatzverhalten“. Neben dem Agenten gibt es noch den „Critic“(in diesem Beispiel die Eltern), also eine Instanz, die das Agentenverhalten bewertet und nach Maßgabe der Belohnungsfunktion rügt oder bestärkt.
KI Reinforcement Learning

Wirft das Kind beispielsweise mit Steinen nach anderen Kindern, dann ist den Eltern klar, dass dieses Verhalten gesellschaftlich nicht akzeptiert ist (negative Belohnung) und werden das Kind zurechtweisen. Macht das Kind etwas Angemessenes und Schönes, wird es potenziell gelobt (positive Belohnung). So lernt der Agent bzw. das Kind, wie es sich in der Umgebung „Spielplatz“ zu verhalten hat. Andere Umgebungen (Zuhause, Arbeitsplatz, uvm.) werden oft mit anderen Belohnungsfunktionen beschrieben. Eine KI wird innerhalb des bestärkenden Lernens ganz genau so trainiert, wobei die Belohnung wie ein Konto zu sehen ist, auf das je nach Aktion Belohnung „eingezahlt“ oder „abgebucht“ wird. Der Endkontostand gibt dann prinzipiell an, wie gut sich der Agent (das Kind) in der gegebenen Umgebung (Spielplatz) nach Maßgabe der Belohnungsfunktion (gesellschaftliche Normen und Werte), bewertet durch den „Critic“ bzw. den Eltern, verhält. Der folgende Videolink beschreibt das Ganze ausführlicher an der Forschungsarbeit von mit in Verbindung mit komplexen Systemen (Motorsteuerung).

Für wen ist welche Art des (künstlichen) Lernens interessant?

Unüberwachtes Lernen ist nützlich, wenn Sie aus einem Haufen ungeordneter Daten Hinweise und grobe Zusammenhänge bekommen möchten. Wenn allerdings Daten zur Verfügung stehen, bei denen die Struktur und das, was passiert oder vorliegt klar ist, ist überwachtes Lernen immer die Methode der Wahl. Sie können sich sicher leicht vorstellen, dass eine gelernte Person (Facharbeiter – Überwachtes Lernen) auf einem Spezialgebiet immer besser arbeitet als jemand Fachfremdes (Unüberwachtes Lernen). So in etwa lassen sich beide Arten miteinander vergleichen. Bestärkendes Lernen ist sehr komplex und bedarf viel Erfahrung. Anwendungen auf diesem Gebiet sollten nur dann erfolgen, wenn schon Erfahrungen mit Überwachtem und/oder Unüberwachtem Lernen vorliegen.

Wo kann AI-UI helfen?

Wir arbeiten derzeit ausschließlich mit überwachtem Lernen. Diese Methodik hat in einem Sammelsurium breiter Anwendungsfälle gezeigt, dass es hervorragend funktioniert. Optimieren Sie Ihre Disposition, sodass beispielsweise verderbliche Waren nicht weggeworfen werden müssen oder saisonale Einflüsse in Ihre Prognose mit einfließen. Checken Sie via Bilderkennung vollautomatisch Ihre Produkte auf Fehler und verbinden Sie die Erkenntnisse mit dem Herstellungsprozess. Ebenso können Sie die Standzeiten ihrer Maschinen via digitaler Zwillinge, virtuellen Sensoren und Predictive Maintenance erhöhen. Für alle diese Einsatzgebiete ist AI-UI ein nützliches Werkzeug.
„Methoden des maschinellen Lernens geben tiefe Einblicke in unsere eigenen, menschlichen Lernprozesse.“
Martin Schiele - AIUI
Martin Schiele
Geschäftsführer

FrAIday Blog #1

Einführung in das Thema Künstliche Intelligenz

Was bedeutet denn eigentlich KI?

„KI ist einfach gesagt nichts anderes als eine mathematische Funktion. Wie damals in der Schule: Y = X². Beim Verwenden neuronaler Netze hat man jedoch die freie Möglichkeit, Input (X) und Output (Y) gemischt zu wählen. Ob Text zu Audio, Bild zu Text, tabellarische Werte zu Bildern, man kann alles kombinieren.“
Martin Schiele - AIUI

Was heißt das genau?

„Das heißt, ich kann auf Bildern Objekte erkennen (Bild zu Text), denen ich Namen gebe, oder aus Stimmaufnahmen Personen heraushören (Audio zu Text). Natürlich muss alles erst so umgewandelt werden, dass der Computer es lesen kann, beispielsweise aus Buchstaben Zahlen machen. Danach kann es an das Training gehen. Neuronale Netze werden für die Transformation von X zu Y gerne genutzt, da sie vollkommen flexibel Zusammenhänge abbilden können. Allerdings ist diese Vorgehensweise empirisch und es werden Daten über das Problem benötigt, an dem Sie das neuronale Netz „so formen können“, dass es den Zusammenhang zwischen X und Y, also beispielsweise Bild zu Text, Sprache zu Bild, und so weiter „lernen“ kann. Dies nennt man dann Training.“

KI ist in aller Munde, wo befindet sich denn bereits heute KI im Einsatz? Können Sie uns eine kurze Übersicht über aktuelle Einsatzgebiete künstlicher Intelligenz geben?

„Vor allem die Bildverarbeitung hat in den letzten Jahren stark von KI profitiert. Dabei ist allerdings zu beachten, dass viele Firmen fälschlicherweise behaupten, KI im Einsatz zu haben, dies aber nur aus Marketingzwecken tun. In diesem Bereich kann KI trainiert werden, Objekte auf Bildern zu erkennen, abzugrenzen und zu klassifizieren. Besonders zur Fehlererkennung, Bewertung und quantitativen Erfassung ist diese Methodik hervorragend geeignet. Ich habe nachstehend ein Beispiel für Sie. Sie sehen hier den Einsatz von KI für die Qualitätssicherung an Bremsscheiben. Man sieht klar die Gussfehler am Rand (Grat) und im Material (Löcher). Die KI kann lernen, diese Fehler vollautomatisch zu erkennen und zu quantifizieren nach bspw. Größe oder Flächeninhalt.
Des Weiteren lassen sich Empfehlungssysteme trainieren, die beispielsweise für saisonabhängige Ware vorhersagt, welche Mengen nachgefragt werden. So lassen sich Preise automatisch an die Nachfrage anpassen. Auch digitale Zwillinge lassen sich mit neuronalen Netzen im Handumdrehen erstellen und können später als Simulationswerkzeug oder zur „Predictive Maintenance“ dienen.“

Für wen eignet sich KI?

„Künstliche Intelligenz wird unser aller Leben zunehmend stark beeinflussen. Es sollte sich also jeder etwas damit auskennen, wie sie funktioniert und was Stärken, sowie Schwächen sind. KI eignet sich für jeden, der Daten über seine Prozesse sammelt und tiefere Einblicke nutzen will, um die eigenen Produkte und Prozesse zu optimieren.“

Welche Chancen und Gefahren verbergen sich Ihrer Einschätzung nach hinter KI-Lösungen?

„Gefahren liegen vor allem im „Bias“, das heißt, wenn die antrainierten Daten schon in sich nicht generalisiert sind. Beispielsweise, wenn Sie Katzen und Hunde auf Bildern erkennen möchten, aber nur zehn Katzenbilder, jedoch 1000 Hundebilder zur Verfügung haben, dann ist das Datenset stark unausgeglichen. Wie beim Lernen für Prüfungen können wir das am besten, was wir am meisten gelernt haben – in dem Fall „Hunde“ und was frischer in Erinnerung ist – ebenfalls Hunde. Denn bei gleich verteiltem Training kämen 100 Hundebilder auf jedes Katzenbild. Eine solch trainierte KI wäre kaum in der Lage, Katzen richtig zu erkennen. Würden wir es allerdings erwarten, weil wir dächten, unsere Datengrundlage sei OK, wären die „Vorhersagen“, die Sie tätigen, sehr schlecht. Das bedeutet aber wiederum, dass die KI-Entwicklung im Unternehmen mit Experten des Unternehmens passieren muss, denn nur Sie kennen die Probleme genau. Das Einbeziehen externer Hilfe ist oft kostspielig und führt langfristig zu Abhängigkeiten, weshalb wir als AI-UI versuchen, den Unternehmen eine Software an die Hand zu geben, mit der Sie alles selbst entwickeln, verwalten und langfristig pflegen können. Damit ergeben sich vor allem Chancen im Bereich von Automatisierung und damit wiederum auch eine hohe Kostenersparnis.“

FrAIday Blog #0.5

Künstliche Intelligenz in unserem Netzwerk

Künstliche Intelligenz und Maschinelles Lernen sind Themen, die seit einigen Jahren viel Aufmerksamkeit erfahren. Oft verstehen eigentlich nur wenige, worum es tatsächlich geht und welche Möglichkeiten sich dadurch abseits von oberflächlichem Förderhype in einer Hochautomatisierung verschiedenster Branchen in Zukunft bieten. Den potentiellen Nutzern ist oft nicht klar, wie spielend einfach es sein kann, KI in die eigenen Prozesse zu integrieren und ganz neue Erkenntnisse zu gewinnen.

Mithilfe dieser Werkzeuge sind Arbeitsschritte zur Datenaufbereitung, Datenanalyse, Modellgestaltung und Modelleinsatz via Drag&Drop so vereinfacht, dass dadurch die Mitarbeiter:innen unterstützt und die Arbeitseffizienz massiv gesteigert werden kann. Die Mitarbeiter:innen, welche tatsächlich an spezifischen Problemen arbeiten, werden befähigt, diese mithilfe weltweit anerkannter und angewandter KI-Ansätze nach Stand der Technik zu entwerfen, zu testen und in Firmenprozesse einzubinden, ohne vorher programmieren lernen zu müssen.

Aber wie macht unser Netzwerkpartner das? Sie nutzen ihre Erfahrungen über die Anwendbarkeit von KI für Prozesse wie Bilderkennung, Mustererkennung, digitale Zwillinge und Zeitreihenprognosen aus Wissenschaft sowie Technik und stellen eine Software zur Verfügung, die weg von Programmcode, hin zu einem Bausteinsystem strebt. Maschinelles Lernen und KI folgt wieder und wieder den gleichen Arbeitsschritten. Das junge Unternehmen nutzt genau diese Wiederverwendbarkeit und packt diese repetitiven Aufgaben in sogenannte „Nodes | Knoten“. Mit diesen Knoten lassen sich übersichtliche und leicht nachvollziehbare Prozesse, auch für „nicht-KI-Experten“ abbilden.

Die entwickelte Softwarelösung ist für jeden geeignet, der weder eigene Programmierkenntnisse besitzt oder Mitarbeiter:innen beschäftigt, die mit solchen Fähigkeiten aufwarten können. Gerade kleine und mittlere Unternehmen sind hier auf externe Lösungen angewiesen. KI zu schaffen, ohne eigene Softwareentwicklung betreiben zu müssen, ist damit schon heute möglich. AI-UI ist es wichtig, Nutzer:innen abzuholen und zu befähigen, von den großen technologischen Entwicklungen der jüngeren Vergangenheit zu profitieren, ohne ihren Fokus von ihrem eigentlichen Geschäft abwenden zu müssen.
Mit AI-UI hat das Thüringer Kompetenzzentrum Wirtschaft 4.0 einen weiteren kompetenten Partner im Bereich Künstlicher Intelligenz (engl. Artificial Intelligence, Abk. AI) gewinnen können. Artificial Intelligence User Interface steht für eine „No-Code“ Lösung zur KI-Entwicklung, Testung und Einbindung.
Dabei ist AI-UI ein junges Unternehmen, welches sich Anfang 2021 in Thüringen ausgründete und aus einer Gruppe technologiebegeisterter Wissenschaftler, Ingenieure, Softwareentwickler und Business Angels zusammensetzt. Ursprünglich zusammen gekommen an der TU Ilmenau arbeiten Sie gemeinsam an der Vision, das Thema Künstliche Intelligenz, hier inmitten Deutschlands, für jedermann leicht verständlich und zugänglich zu machen sowie das Know-How regional und dezentral zu entwickeln.