Künstliche Intelligenz: Potenziale und Hürden in der Anwendung

Popkulturellen Narrativen ist dabei gemein, dass sie zu der realen Version der Künstlichen Intelligenz nur vereinzelte Parallelen aufweisen. In der banalen Wirklichkeit verliert die KI zwar viel von den Klischees zwischen Ideal- und Dämonisierung, sie gewinnt jedoch an praktischem Nutzen.

Künstliche Intelligenz (KI)

KI lässt sich am ehesten als ein Instrument beschreiben, das bei der Verarbeitung von Daten helfen soll. Der Bereich der KI ist eine Untergruppe aus dem Forschungsgebiet des Maschinellen Lernens (ML). Beide Begrifflichkeiten lassen sich meist nicht scharf trennen und fließen ineinander. Im Fokus dieser Themen komplexe standen lange Zeit Fragen wie: „Wie komme ich an Daten?“, „Welche Sensoren kann ich einsetzen?“ oder „Wie kann ich diese Daten auswerten?“. Heute ist dagegen die Herausforderung, wie wir enorme Mengen an Daten komprimieren, auswerten oder Entscheidungen nachvollziehen. Hier kommen dann Begrifflichkeiten wie z.B. Big Data, Dimensionsreduktions-Algorithmen oder erklärbare KI (explainable artificial intelligence (XAI)) zum Einsatz.

Das Forschungsgebiet „Big Data“ ist ursprünglich mit der Expansion der Informationsquellen entstanden. Infolge der Möglichkeit, kostengünstige Mikroelektronik und Sensorik herzustellen, ist die Zahl an potenziellen Datenquellen explodiert und zugleich die Herausforderung der Aus- und Bewertung dieser Daten akut geworden. Nun mussten effiziente und schnelle Algorithmen entwickelt werden, welche es den Menschen in annehmbarer Zeit ermöglicht, komplexe Muster, Zusammenhänge und Verläufe in den Daten zu erkennen und auch verstehen zu können.

So lassen sich mehr und mehr Informationen aus den großen Beständen an Daten ziehen und für nachlaufende Erklärungen, tiefere Verständnisse des Gegebenen und vorlaufende Abschätzungen der möglichen Zukunft nutzen. Gerade weil die Vermessung unserer Welt durch Sensoren in Geräten wie Smartphones oder auch modernen Automobilen immer weiter voranschreitet, wächst ein Fundus an Wissen, der produktiv genutzt werden kann.

Zugleich ist es angebracht, nicht von der einen Künstlichen Intelligenz zu sprechen, sondern dies eher als Sammelbegriff verschiedener, teils recht unterschiedlicher Formen von KI zu verstehen. Diese umfasst diverse Verfahren der Datenverarbeitung, die sich für unterschiedliche Kontexte, Fragenstellungen und Materialien eignen. Zum Beispiel können KI-Modelle, die sich für Bildererkennung eignen, nicht für Sprachprogramme wie Chat GPT verwendet werden.

Damit ist auch schon eine Schwäche in der Nutzung von KI angesprochen: Nicht alle Modelle eignen sich für jede Anwendung, die produktive Nutzung verlangt einen reflektierten Umgang.

Werkzeuge in der Industrie

Was meint es nun, von der KI als Werkzeug in der Industrie zu sprechen? Stellen wir uns einen Produktionsprozess von Plastikteilen vor: Wir haben auf der einen Seite die vielen kleinen Plastikkügelchen am Anfang, die aufgeschmolzen und in eine bestimmte Form gebracht werden, um zum Ende als gefertigtes Teil aus der Maschine entnommen zu werden. Was zunächst wie ein idealer, unendlich wiederholbarer Vorgang erscheint, hängt im Alltag der Produktion von vielen Faktoren ab. Die Erfahrung von Mitarbeitern und Mitarbeiterinnen mit den Maschinen und Materialien ist hier für den Produktionsprozess zentral, und wird es absehbar bleiben. Eine hilfreiche Komponente kann aber zugleich eine Sensorik sein, die unter anderem Parameter wie Temperatur und Druck permanent misst und eine erste Auskunft über die erwartbare Güte der produzierten Teile zum Beispiel durch eine Ampel gibt, beziehungsweise vor wahrscheinlichen Fehlern warnt und Anpassungsvorschläge liefert.

Für solche in den Produktionsprozess integrierten Beurteilungen ist nicht eine Messung entscheidend, sondern ein Zusammenspiel verschiedener Werte und Schwellen sowie unterschiedlicher, teils zusammenhängender Verläufe, wodurch sich dynamische Verarbeitungssysteme wie KI-Modelle anbieten. Moderne Sensoren sind nicht nur hochempfindlich, sie können auch an Punkten angebracht werden, die dem Menschen während der Produktion nicht zugänglich sind.

Der Mensch wird hier also nicht ersetzt, sondern durch die Technik unterstützt. In verschiedenen Forschungsprojekten wie zum Beispiel „Powermoulds“, „Wasabi“ oder auch „SMoSys“ arbeiten Manuel Schneider und Norbert Greifzu aus dem Team der „Eingebetteten Diagnosesysteme (EDS)“ von Professor Andreas Wenzel an solchen Lösungen für eine smarte Industrie und dem Einsatz vom KI an anwendungsnahen Problemstellungen. Die Forschungsgruppe EDS ist Teil einer Hauptforschungsrichtung „Adaptive Signalanalyse“ der Hochschule Schmalkalden.

Eine längere Version dieses Artikels und eine Liste interessanter Veröffentlichungen der Forschungsgruppe finden Sie hier.