Zugang zu Daten ermöglichen

Eigentlich ist das Thema „Künstliche Intelligenz“ nichts Neues, denn die Anfänge liegen bereits in den 1930ern bei Alan Turing. Turing hat sich damit auseinandergesetzt, was die intelligente Maschine ausmacht und ab wann eine Maschine als intelligent zu bezeichnen ist. 1950 entstanden dann die ersten Algorithmen als Grundlage für die künstliche Intelligenz. Den ersten Hype um die „Künstliche Intelligenz“ gab es dann 1970. Da jedoch die erhofften Ergebnisse ausblieben, ebbte dieser schnell ab. Mit der der rasanten Entwicklung der Chiptechnologien, -Kapazität und -Rechenleistung nach 2010 konnten die notwendigen Daten in ausreichendem Maße zur Verfügung gestellt und schnell und komplex verarbeitet werden. 2013 baute der Startup DeepMind eine neue KI, die sich das Atari-Spiele spielen selbst beibrachte und kurze Zeit später erreichte ein Deep Neural Network von Microsoft eine ähnliche Fehlerraten bei der Bilderkennung wie ein Mensch. Nun nimmt das Thema „KI“ richtig Fahrt auf und mit der Strategie „Künstliche Intelligenz“, die gemeinsam durch BMWi, BMBF und BMAS erarbeitet wurde, will man, den Forschungs- und Industriestandort Deutschland und die Wettbewerbsfähigkeit der deutschen Wirtschaft sichern und ausbauen. Basis wird dabei der bessere Zugang zu Daten sein. Hier schafft die MICA die notwendigen Grundlagen und ist bereits jetzt in der Lage gelernte neuronale Netze auszuführen. Denn durch ihre Fähigkeiten der Datensammlung und -vorverarbeitung wird hier die HARTING MICA^® als Edge Device zum Enabler der Künstlichen Intelligenz.

Digitaler Retrofit

Um das Thema Industrie 4.0 konkret voranzutreiben, sehen die Kunden und Partner von HARTING ein großes Potential im „digitalen Retrofit“ von Bestandsanlagen und -maschinen. Viele Anlagen sind abgeschrieben, technisch voll funktional, aber bieten keine Schnittstellen zur Vernetzung und zum Erfassen relevanter Parameter und Daten. Hier werden einfache Lösungen zur Nachrüstung benötigt. Der modular aufgebaute industrietaugliche Mini-Computer MICA^® (Modular Industry Computing Architecture) bietet verschiedenste Schnittstellen, von Modbus, RFID bis hin zu zukünftig IO-Link. Im Sinne des akzeptierten Industrie 4.0 Reifegrad-Modells hilft die MICA^®, Connectivity und Visibility herzustellen.

Doch Datenerfassung allein bringt keinen Mehrwert und keinen Return of Investment (ROI). Es müssen sinnvolle Schlussfolgerungen und Aktionen aus den Daten abgeleitet werden. Vor allem, wenn die Datenmengen größer werden, gibt es zwei Probleme, die man bewältigen muss. Zum einen ist es unmöglich, alle Daten zu sammeln. Daher ist eine der Kernfunktionen von Edge Device die Vorfilterung und Reduktion der Daten. Menschen entscheiden hier, welche Parameter und Daten gesammelt werden. Zudem ist es schwierig zu entscheiden, was eigentlich relevante Daten sind. Wie erkenne ich was relevant ist und wie gehe ich mit großen Datenmengen um? Hier bietet sich die Cloud an, da sie den entsprechenden Speicherplatz und Werkzeuge zur Analyse liefert.

Notwendigkeit für eine hybride Edge-Cloud Architektur

Somit ergibt sich die Notwendigkeit zu einer hybriden Edge-Cloud Architektur. Die Daten werden auf dem Edge, zum Beispiel der HARTING MICA^®, erfasst und vorverarbeitet. Nur die relevanten Daten werden dann zur Analyse in die Cloud geschickt. Hat man noch keine Einschätzung, welche Daten überhaupt relevant sind, kann man für einen eingeschränkten Zeitraum sehr viele Daten in die Cloud schicken und dort analysieren: welche Daten sind eigentlich tatsächlich relevant?

KI hilft hier tatsächlich weiter. Mittels „machine learning“ lassen sich sehr große Datenmengen analysieren und herausfinden, welche Parameter für die jeweilige bestehende Fragestellung relevant sind. Nach dieser Analyse können die Mini-Computer neu konfiguriert werden, um dann nur noch diese „Smart Data“, im Gegensatz zu „Big Data“, in die Cloud zu schicken.

Big Data und Smart Data – sind Begriffe, die in der Öffentlichkeit heiß diskutiert werden. Doch was genau bedeuten sie und wo liegt der Unterschied? Big Data sind riesige Datenmengen, die mit bisherigen Methoden nicht analysiert oder verarbeitet werden können. Smart Data hingegen geht über diesen Begriff hinaus, wie diese einfache Formel zeigt:

Smart Data = Big Data + Nutzen + Semantik + Datenqualität + Sicherheit + Datenschutz = nutzbringende, hochwertige und abgesicherte Daten.

Big Data ist also der Rohstoff, den es aufzubereiten gilt, damit er zu Smart Data veredelt werden kann. Und dabei kann wiederum eine hybride Edge-Cloud-Architektur mit der MICA^® helfen.

Auf den relevanten Daten in der Cloud kann man nun wiederum „machine learning“ anwenden. Es können beispielsweise neuronale Netze in der Cloud gelernt werden. Die gelernten neuronalen Netze sind dann so kompakt, dass sie auf der MICA^® im Edge laufen. Somit sind Entscheidungen bereits direkt vor Ort an der Maschine zu treffen. Dies ist besonders interessant, wenn nicht immer der Zugang zur Cloud besteht oder kurze Reaktionszeiten gefordert sind. Zudem erspart es wiederum Kosten.

Zeitgleich kann man mit mehr Daten in der Cloud das neuronale Netz weiter verbessern. Wenn es hier signifikante Verbesserung gibt, bringt man die aktuellste Version des neuronalen Netzes wieder auf die MICA^®.

Pragmatisch Vorgehen

Wir empfehlen, ein schrittweises und pragmatisches Vorgehen. Die wichtigste Frage ist nach dem Nutzen: Welches Problem ist relevant und soll gelöst werden? Danach bietet die MICA^®-Architektur eine zukunftsfähige Lösung. Bestehende Maschinen können vernetzt, Daten erfasst und gesammelt werden. Häufig entstehen bereits durch die Visualisierung und Erfassung erste Erkenntnisse. Im nächsten Schritt können die Daten in die Cloud gebracht werden. Die hier gelernten neuronalen Netze können dann wieder zurück auf die MICA^® ausgeleitet und dort ausgeführt werden. Somit ergibt sich eine mächtige Architektur, in der KI und deren Werkzeuge helfen, geschäftsrelevante Fragen zu beantworten und Lösungen zu schaffen.

Künstliche Intelligenz (KI)

Grundsätzlich gibt es keine einheitliche Definition für den Begriff „Künstliche Intelligenz“, da dieser sehr kontextabhängig ist. Generell kann man es aber entsprechend definieren: „Künstliche Intelligenz beschreibt Maschinen, die basierend auf Algorithmen agieren, Aufgaben ausführen und dabei autonom und anpassungsfähig auf unbekannte Situationen reagieren. Somit zeigen sie dem Menschen ähnliches Verhalten auf: Sie führen nicht nur repetitive Aufgaben automatisiert aus, sondern können auch aus Erfolg und Misserfolg lernen und ihr Verhalten auf so eine Weise erweitern, dass sie der menschlichen Kreativität ähnelt.“

Maschinelles Lernen

Machine Learning ist ein Teilbereich der künstlichen Intelligenz. Damit werden IT-Systeme in die Lage versetzt, auf Basis vorhandener Datenbestände und Algorithmen Muster und Gesetzmäßigkeiten zu erkennen und Lösungen zu entwickeln. Die aus den Daten gewonnenen Erkenntnisse lassen sich verallgemeinern und für neue Problemlösungen oder für die Analyse von bisher unbekannten Daten verwenden. Voraussetzung damit die Software eigenständig lernen und Lösungen finden kann, sind Regeln für die Analyse des Datenbestands und das Erkennen der Muster aufzustellen. Der Mensch muss also im Vorfeld die Basis legen. Beispielsweise müssen die Systeme mit den für das Lernen relevanten Daten und Algorithmen versorgt werden. Sind die passenden Daten vorhanden und Regeln definiert, können die Systeme dann mit maschinellem Lernen beginnen und unter anderem Vorhersagen auf Basis der analysierten Daten treffen, Wahrscheinlichkeiten für bestimmte Ereignisse berechnen, sich an Entwicklungen eigenständig anpassen und Prozesse auf Basis erkannter Muster optimieren.