Künstliche Intelligenz und Maschinelles Lernen steht seit geraumer Zeit in den Medien und Veranstaltungen hoch im Kurs. Was aber ist Hype und was ist Realität in der betrieblichen Praxis? Das Forum Südbaden am 19. September 2019 an der Hochschule Offenburg gab dazu wertvolle Einblicke.

Die Veranstaltung wurde organisiert von microTEC Südwest e. V., Gesellschaft für Informatik Südbaden und bwcon. Rund 60 Personen informierten sich über die Expertenbeiträge und diskutierten intensiv mit den Vortragenden sowie den weiteren Teilnehmenden beim anschließenden Netzwerken.

Chancen und Herausforderungen

Nach der Begrüßung durch Stefan Rössel von der Gesellschaft für Informatik Südbaden im Namen der Veranstalter gab Gastgeber Prof. Trahasch von der Hochschule Offenburg in seinem Beitrag „Machine Learning – Chancen und Herausforderungen“ einen Überblick über die umfassenden Kompetenzen an der Hochschule im Themengebiet sowie über aktuelle Meldungen in den Medien. Nach der Einordnung des Maschinellen Lernens in das Gesamtkonzept von Künstlicher Intelligenz und der Einführung in die zugrunde liegenden Methoden wie Überwachtes Lernen (Supervised Learning), Unüberwachtes Lernen (Unsupervised Learning) und Bestärkendes Lernen (Reinforcement Learning) sowie einem Ausflug ins Deep Learning zeigte er auf, wo derzeit die Schwerpunkte in der Anwendung liegen. Gerade bei der Bilderkennung werden durch Deep Learning aktuell große Fortschritte bei der Genauigkeit der Ergebnisse erzielt. Auch die Sprachverarbeitung schreitet beeindruckend voran. Als Herausforderung bezeichnete Prof. Trahasch den Weg vom Labor in die Fabrik („Lab-to-Fab“). Dabei gilt es vor allem unternehmerisch den tatsächlichen Business Case zu finden, bevor über Lösungen mit maschinellem Lernen nachgedacht wird. Ohne Mehrwerte fürs Unternehmen macht dieser Schritt keinen Sinn. Zu bedenken gibt Trahasch außerdem, dass noch an Robustheit, Reproduzierbarkeit und an der Vermeidung von verzerrenden Ergebnissen bzw. an der Kontrolle von Algorithmen geforscht werden muss.

Deep Learning in der Logistik

Uwe Schöpflin und Dominic Mai zeigten in ihrem Beitrag die Ansätze der SICK AG im Bereich Deep Learning auf. SICK hat eine Expertengruppe für Themen rund ums maschinelle Lernen eingerichtet. Diese fungiert als interner Berater, sie führt Pilotstudien durch, entwickelt Werkzeuge und kümmert sich um studentische Arbeiten und Marketing. Ein Prozess für Deep Learning wurde implementiert, der mit der Auswahl der Architektur startet, über die Lern-Phase des Algorithmus schließlich zu einer Evaluierungsphase führt, bevor das System dann den derzeit noch internen Kunden bereitgestellt wird. Eine zentrale Anwendung für SICK ist dabei die Logistik. In den Verteilzentren werden Pakete mittels Kameratechnik nach Größe, Gewicht sowie Angaben auf dem Barcode sortiert. Um der wachsenden Paketflut Herr zu werden, muss die Technologie großen Herausforderungen gerecht werden wie z.B. bei gefährlichen Gütern oder optisch schwer zu erkennenden Objekten wie z.B. flachen Objekten. Zur Verstärkung der Entwicklungen bei SICK, sollen Fachkräfte für diesen Bereich gewonnen werden. Dazu bietet SICK Studierenden die Möglichkeit, bei SICK Bachelor- oder Masterarbeiten anzufertigen.

Vom Geschäftsmodell zur sinnvollen Nutzung von Big Data

Über Herausforderungen beim Einsatz von Big-Data Analytics im Produktionsumfeld referierte Dr. Thomas Meißner von Balluff im Anschluss. Einführend verwies er darauf hin, dass Big Data-Anwendungen uns im Alltag regelmäßig begegnen: Google Maps, Netflix und Amazon arbeiten seit langem mit Big Data, um ihre Services bereitzustellen und stetig zu verbessern. Zukünftig werden neue Anwendungen im industriellen Umfeld erwartet, wie z.B. in der vorausschauenden Wartung (Predictive Maintenance), Prozessoptimierung oder Logistik. Im weiteren Vortrag stellte Dr. Meißner dazu ein strukturiertes Vorgehensmodell vor, das den von Prof. Trahasch adressierten Aspekt des Business Case aufgreift. Zur Identifikation von sinnvollen Geschäftsmodellen mit Big Data lohnt sich die genaue Analyse. Im Modell von Balluff startet dies mit der Konkretisierung der Problemstellung und des Ziels, geht dann über den Datenbedarf, die Datenerfassung, das Modell und die Datenauswertung hin zur Information und dem Kunden. Parallel werden Aspekte wie Datensicherheit sowie Rechtskonformität mit adressiert.