Auftaktveranstaltung mit SICK und Averbis

microTEC Südwest bedient im Rahmen der Allianz Industrie 4.0 Baden-Württemberg das Schwerpunktthema anwendungsorientierte Künstliche Intelligenz (KI). Als Mikrosystemtechnik-Netzwerk ist hier insbesondere die Perspektive der Mikrosystemtechnik wichtig. Während der Veranstaltung im Dezember 2020 zur wechselseitigen Bedeutung von KI und Mikrosystemtechnik wurde bereits festgestellt, wie stark KI-Anwendungen mit der Entwicklung von Mikrosystemtechnik und insbesondere von Mikroelektronik verknüpft sind.

Unter diesem Schwerpunkt anwendungsorientierte KI hat microTEC Südwest den KI-Zirkel Südbaden ins Leben gerufen. Das Ziel ist, die hervorragende KI-Expertise im Raum Südbaden sichtbarer zu machen und die Expert*innen miteinander zu vernetzen. Der Austausch wird einen starken Fokus auf Anwendungen und Best-Practices haben. Im März nun hat die Auftaktveranstaltung stattgefunden – mit über 100 Anmeldungen!

Die Start-up-Initiative „Deep Learning“ der SICK AG aus Waldkirch hat den Auftakt mit einem ausführlichen Beitrag mit technologischen aber auch organisatorischen Aspekten gegeben. Abgerundet wurde der Auftakt durch den gekürten KI-Champion Baden-Württemberg Averbis GmbH aus Freiburg.

Dr. Dominic Mai und Dr. Tobias Schubert berichteten, wie Deep Learning (DL) bei der SICK AG eingesetzt wird und wie aus einer Menge an Sensordaten gute Informationen generiert werden können. Die Anwendungsszenarien reichen von der Produktion bis zur Logistik. Dabei werden Lösungen nicht nur für Kunden entwickelt, sondern auch in der eigenen Produktion eingesetzt. Beispielsweise hilft DL in der Leiterkartenfertigung dabei, bei der automatischen optischen Inspektion zu entscheiden, ob eine Fehlermeldung ein echter Fehler war oder ein Pseudo-Fehler. Im Fall von Pseudo-Fehlern kann die Leiterkarte wieder in die Produktion zurückgespeist werden und vermindert so den Ausschuss. In der Logistik wird DL im semi-automatischen Umfeld eingesetzt, in dem sich sowohl Gabelstapler als auch Menschen befinden. Das Ziel hierbei ist eine robuste Erkennung von Menschen, Paletten u.ä.

Am Anfang der DL-Methodik steht das Datensammeln. Hier können sowohl 1D-, 2D- oder 3D-Daten verwendet werden. In der Datenannotation werden Netze mit teilweise hundert Tausenden von Bildern annotiert. Das selbstentwickelte Tool dTag hilft dabei, die Daten zu ordnen und für das Training vorzubereiten. Mit einer Modell-Bibliothek werden dann Netzwerke auf bestimmte Anwendungen hin untersucht und qualifiziert. Das eigentliche Training erfolgt mit dem internen Framework dLearner. In der anschließenden Evaluation wird beurteilt, ob das Training ausreichend ist oder ob weitere Daten notwendig sind. Danach kann das trainierte Netz in die Anwendung gehen. Die Methodik wird erfolgreich angewandt um z.B. Gefahrgut-Label zu erkennen, die in der Praxis immer etwas anders gestaltet sind. Mittels Deep Learning konnte die Label-Erkennung generalisiert und automatisiert werden.

Dr. Kornél Markó (Averbis GmbH) stellte dar, wie KI für die Patentrecherche eingesetzt werden kann. Dafür werden Text Mining und Machine Learning kombiniert, um Informationen aus Texten zu gewinnen und Prognosen zu erstellen. Patentrecherchen (z.B. für eine Landscape-Analyse) sind sehr zeitaufwändig und mühsam. Die Herausforderung ist die riesige Anzahl an Patenten, die gesichtet werden müssen und deren Relevanz eingeschätzt werden muss. In der Regel liefert eine Patentrecherche 80-90% irrelevante Treffer, während andererseits relevante Patente verpasst werden. Der Patent-Monitor ermöglicht die automatische Klassifizierung von Patenten und z.B. deren Einteilung in revelant/nicht-relevant. Für das Training müssen ein paar Patente per Hand annotiert werden. Ein Beispiel ist die Suche nach Patenten zu Staubsaugern. Hier findet der Monitor Begriffe wie „suction airflow“, die intuitiv nicht Teil der Suchabfrage gewesen und damit verpasst worden wären. Als besonderes Highlight wurde eine reale Patentrecherche zu einem Problem von Endress+Hauser durchgeführt. Zu einer bestimmten Spektroskopie-Methode sucht E+H Anwendungsfelder in Patenten. Da die Anwendungsfelder bei der Suche noch nicht bekannt sind, ist dieses Beispiel besonders komplex. Ausgangsbasis sind 5.000 potentiell relevante Patente. Nach einem Training mit 17 Patenten lieferte der Monitor 81 Patente mit hoher Relevanz, mithilfe derer tatsächlich die verschiedenen Anwendungsgebiete identifiziert und visualisiert werden konnten.

Im Anschluss an den Vortragsteil wurde ein Workshop durchgeführt, in dem die Teilnehmenden nach Ihren Themenwünschen und Erwartungen an das Format befragt wurden. So kann sich der KI-Zirkel Südbaden als regelmäßiges und nachhaltiges Format entwickeln!