Wie kann man Künstliche Intelligenz für sich und seine Produkte nutzen? Diese Frage beschäftigt momentan viele Firmen. Die Matlab Expo 2019 in Bern gab mit einem imposanten Aufgebot an Rednern Erfahrungen, Entwicklungstipps, Erklärungen und ein enorm breites Praxiswissen an die Teilnehmer weiter. Eine Multimediastory mit den wichtigsten Statements rund um KI, Machining Learning und Artificial Intelligence.

Eugen Albisser und Markus Back (Text), Ruben Sprich (Fotos)

Roboter und Treppen, das ist so ein Ding. Es gibt solche, die steigen locker die Treppen hoch, aber dahinter steckt eine ungemein grosse Leistung, welche Entwickler vollbringen mussten. Noch heroischer wird die Leistung, wenn ein Roboter die Stufe hochspringen soll. Die Herausforderung bei einem springenden Roboter ist nicht das Beschleunigen der Masse, um an Höhe zu gewinnen, sondern eine Geometrie zu finden, damit der Roboter absolut gerade in der Luft bleibt und ebenso gerade landet. Dominik Mannhart und acht weitere Studenten der ETHZ haben es geschafft, eine Parallelkinematik zu entwickeln, die bereits gut funktioniert.

Matlab und Simulink waren bei diesem Projekt namens Ascento die treuen Begleiter, um beim Modell die analytische Gleichung herzuleiten, «so dass wir den Controller im Matlab generieren und mit Simulink simulieren konnten», sagt Dominik Mannhart.

Ideen gewinnen und Erfahrungen austauschen

Die ETHZ-Studenten sind als Aussteller zur Matlab Expo 2019 nach Bern gekommen und dürfen hier vor einem Fachpublikum ihren Roboter zeigen. Doch Dominik Mannhart hat sich auch einige der Vorträge angehört und er ist erstaunt: «Wir benutzen zwar Matlab und Simulink, aber wenn ich sehe, wie viele Funktionen es tatsächlich gibt, dann muss ich sagen, dass wir da noch extrem viel herausholen könnten.»

So wie dem ETHZ-Studenten Dominik Mannhart geht es wohl vielen. Selbst die geübtesten User kennen nicht alle Funktionen. Und so wächst das Interesse an diesen vom Hersteller Mathworks initiierten «Matlab Expos», die rund um die Welt veranstaltet werden. Aber es sind nicht nur einzelne Funktionen, die das Interesse der Besucher auf sich ziehen. Neue Technologien erscheinen inzwischen in atemberaubendem Tempo und man muss sie testen, implementieren, weiterentwickeln und verbessern. Und dafür gibt es keinen besseren Ort als eben diese «Matlab Expos», um Ideen zu beschaffen, sich mit anderen Usern auszutauschen und sich Informationen zu holen von den Mathworks-Mitarbeitern.

Mehr als nur der Gebrauch von Algorithmen

Einer dieser Mitarbeiter steht gerade auf der Bühne und sein Vortrag trägt einen Titel, der anzeigt, weshalb man an diesem Tag auch nach Bern gekommen ist: «Beyond the I in AI». Die Künstliche Intelligenz ist ein grosses Thema an diesem Tag und viele Matlab-User beschäftigen sich damit. «Die Künstliche Intelligenz wird bis 2030 einen Wert von 13 Billionen US-Dollar schaffen. Noch aber steckt sie in den Kinderschuhen», sagt Dr. Jason Ghidella in seinem Vortrag, «was wir aber bereits erkennen: Es kristallisieren sich bereits einige Gründe heraus, warum AI-Projekte immer wieder scheitern.»

Tatsächlich ist ein Zuviel oder Zuwenig an Daten oft ein Grund des Scheiterns. Dann spielen finanzielle Aspekte eine Rolle (zu kleiner Return-on-Invest, ROI), das Nichtvorhandensein von Datenwissenschaftlern oder dass die Systeme nicht miteinander agieren und last but not least stehen manchmal keine genügend guten Tools zur Verfügung. Es scheint ein unsäglicher Krampf zu sein, aber für Firmen könnte sich die Investition lohnen. Denn die Künstliche Intelligenz ist so viel mehr als einfach der Gebrauch von Algorithmen, sondern eröffnet eine neue Welt, in der Erkenntnisse, Implementationen und Interaktionen zusammenkommen.

Zu den «Erkenntnissen» im Umgang mit Künstlicher Intelligenz gehört auch, dass die Kombination aus wissenschaftlichen und technischen Erkenntnissen – auch des Menschen – ins KI-Modell einfliessen müssen. Bei der Implementation geht es auch darum, den gesamten Design-Workflow abzudecken: Tests, Datenanalyse, Reporting, Entwicklungsprojekte, Prototyp, Simulation, Validation und noch vieles mehr sollten von einem einzigen System abgedeckt werden. Ein KI-System sollte daher immer grösser angedacht werden als nur als Teillösung für ein Produkt. «Sie müssen unbedingt Werkzeugketten verwenden, die den gesamten Design-Workflow abdecken», rät also Dr. Jason Ghidella. Aber auch die Umwelt, in der man sich bewegt, darf nicht vergessen werden. «Sie müssen daher dringend aufzeigen, wie das System schlussendlich mit eben dieser Umwelt interagiert», lautet der Appell von Ghidella an die Zuhörer. 

Neuronale Netzwerkalgorithmen entwickeln sich mit zunehmendem Datensatz

Es gibt Unternehmen, die gehen unbeirrt ihren Weg beim Einsatz neuer Technologien. So eine Firma ist die GF Machining Solutions. Vor Kurzem haben sie an der Prodex einen Technologie-Award für eine glanzvolle Entwicklung gewonnen, in der Schweiz bauen sie an einer vernetzten Produktionsstätte und der Einsatz von KI in ihren Hightech-Maschinen ist keineswegs nur eine Zukunftsvision, sondern wird bereits umgesetzt. Dr. Sergei Schurov von GF Machining Solutions: «Eine Maschine, die Prozessabweichungen im Voraus erkennen kann, ist natürlich ein Traum, aber einer, der mit Künstlicher Intelligenz erreichbar ist.»

Insbesondere beim Funkenerodieren, einem Bearbeitungsprozess für harte Materialien, wäre solch ein vorausschauendes Eingreifen wirtschaftlich wertvoll, da die Prozesszeiten normalerweise hoch sind. Einfach ist dies jedoch nicht, «denn jede Maschine hat eine eigene Signatur. Für jede neue Geometrie muss daher ein individuelles Training erfolgen. Das Schöne daran ist: Neuronale Netzwerkalgorithmen entwickeln sich mit zunehmendem Datensatz», sagt Schurov.

Aber um dies zu erreichen, bedarf es einer minutiösen Vorarbeit. Beim Funkenerodieren weiss man zwar wie der Prozess stattfindet, aber die direkte Musteranalyse korreliert dann nicht automatisch mit den Oberflächenfehlern. «Bestimmte Merkmale müssen durch Gruppierung von Daten unterschiedlicher Art oder unterschiedlicher Quellen bestimmt werden», sagt Schurov.

Wer einen Einblick in das Auswahl-Prozedere erhalten will, für den sind die bereitstehenden Vortragsfolien eine gute Hilfe. Sie geben einen Überblick über die Optimierung der Knotenarchitektur und der Segmentgrösse zur Ermittlung der besten Genauigkeit (u.a. Folie 16). Schurov gab im Vortrag auch tiefere Einblicke, wie GF Machining Solutions Daten für einen «Predictive Maintenance»-Algorithmus aufbereitet, um den eingangs erwähnten Traum umsetzen zu können, dass Maschinen im Voraus Prozessabweichungen erkennen und darauf reagieren werden.

Per Knopfdruck drei Monate Arbeit einsparen

Unglaubliche 2097 neue Features erschienen im 2018, die Matlab und Simulink weiter angereichert haben. Das Publikum in Bern staunt aber, welche grosse Features sie wegen der Fülle noch gar nicht kennen, ihnen aber das Arbeitsleben vereinfachen würden. Einer, der die Übersicht hat, ist Dr. Mohamed Anas von Mathworks. «Ich habe auch schon erlebt, dass jemand zu mir sagte, er habe gerade drei Monate in eine wichtige Arbeit gesteckt», erzählt Mohamed Anas, «und als er mir die Arbeit erklärte, musste ich ihm sagen, dass es in Matlab ein Feature gibt, mit dem er die gleiche Arbeit mit einem Knopfdruck hätte erledigen können!»

Zu dieser Kategorie an Arbeiten, die heute vereinfacht und (fast) auf Knopfdruck funktionieren: das «Ground Truth»-Labeln von Bildern und Videos in der Computer Vision Toolbox oder Datensignale in der Signal Processing Toolbox, Töne in der Audio Toolbox. Aber es kommt natürlich noch besser. Dr. Mohamed Anas zeigt auch, wie man Apps einsetzt zur Gestaltung von Deep-Learning-Netzwerken. Matlab-Apps sind übrigens interaktive Anwendungen, die den direkten Zugriff auf grosse Algorithmen-Sammlungen mit unmittelbaren visuellen Feedbacks kombinieren. Man kann sofort sehen, welche Auswirkungen verschiedene Algorithmen auf Daten haben. So lassen sich Iterationen durchführen, bis die gewünschten Ergebnisse erreicht sind, und anschliessend automatisch ein Matlab-Programm generieren, um die Arbeit zu reproduzieren oder zu automatisieren.

Doch von allen diesen über 2000 neuen Features im 2018: Welches sind die wichtigsten, welche man sich als User unbedingt anschauen und vielleicht sogar aneignen sollte? Wir haben Mohamed Anas gefragt.

Schlüsselfaktoren für den Erfolg von IoT-Systemen

Bei all den Diskussionen rund um die Anwendung und Integration von Machining Learning, Deep Learning, Künstliche Intelligenz und IoT-Systemen stellt sich auch die Frage: Was sind eigentlich die Erfolgsfaktoren dafür? Einer der dieses Wissen gerne teilt, ist Andrew Paice, Leiter des iHomeLab an der Hochschule Luzern. Das iHomeLab-Team erforscht, wie dank intelligenten Gebäuden beispielsweise der Energieverbrauch gesenkt oder älteren Menschen ein längeres Leben in den eigenen vier Wänden ermöglicht werden kann.

Oder ein Projekt behandelte die Frage: Kann ein Mensch mit seinen Gedanken einen Fernseher steuern? Zusammen mit Samsung hat das iHomeLab in dem von Innosuisse geförderten Projekt «Pontis» einen Prototyp entwickelt, der dies tatsächlich möglich macht.

Um hinter die Kulissen zu sehen, muss man die Treiber für zukünftige IoT-Systeme eruieren», erklärt Andrew Paice. Die Megatrends heissen Nachhaltigkeit, Demografie, Lifestyle und Digitalisierung. Die wichtigen technologischen Entwicklungen sind unter anderem die allgegenwärtige Konnektivität, Software, Cloud Computing, maschinelles Lernen, Sprach- und Bilderkennung, neue Sensoren, Datenschutz und Sicherheit.

«Doch das erfolgreiche Design von IoT-Systemen hat nicht nur damit zu tun, dass man die Komplexität beherrschen kann, sondern weitaus wichtiger vielleicht: dass man die Akzeptanz durch die Anwender sicherstellt», sagt Paice. Was genau aber versteht er unter einem humanen IoT-Design? In diesem Video gibt er eine Antwort darauf:

Wie Andrew Paice und sein Team mithilfe von Design Thinking, agiler Software-Entwicklung und Feldtests erfolgreiche Prozesse gestalten, kann man in seinem Vortrag nachlesen. Downloadlink zu Vortragsfolien Andrew Paice