Es geht vor allem um Daten
In der heutigen Ausgabe der NZZ ist ein Artikel [Link] erschienen, der die Fortschritte der künstlichen Intelligenz anhand der Durchbrüche im Machine Learning darstellt. So hat Google kürzlich eine Software entwickelt, die im Stande ist, einen der besten Spieler des chinesischen Brettspiels Go zu schlagen. Ist es beim Schach schon lange Konsens, dass wohl kein Weltmeister mehr einen Schachcomputer schlagen wird, so gilt dies im „asiatischen Schach“ als kleine Sensation. Das sehr viel komplexere Spiel verlangt einer Software aufgrund der unzähligen Variationsmöglichkeiten ab, dass sie „selber lernen“ kann, da lange nicht alle möglichen Spielsituationen gespeichert werden können. Ähnlich zum Fall Google hat der Automobilhersteller Tesla ein selbstfahrendes Auto entwickelt, welches in unterschiedlichen Verkehrssituationen intelligente Entscheidungen treffen kann. Es hält auf der Autobahn automatisch die Geschwindigkeit, beschleunigt, bremst ab oder wechselt die Spur.
Der Kern dieser Fähigkeit von Maschinen, selbstständig Entscheidungen zu treffen, sind Daten. So kann der Algorithmus von Tesla zum Beispiel auf eine riesige Datenbank von Millionen von gefahrenen Meilen zurückgreifen, mit deren Hilfe er sich ständig verbessert, also „lernt“. Dank Hochleistungscomputer und riesigem Datenpool kann der Komplexitätsgrad des Algorithmus erhöht werden. So lernt die Software dank steigender Komplexität mehr Standardsituationen zu erfassen und zu verarbeiten, was zu intelligenteren Entscheidungen führt.
Die Algorithmen von industriellen Maschinen mögen zwar nicht so komplex sein wie jene eines selbständig fahrenden Autos, aber das Prinzip funktioniert auf gleiche Weise. Die Maschinen generieren durch ihren täglichen Betrieb eine Unmenge an Rohdaten, welche für das Training der Algorithmen verwendet werden. Mit zunehmender Laufzeit der Maschinen und einer dementsprechend umfassenderen Datensammlung können die Algorithmen komplexere Probleme lösen, beispielsweise Maschinenstörungen besser und frühzeitiger voraussagen. Durch diesen Kreislauf verbessert sich eine Maschine also ständig und lernt durch selbst erfasste und aufbereitete Daten immer mehr dazu. Dieser Prozess erlaubt es kleineren Industriebetrieben zudem, mit einfachen Fragestellungen zu beginnen, die dank zielgerichteter Datenauswertung stetig an Komplexität gewinnen und durch dieses „Dazulernen“ mitwachsen.
Big Data wird als Schlüssel zu diesem Machine Learning also zunehmend wichtiger. Je mehr Daten erfasst und verarbeitet werden, desto schneller und effizienter kann eine Maschine ihre Funktionen ausbauen und verbessern. Dank einem niederschwelligen Einstieg in die Welt von Big Data ist es auch KMUs möglich, das zukunftsweisende Konzept des Machine Learning in ihren Industriebetrieben einzusetzen. Die Technologie der lernenden Maschine findet darum nicht nur in spielerischen Innovationen wie einem Go-Computer Anwendung, sondern kann auch für Predictive Maintenance eingesetzt werden. Sie erlaubt einer Textilverarbeitungsmaschine, eine mögliche zukünftige Störung vorauszusehen und den zuständigen technischen Leiter per SMS zu alarmieren.
Mehr Informationen auf zu den Themen Big Data und Industrie 4.0 finden Sie auf unserer Homepage.
- In drei Schritten zu datengestützten Produktionsverbesserungen - August 21, 2017
- Wie eine Dynamische Unternemensplanung erreicht wird - August 10, 2017
- Swiss Industry 4.0 Conference – Digitale Transformation in der Praxis - Juli 21, 2017