Innovation und künstliche Intelligenz

Fällt einem nichts ein – Ruf nach künstlicher Intelligenz?

Kann man mit Methoden der künstlichen Intelligenz zu Innovationen kommen? Das ist eindeutig mit „ja“ zu beantworten, wenn es sich um Prozesse handelt, bei denen die Zusammenhänge nicht von vorneherein erkennbar sind. Ein typisches Beispiel: In einer Fertigung kommt es manchmal zu kleineren oder größeren Qualitätsschwankungen. Die Anzahl der beteiligten Prozessparameter ist meist hoch und unübersichtlich. Es kann also nicht unmittelbar gesagt werden, welche Einflussgrößen beziehungsweise – noch komplizierter – welche Kombinationen von Einflussgrößen die Störungen verursachen. Beispielsweise kommt es bei der Extrudierung von Getreide nicht nur auf die Prozessparameter des Extruders wie Druck, Geschwindigkeit, Temperatur etc. an, sondern auch auf die Analysequalität des eingesetzten Rohmaterials, die Lagerdauer, Feuchtigkeit etc. Mit den aufgezeichneten Daten der Vergangenheit kann nun mit Methoden der künstlichen Intelligenz eine „Erklärung“ erzeugt werden, warum oder besser unter welchen Umständen der Prozess Probleme macht oder nur manchmal funktioniert. Mitunter kommt es hier zu verblüffenden Resultaten: ein Problem tritt nur dann auf, wenn draußen die Sonne scheint weil, wie sich nachher herausstellt, die Sonne eine Maschine erwärmt, oder ein Problem tritt nur dann auf, wenn ein bestimmter Mitarbeiter die Maschine bedient.

Entscheidungsbaum

Diese Problemlösungen können technisch durch die Erzeugung eines Entscheidungsbaumes mit Hilfe von Methoden des Maschinenlernens erzielt werden. Der Vorteil dieser speziellen Vorgangsweise liegt darin, dass man das gewonnene Resultat auch mit dem Werkmeister diskutieren und auf physikalische Sinnhaftigkeit untersuchen kann. Außerdem kann mit mathematischen Methoden errechnet werden, mit welcher Fehlerquote man bei neuen Fällen rechnen muß.

Beispiele

Auf diese Weise haben wir beispielsweise untersucht, worin sich der Klang einer rotfaulen Fichte von der einer gesunden Fichte unterscheidet. Dies führte zur Entwicklung des „elektronischen Spechtes“ als zerstörungsfreies Diagnoseverfahren von Fichten. Aber auf diese Weise lassen sich auch Lötprobleme, Verformungsprobleme und vieles andere mehr untersuchen. Wir gehen sogar noch weiter: Selbst wenn ein physikalisch–technisches Modell eines Prozesses besteht, erweist es sich oft als außerordentlich hilfreich, wenn der Prozess zusätzlich mit Methoden der künstlichen Intelligenz untersucht wird. Es gibt tatsächlich Fälle, in denen die so gefundene Lösung genauer, schneller oder einfacher ist.

Diese Methoden lassen sich auch ausgezeichnet im nicht-technischen Bereich einsetzen, um beispielsweise bei Mailings diejenigen Adressen zu selektieren, die mit einer wesentlich höheren Wahrscheinlichkeit auf die Zusendung reagieren werden. Auf diese Art und Weise haben amerikanische Firmen die Rücklaufquoten verdreifacht. Eine amerikanische Restaurantkette plant sogar ihren kurzfristigen Personalbedarf mit den Methoden der künstlichen Intelligenz, um in keinem Fall zu viele Mitarbeiter einzuberufen, aber auch nicht zu wenige.

Im Prinzip könnte man all diese Probleme auch beispielsweise durch den Einsatz von neuronalen Netzen lösen. Es scheint sogar, dass die Vorhersagegenauigkeit von neuronalen Netzen einen Hauch besser ist als etwa die Anwendung eines Entscheidungsbaums. Was jedoch in der Praxis gegen die Verwendung von neuronalen Netzen spricht, ist die Unmöglichkeit, das im neuronalen Netz gespeicherte Wissen auf Sinnhaftigkeit überprüfen und diskutieren zu können, weil es nicht einfach in menschlich lesbare Form zu übersetzen ist. Im Falle eines Entscheidungsbaumes sind die Grenzen des Einsatzes überschaubar, ein neuronales Netz kann theoretisch in einem „nächsten“ Bearbeitungsfall plötzlich etwas ganz Unsinniges errechnen, was zwar in der Praxis selten vorkommt, alleine die Möglichkeit irritiert.

Kann man mit Methoden der künstlichen Intelligenz zu Innovationen kommen? Das ist eindeutig mit „ja“ zu beantworten, wenn es sich um Prozesse handelt, bei denen die Zusammenhänge nicht von vorneherein erkennbar sind. Ein typisches Beispiel: In einer Fertigung kommt es manchmal zu kleineren oder größeren Qualitätsschwankungen. Die Anzahl der beteiligten Prozessparameter ist meist hoch und unübersichtlich. Es kann also nicht unmittelbar gesagt werden, welche Einflussgrößen beziehungsweise – noch komplizierter – welche Kombinationen von Einflussgrößen die Störungen verursachen. Beispielsweise kommt es bei der Extrudierung von Getreide nicht nur auf die Prozessparameter des Extruders wie Druck, Geschwindigkeit, Temperatur etc. an, sondern auch auf die Analysequalität des eingesetzten Rohmaterials, die Lagerdauer, Feuchtigkeit etc. Mit den aufgezeichneten Daten der Vergangenheit kann nun mit Methoden der künstlichen Intelligenz eine „Erklärung“ erzeugt werden, warum oder besser unter welchen Umständen der Prozess Probleme macht oder nur manchmal funktioniert. Mitunter kommt es hier zu verblüffenden Resultaten: ein Problem tritt nur dann auf, wenn draußen die Sonne scheint weil, wie sich nachher herausstellt, die Sonne eine Maschine erwärmt, oder ein Problem tritt nur dann auf, wenn ein bestimmter Mitarbeiter die Maschine bedient.

Diese Problemlösungen können technisch durch die Erzeugung eines Entscheidungsbaumes mit Hilfe von Methoden des Maschinenlernens erzielt werden. Der Vorteil dieser speziellen Vorgangsweise liegt darin, dass man das gewonnene Resultat auch mit dem Werkmeister diskutieren und auf physikalische Sinnhaftigkeit untersuchen kann. Außerdem kann mit mathematischen Methoden errechnet werden, mit welcher Fehlerquote man bei neuen Fällen rechnen muß.

Auf diese Weise haben wir beispielsweise untersucht, worin sich der Klang einer rotfaulen Fichte von der einer gesunden Fichte unterscheidet. Dies führte zur Entwicklung des „elektronischen Spechtes“ als zerstörungsfreies Diagnoseverfahren von Fichten. Aber auf diese Weise lassen sich auch Lötprobleme, Verformungsprobleme und vieles andere mehr untersuchen. Wir gehen sogar noch weiter: Selbst wenn ein physikalisch–technisches Modell eines Prozesses besteht, erweist es sich oft als außerordentlich hilfreich, wenn der Prozess zusätzlich mit Methoden der künstlichen Intelligenz untersucht wird. Es gibt tatsächlich Fälle, in denen die so gefundene Lösung genauer, schneller oder einfacher ist.

Diese Methoden lassen sich auch ausgezeichnet im nicht-technischen Bereich einsetzen, um beispielsweise bei Mailings diejenigen Adressen zu selektieren, die mit einer wesentlich höheren Wahrscheinlichkeit auf die Zusendung reagieren werden. Auf diese Art und Weise haben amerikanische Firmen die Rücklaufquoten verdreifacht. Eine amerikanische Restaurantkette plant sogar ihren kurzfristigen Personalbedarf mit den Methoden der künstlichen Intelligenz, um in keinem Fall zu viele Mitarbeiter einzuberufen, aber auch nicht zu wenige.

Im Prinzip könnte man all diese Probleme auch beispielsweise durch den Einsatz von neuronalen Netzen lösen. Es scheint sogar, dass die Vorhersagegenauigkeit von neuronalen Netzen einen Hauch besser ist als etwa die Anwendung eines Entscheidungsbaums. Was jedoch in der Praxis gegen die Verwendung von neuronalen Netzen spricht, ist die Unmöglichkeit, das im neuronalen Netz gespeicherte Wissen auf Sinnhaftigkeit überprüfen und diskutieren zu können, weil es nicht einfach in menschlich lesbare Form zu übersetzen ist. Im Falle eines Entscheidungsbaumes sind die Grenzen des Einsatzes überschaubar, ein neuronales Netz kann theoretisch in einem „nächsten“ Bearbeitungsfall plötzlich etwas ganz Unsinniges errechnen, was zwar in der Praxis selten vorkommt, alleine die Möglichkeit irritiert.