KI und maschinelles Lernen bei optischen Mess- und Prüfsystemen

Die industrielle Bildverarbeitung (BV) in Deutschland blickt auf ein jahrzehntelanges Wachstum mit zuletzt 2,8 Mrd. € Umsatz im Jahr 2018 zurück. Immer häufiger besteht in der Industrie der Bedarf, die erzeugten Bilddaten automatisiert zu bewerten, sei es zur Prozess- und Qualitätskontrolle oder in der medizinischen Diagnostik. Auch die Elektronikindustrie steht vor der Aufgabe, die Einführung von KI vorzubereiten, denn die Bildverarbeitung mit Objekterkennung und -analyse nimmt in der Fertigung einen immer wichtigeren Platz ein.

Was ist maschinelles Lernen?

Abb. 1: Zusammenhang Künstliche Intelligenz und Maschinelles LernenMaschinelles Lernen ist ein Oberbegriff für die ,künstliche‘ Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern (Abb. 1). Dazu bauen Algorithmen beim maschinellen Lernen ein statistisches Modell auf, das auf Trainingsdaten beruht. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt, sondern Muster und Gesetzmäßigkeiten in den Lerndaten erkannt. So kann das System auch unbekannte Daten beurteilen (Lerntransfer) oder aber am Lernen unbekannter Daten scheitern (Überanpassung; Englisch overfitting) [1].

Die derzeitigen Technologietreiber für das maschinelle Lernen (ML) im Bereich der Bildverarbeitung sind vor allem die Automobiltechnik, die Kommunikations- und Unterhaltungselektronik (Smartphones), die Medizin sowie der Bereich der öffentlichen Sicherheit. Das maschinelle Lernen zeigt dabei Stärken in klassischen Bildverarbeitungsaufgaben wie Segmentierung, Objekterkennung und Klassifikation. KI-Lösungen mit neuronalen Netzen eignen sich insbesondere für Aufgaben, für die sich weniger leicht Regeln angeben lassen, wie die Erkennung von Anomalien (in Bildern oder Zeitreihen) sowie bei der Fusion oder Korrelation von verschiedenen Datenströmen.

Zentrales Forschungsfeld in der BV ist die Erklärbarkeit der Ergebnisse des ML. Häufig kann die Frage ,Warum hat das System so entschieden?‘ noch nicht beantwortet werden, da viele Verfahren des ML keine Kennzahlen für die Zuverlässigkeit ihrer Ergebnisse liefern. Allerdings ist genau das die notwendige Voraussetzung, um die Akzeptanz bei Anwendern sicherzustellen – beispielsweise bei der Abnahme von Projektergebnissen, bei Zertifizierungen von Verfahren oder bei der Erstellung von Diagnosen in der Medizin. Es braucht geeignete Kennzahlen, die die Qualität des Ergebnisses einschätzen. Sie sind insbesondere dann wichtig, wenn aus einem Ergebnis sicherheitsrelevante Entscheidungen abgeleitet werden sollen. Der Statusbericht zeigt den momentanen Stand und versucht, künftige Entwicklungen abzuschätzen (Abb. 2). 

Kernfragen – Datennutzung und Datensicherheit

Abb. 2: Der neue Statusbericht ,Maschinelles Lernen‘Universitäten, Forschungseinrichtungen und Industrieunternehmen bringen die Nutzung des ML und der KI mit viel Engagement voran. Insbesondere hinsichtlich der Datennutzung müssen allerdings geeignete Rahmenbedingungen geschaffen werden: Große Datenmengen müssen zuverlässig gesichert, zwischen Projektpartnern ausgetauscht und vor unberechtigtem Zugriff geschützt werden können. Die Verfügbarkeit von industriellen Daten und die Freiheit zur Nutzung der Daten werden in naher Zukunft eine wesentliche Grundlage der wirtschaftlichen Souveränität eines Wirtschaftsraums bilden. Notwendig sind daher klare Regelungen, welche Eigentums- oder Nutzungsrechte an solchen Daten bestehen, wo die Grenzen individueller Rechte an Daten liegen und welche Rechte an den Ergebnissen von Lernverfahren für KI und ML bestehen. Diese Regelungen müssen in einem europäischen Rahmen vereinbart sein.

Der vollständige Statusreport ,Maschinelles Lernen – Künstliche Intelligenz mit neuronalen Netzen in optischen Mess- und Prüfsystemen‘ steht kostenfrei unter [2] bereit. Fachlicher Ansprechpartner im VDI ist Dr.-Ing. Erik Marquardt, VDI/VDE-Gesellschaft Mess- und Automatisierungstechnik (GMA), Tel.: +49 211 6214-373, E-Mail: Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein!. -psm-

Referenzen:
[1] https://de.wikipedia.org/wiki/Maschinelles_Lernen
[2] www.vdi.de/publikationen