Beim Thema künstliche Intelligenz (KI) scheiden sich die Geister. Künstliche Intelligenz (KI) ist die Schlüsseltechnologie der Arbeitswelt 4.0 und wird unser Leben und Arbeiten massiv verändern, sagen die einen. KI ist ein Hype, der seine Versprechungen nicht erfüllen wird, lautet eine andere Meinung. Wieder andere halten den Einsatz von KI für gefährlich und fordern dringend eine Regulierung. Die Diskussionen werden dadurch erschwert, dass KI nur diffus definiert ist und Unterschiedliches gemeint sein kann. Der folgende Beitrag nähert sich diesen Fragen und zeigt auf, wo konkrete Anwendungen künstlicher Intelligenz für den Maschinenbau liegen könnten und auch, wie die EU-Kommission den Begriff definieren möchte.
Künstliche Intelligenz (KI) ist bereits Realität
Künstliche Intelligenz (KI) ist keine Zukunftsmusik, sondern wir erleben sie jeden Tag. KI filtert unerwünschte SPAM-Mails aus unserem Postfach und entscheidet, welche Werbeanzeigen wir online sehen. KI prüft unsere Kreditwürdigkeit und wertet unser Röntgenbild aus. Skeptiker der KI-Begeisterung verweisen auf die Risiken, wenn der Mensch sich auf smarte Technologien verlässt. Als Gefahrenbeispiel werden autonome Fahrzeuge genannt, die nicht durch einen menschlichen Fahrer, sondern von einem intelligenten System gesteuert werden.
Erst im April 2021 sorgte erneut ein Verkehrsunfall mit Todesfolge für Schlagzeilen. Ein autonom gesteuertes Elektrofahrzeug des Herstellers Tesla war von der Fahrbahn abgekommen und beide Insassen kamen ums Leben. Die Software des Elektrofahrzeugs hatte die Aufgabe, die Bilder der Fahrzeugkameras mit künstlicher Intelligenz auszuwerten und den Autopiloten zu steuern. Es liegt nahe, hier und in ähnlichen Fällen anzunehmen, dass die KI versagt hat. Andererseits ist auch der Faktor Mensch beteiligt, denn laut Medienberichten saß bei dem Unfall – anders als vorgesehen – keiner der beiden Insassen am Steuer.
Was ist künstliche Intelligenz bzw. wo beginnt sie?
Künstliche Intelligenz wäre ohne die Fortschritte in der IT-Technologie kaum denkbar. Dass die Digitalisierung unseren privaten wie beruflichen Alltag verändert, erleben wir jeden Tag. Doch ist es schon „intelligent“, wenn uns ein Online-Portal nach dem Kauf eines Topfs den passenden Deckel vorschlägt? Oder beginnt die künstliche Intelligenz dann, wenn mir zum Topf Küchenschürze und Kochbuch vorgeschlagen werden? Oder erlebe ich erst dann eine echte KI, wenn ich meinem Sprachassistenten mitteile, dass übermorgen Freunde zum Essen kommen, worauf der Kühlschrank die Zutaten für deren Leibgerichte in den passenden Mengen ordert und das Display am Herd mich durch das Rezept führt?
Es gibt keine allgemeingültige Definition
Eine allgemeingültige i. S. einer interdisziplinär einheitlichen Definition von KI gibt es nicht. Die Versuche, den Begriff zu umschreiben, bleiben vage und unbefriedigend. Das ist insofern nicht verwunderlich, als auch die natürliche „biologische“ Intelligenz kein einfach fassbarer Begriff ist. Betrachtungen zur KI von Neurologen, Philosophen, Mathematikern oder Psychologen sind oft spannend zu lesen. Sie bieten für den praktischen Einsatz von künstlicher Intelligenz in einem produzierenden Unternehmen jedoch nur selten Orientierung.
Das der Branche Maschinenbau nahestehende Fraunhofer-Institut für Produktionstechnik und Automatisierung beschreibt künstliche Intelligenz als „Problemlösungsmethoden, darunter Logik und Planungsverfahren, für die menschliche Intelligenz erforderlich wäre“. Doch auch bei dieser Definition bleibt offen, was genau in Bezug auf eine technische Anwendung mit intelligent gemeint ist. Viele Funktionen werden neuerdings als „smart“ bezeichnet. Unser Handy wurde zum Smartphone, unser Zuhause zum Smart Home. Doch ist eine Fülle von Zusatzfunktionen mit teils ferngesteuert oder automatisiert ablaufenden Prozessen bereits ein Zeichen von Intelligenz?
Auch bei einer Maschine stellt sich die Frage, wo künstliche Intelligenz beginnt. Ist es ein Kriterium von Intelligenz, wenn eine Maschine Funktionen des Menschen nachahmt, indem sie mithilfe von Kameras, Mikrofonen und vielen weiteren Sensoren sieht, hört, riecht, schmeckt und tastet? Oder beginnt Intelligenz dann, wenn ein technisches System solche Sensorparameter nutzt, um anhand seiner Algorithmen eigenständig Entscheidungen zu treffen?
Starke und schwache künstliche Intelligenz
Eine allgemein anerkannte Kategorisierung von künstlicher Intelligenz unterscheidet zwei Formen oder Stufen von KI; eine enge und eine generelle oder allgemeine KI bzw. eine schwache und eine starke KI:
Schwache KI
Bei der schwachen KI liegt der Fokus auf konkreten Anwendungen. Die KI hat eine bestimmte Aufgabe und einen festen Verwendungszweck. Ein Beispiel wären Sprachassistenzsysteme wie Siri, Alexa & Co, welche die Aufgabe haben, Sprachbefehle des Menschen umzusetzen. Solche Systeme können sich zwar intelligent verhalten, bleiben aber „nur“ Computer. Sie sind weit davon entfernt, als künstliche Intelligenzen mit eigenem Wesen, Persönlichkeit oder Verstand zu gelten.
Starke KI
Eine starke KI geht weit darüber hinaus. Sie will die intellektuellen Fähigkeiten des Menschen nachbilden und weiterentwickeln bis hin zu einem eigenen Bewusstsein. Eine solche Form von KI gibt es bislang nicht bzw. nur in der Science-Fiction, obwohl seit 50 Jahren daran geforscht wird. Noch ist unbekannt, ob eine (starke) KI irgendwann in der Lage sein wird – wie ein „echter“ Verstand –, auch auf unbekannte Situationen zu reagieren und autonom Lösungen auf jegliche Probleme zu finden. Einige Wissenschaftler gehen davon aus, dass eine starke KI niemals existieren wird.
Künstliche neuronale Netze
Auf der technischen Ebene ist es naheliegend, eine künstliche Intelligenz gemäß ihrem natürlichen Vorbild zu entwickeln. Statt von Software, Bits und Bytes sprechen die Entwickler von künstlichen Neuronen und künstlichen neuronalen Netzen (KNN). Denn die Art und Weise der Informationsverarbeitung wird dem Gehirn und Nervensystem des Menschen nachgebildet. Die künstlichen neuronalen Netze sollen es ermöglichen, auch komplexe Daten und Informationen von verschiedenen Ebenen zu verknüpfen und zu analysieren. Solche KNN gelten als Voraussetzung für das sogenannte maschinelle Lernen (s.u).
Voraussetzungen für den Einsatz künstlicher Intelligenz
Die Fähigkeiten künstlicher neuronaler Netze beim Erfassen und Analysieren riesiger Datensätze machen KI auch für den Maschinenbau interessant. Denn immer mehr Funktionen und auch Sicherheitsfunktionen von Maschinen bestehen nicht mehr rein aus Hardware, sondern sind gleichzeitig in Software abgebildet und virtuell vorhanden. Dazu kommt, dass – etwa in automatisierten Produktionslinien – an immer mehr Stellen immer mehr Daten erzeugt werden, die ausgewertet und genutzt werden können.
Erfolgsprognosen
Die Erfolgsprognosen zum Einsatz von KI sind eng verwoben mit einigen anderen technologischen Entwicklungen, die der „Vierten industriellen Revolution“ zugerechnet werden. Für den Einsatz künstlicher Intelligenz besonders relevant sind die Aspekte
- Digitalisierung, insbesondere hohe Rechenleistungen
- Automatisierung und Robotik, insbesondere kollaborative Roboter
- Miniaturisierung, z.B. immer kleinere und billigere Sensoren
- Kommunikationstechnik, Vernetzung und Bandbreiten
- Identifizierbarkeit von Objekten, etwa durch RFID, „Internet der Dinge“(IoT)
- riesige Speicherkapazitäten, lokal und in der Cloud, zum Verwalten gigantischer Datenmengen („Big Data“)
Ohne diese Entwicklungen des 4.0-Zeitalters wäre ein breiter Einsatz von KI-Anwendungen kaum vorstellbar.
Maschinelles Lernen oder die lernende Maschine
Deep Blue, das Schachprogramm von IBM, das berühmt wurde, als es in den 90er Jahren den damaligen Schachgroßmeister Garry Kasparov besiegte, verfügte noch nicht über eine Gedächtnisfunktion. Das Programm analysierte die Züge seines Gegners und reagierte darauf, indem es unzählige Varianten virtuell ausprobierte und eine auswählte. Ein heutiger Schachcomputer kann nicht nur dokumentiert vorliegende Schachpartien auswerten, sondern lernt auch bei jedem neuen Spiel gegen einen neuen Gegner dazu. Er erfasst und analysiert immer neue Stellungen und Varianten und seine Erfahrung wird immer größer und reichhaltiger.
Dieses Beispiel zeigt, wie das sogenannte maschinelle Lernen die Möglichkeiten und Fähigkeiten computerisierter technischer Systeme um eine neue Dimension erweitert. Auch die Software, die das Brettspiel Go inzwischen besser beherrscht als jeder Mensch, brachte sich ihre Fähigkeiten durch maschinelles Lernen selbst bei. Maschinelles Lernen kann man als Überbegriff für alle Methoden betrachten, mit denen technische Systeme dazu befähigt werden,
- ihre Umwelt wahrzunehmen,
- darin Muster zu erkennen,
- das Wahrgenommene zu verarbeiten,
- Modelle zu entwickeln und diese auf unbekannte Situationen anzuwenden,
- selbstständig neue Lösungswege zu finden und Entscheidungen zu treffen,
- aus Erfahrung zu lernen und sich selbst zu optimieren
Das Grundprinzip dabei ist stets, dass ein System seine Leistung im Hinblick auf eine spezifische Aufgabe durch weitere Daten und neue „Erfahrungen“ verbessert. Es benötigt nicht viel Fantasie, um sich Anwendungen vorzustellen, die auch den Maschinenbau betreffen.
Einsatz von KI im Maschinenbau
In einem Informationsbericht des Europäischen Wirtschafts- und Sozialausschuss zur Überarbeitung der Maschinenrichtlinie von 2020 heißt es, dass der Einsatz von KI dank der digitalen Technologie rasant vorankommt. Allerdings befindet er sich in vielen Bereichen der Maschinenbauindustrie und der verarbeitenden Industrie noch in einem Frühstadium. Doch die technologische Entwicklung geht rasch voran und diese Einschätzung könnte schon bald veraltet sein. Auch bei KI für Maschinen ist die entscheidende Frage, was ein intelligentes technisches System besser kann als ein Mensch. Dazu zählen insbesondere die folgenden Fähigkeiten:
- große Datensätze auswerten, denn die Geschwindigkeit, die Vielfalt und das Volumen an Daten, die Unternehmen heute sammeln, nimmt rapide zu
- akustische Informationen erkennen und auswerten, z.B. Sprache oder Störgeräusche in technischen Prozessen
- Bilder erkennen und visuelle Informationen analysieren, z.B. Gesichter erkennen, Röntgenbilder oder CT-Scans auswerten, auch als „Machine Vision“ bezeichnet
- dreidimensionale Gegenstände wie Bauteile oder Werkstoffe erkennen
- sich eigenständig im Raum orientieren (selbstfahrende Autos und Stapler, aber auch autonome Schiffer, Lieferroboter, Drohnen usw.)
- Handschriften erkennen und in digitale Texte transkribieren
- Muster in Datensätzen erkennen oder auch Abweichungen von Mustern
- komplexe Zusammenhänge schnell erfassen und Prognosen treffen, von Kaufempfehlungen bis zum Plausibilitätsscheck einer Konstruktion oder eines Schaltplans
- virtuelle Umgebungen und Charaktere generieren, etwa Filme wie „Avatar“, „Herr der Ringe“ oder „Harry Potter“
Überall dort, wo große Datenmengen erfasst und analysiert werden müssen, ist eine künstliche Intelligenz oftmals dem Menschen überlegen.
Einsatzbereich „Medizinische Diagnostik“
Insbesondere in der medizinischen Diagnostik klingen die Einsatzmöglichkeiten vielversprechend. KI identifiziert bereits heute Tumorzellen und verbessert die Krebsdiagnostik. Für Schlagzeilen sorgte im Oktober 2020 eine App zur Diagnose von Schlaganfällen. Sie nutzt KI, um in Echtzeit Sprache und Bewegungen der Gesichtsmuskeln von Patienten zu analysieren. Nachdem die Software zuvor mit Datensätzen von Patienten mit Schlaganfallsymptomen trainiert worden war, beherrschte sie die Diagnose besser und schneller als ein erfahrener Arzt.
Die Geschwindigkeit, mit der solche Anwendungen entwickelt werden, zeigt einen weiteren Pluspunkt digitaler und intelligenter Lösungen. Denn wofür ein Assistenzarzt eine lange Ausbildung und jahrelange Übung benötigt, lernt eine KI binnen weniger Stunden oder Tage. So stellen Schweizer Forscher im Dezember 2020 eine KI vor, die COVID-19 an Atemgeräuschen und Ultraschallbildern der Lunge erkennt. Angesichts dieser Leistungen ist zu erwarten, dass sich auch für den Maschinenbau immer mehr Aufgabenfelder für die Algorithmen intelligenter Systeme abzeichnen. Nachfolgend einige Beispiele, an denen geforscht oder mit denen bereits gearbeitet wird.
Smarte Instandhaltung
Im Konzept der „Predictive Maintenance“, einer vorausschauenden Instandhaltung, ist der konkrete Nutzen von KI in industriellen Produktionsumgebungen am ehesten erkennbar und bereits am weitesten fortgeschritten. Die Grundidee lautet, dass eine Maschine über geeignete Sensoren im laufenden Betrieb alle Parameter erfasst, die für ihr reibungsloses Funktionieren erforderlich sind. Sensoren überwachen die für Verschleiß relevanten Parameter, Algorithmen berechnen die Lebensdauer von Werkzeugen oder Austauschteilen. Intelligent gesteuerte Bauteile melden selbstständig, wenn sie ausgetauscht oder gewartet werden müssen und ordern das zu ersetzende Teil aus dem Lager oder informieren das zuständige Wartungsteam.
Intelligente Lösungen
Unerwünschte Situationen wie Überhitzung, Leerlauf, Blockierungen und andere Störungen im Fertigungsprozess sollen mithilfe von KI frühzeitig erkannt oder gar vorausschauend aufgefangen werden. Eine Maschine könnte z.B. die Zusammensetzung des Kühlmittels erfassen, Kühlkreisläufe regulieren und Ventilatoren steuern. Ungeplante Stillstände durch Ausfall von Maschinen sollen auf diese Weise ebenso vermieden werden wie ein vorzeitiges Austauschen von noch einsatzfähigen Bauteilen. Damit werden Auslastung und Effizienz von Maschinen und Anlagen optimiert. Wartung und Instandhaltung finden zu den jeweils optimalen Zeitpunkten statt. Noch ist nicht absehbar, inwiefern sich solche „intelligenten“ Lösungen auf das Festlegen von Wartungsintervallen durch den Maschinenhersteller oder von Prüffristen durch den Maschinenbetreiber auswirken werden. Werden intelligente Maschinen künftig ganz ohne starre Wartungsfristen auskommen? Werden Prüfplaketten überflüssig, weil sich beim Leiter Instandhaltung rechtzeitig eine App mit einem aktuellen Zustandsbericht der Maschine meldet?
Beispiel für Einsatz von künstlicher Intelligenz
Bei Windkraftanlagen wird KI in ersten Projekten bereits auf diese Art eingesetzt. Einstellungen, Antriebssysteme und Regeleinheiten der Rotorblätter sind sehr komplex und Wartung und Reparatur aufwendig und kostenintensiv. Je mehr Daten die KI vom Zustand der Windkraftanlage und ihrer Komponenten (Schwingungen, Generator, Getriebe usw.) erhält, desto besser werden ihre Vorhersagen, insbesondere wenn – etwa in einem Offshore-Windpark – Daten von mehreren Windrädern genutzt werden.
Qualitätssicherung
Bei Anwendungen von KI in der Qualitätskontrolle überwacht eine Maschine über Sensoren ihre eigene Leistung, z.B. die Fehlertoleranz der gefertigten oder bearbeiteten Bauteile. Eine intelligente Anlage erkennt eigenständig Unregelmäßigkeiten und Fertigungsschwankungen und reagiert gezielt darauf. Das letzte Modul einer Fertigungsstraße kontrolliert Maßungenauigkeiten, die Glattheit von Oberflächen oder ein ungenaues Entgraten. Begriffe wie intelligente Anomalieerkennung, Zeitreihenanalyse oder smartes Toleranzmanagement umschreiben solche Konzepte. Das Ziel liegt auf der Hand. Mithilfe von KI soll der Anteil an Ausschuss reduziert werden, um Kosten zu senken. Der Erfolg in der Praxis hängt dabei nicht nur von der Leistungsfähigkeit der Algorithmen ab, sondern auch von der Genauigkeit und Zuverlässigkeit der erfassten Daten, die wiederum auf der Leistung der eingesetzten Sensoren beruht.
Besonders in der Medizin wird die Leistungsfähigkeit intelligenter Algorithmen immer deutlicher. Auf künstlicher Intelligenz beruhende Systeme identifizieren Tumorzellen, werten Blutbilder aus oder erkennen psychische Störungen anhand von Videosequenzen des Patienten und das inzwischen oft besser als ein Mensch. Es liegt nahe, diese mächtigen analytischen Fähigkeiten auch in der industriellen Produktion einzusetzen. Wenn eine Software die vergleichsweise komplexen Datensätze der Mimik und Gestik eines Menschen auswerten, Gesichter erkennen und Sprache „verstehen“ kann, dann sollte es auch möglich sein, die Parameter komplexer Bauteile oder Endprodukte zu erfassen.
Optimierung der Maschinensteuerung
Wenn viele einzelne Funktionen und Prozessschritte ineinandergreifen oder wenn Maschinen modulartig zu größeren Produktionseinheiten zusammengestellt und verschaltet werden, wird das Überwachen und Steuern komplex. Jede Maschine soll eigenständig arbeiten, aber auch das Gesamtsystem soll so effizient wie möglich laufen. Die riesigen Datensätze von Stückzahlen, Durchläufen, Ausschuss usw. im Blick zu behalten und daraus die richtigen Schlüsse für ein Optimieren der Einstellungen zu ziehen, mag einem erfahrenen Produktionsleiter mit gutem Bauchgefühl gelingen. Doch in vielen komplexen Produktionsumgebungen könnte eine Überwachung durch eine künstliche Steuerungsintelligenz den menschlichen Entscheider unterstützen oder ablösen.
Höhere Flexibilität
Auch ohne den Einsatz von KI wird das klassische Konzept einer auf das Produkt zentrierten Fertigung in einigen Branchen längst mehr und mehr durch lösungs- und kundenorientierte Ansätze abgelöst. Wertschöpfungsketten und Produktionssysteme werden seit Jahren flexibler und passen sich an Kundenwünsche und das Marktgeschehen an. Verbraucherprodukte wie das persönlich gestaltete Fotobuch oder das individuell zusammengemixte Müsli sind für uns bereits selbstverständlich geworden. Doch auch im B2B-Sektor belegen Organisations- und Steuerungskonzepte wie Just-in-Time Produktion, Just-in-Sequence-Fertigung oder Produktion bis zur Losgröße 1 diesen Trend. KI soll diese Entwicklung zu dynamischen Produktionssystemen weiter beflügeln. Anhand der systematischen Zusammenführung von Maschinendaten, Prozessdaten und Kundenwünschen und deren intelligenter Auswertung sollen Fertigungsprozesse optimiert und immer autonomer steuerbar werden. Statt auf einem Fließband mit festgelegten Routen könnte ein intelligentes Bauteil über fahrerlose Transportsysteme seinen eigenen optimierten Kurs zwischen Montagestellen, Schweißrobotern oder Lackierkabinen individuell und intelligent steuern.
Effizienzgewinn
Siemens experimentiert mit künstlicher Intelligenz für Ampelsteuerungen. Ein neuronales Netz aus Induktionsschleifen in der Fahrbahn und Kameras erfasst alle Fahrzeuge und clevere Algorithmen sollen die Ampelphasen für einen optimalen Verkehrsfluss optimieren. Das Grundprinzip dahinter ist ebenso auf viele industrielle Anwendungen anwendbar. Überall, wo Bauteile, Module und Komponenten von technischen Systemen transportiert und an Maschinen und Fertigungsstraßen übergeben werden, wird ein ungestörter Verkehrsfluss angestrebt und jeder Stau und Stillstand kostet Geld. Ein automatisiertes System, dass solche Prozesse intelligent überwacht und steuert, wird weder müde noch unaufmerksam, benötigt weder Arbeitspausen noch Urlaub.
Stärken der künstlichen Intelligenz
Überall, wo in der Prozessautomatisierung große Mengen an Daten in Echtzeit erfasst und ausgewertet werden, zeigt KI ihre Stärken. Schon heute kann z.B. die intelligente Software einer Laserschneidanlage anhand von Materialeigenschaften, erwünschter Geometrie des Blechteils usw. eigenständig die optimalen Bearbeitungsparameter und -strategie festlegen. Künftig soll ein solches System eigenständig aus Fehlern wie Kippen oder Verkanten des Rohlings lernen. Weitere Szenarien verschieben die Systemgrenzen, so dass die Laserbearbeitungsmaschine – bzw. deren übergeordnete KI – gemäß den Daten aus dem Auftragseingang eigenständig beim Stahllieferanten Material ordert und dessen Logistik organisiert. Nicht nur Maschinen, sondern ganze Produktionsprozesse sollen sich so durch Rückkopplung ständig weiterentwickeln.
Die Gedankenspiele reichen weiter. Vielleicht erkennt ein intelligentes System irgendwann, dass ein Maschinenteil nicht optimal arbeitet, konstruiert eine bessere Lösung, gibt diese an einen 3D-Drucker aus und baut sie per Greifarm selbst ein. Oder eine intelligente CAD-Software erkennt anhand der Eingaben des Konstrukteurs, an welcher Aufgabe dieser arbeitet und schlägt alternative Konstruktions- oder Designlösungen vor, auf die ein Mensch niemals gekommen wäre. Wer solche Ideen als Science-Fiction abtut, sei daran erinnert, wie wir vor gerade mal 30 Jahren noch telefoniert haben und was ein zigarettenschachtelgroßes Gerät heute leistet.
Maschinensicherheit
Künstliche Intelligenz kann und wird auch die Sicherheitsfunktionen einer Maschine und den Arbeitsschutz betreffen. Noch sind hier viele Fragen offen. Kann z.B. eine Schutzeinrichtung, die – per Kamera und KI-Auswertung der Bilder in Echtzeit oder Sensoren in Handschuh oder Armband – die 3D-Position der Hände eines Mitarbeiters kontinuierlich erfasst, eine herkömmliche Zweihandschaltung ersetzen? Würde das Bedienen der Maschine damit sicherer, der Produktionsprozess schneller?
Intelligent gesteuerte fahrerlose Transportsysteme sind bereits innerbetrieblich im Einsatz. Sie können zu einem Gewinn an Sicherheit führen, wenn sie z.B. eigenständig auf sich nähernde Fußgänger reagieren oder ihre Geschwindigkeit in Abhängigkeit von Last und Lastschwerpunkt stets so regeln, dass ein Kippen unmöglich ist. Sobald jedoch ein autonomes System in einer speziellen Situation versagt, werden – wie nach den Unfällen mit selbstfahrenden Pkw – die Diskussionen um die Sicherheit von Neuem beginnen.
Der digitale Zwilling
Im Zusammenhang mit Anwendungen künstlicher Intelligenz für Maschinen ist häufig vom sogenannten „digital twin“, dem digitalen Zwilling die Rede. Laut einer Studie von ABB gilt der digitale Zwilling als ein „key software component of Industry 4.0“. Die von den großen Wirtschaftsverbänden BITKOM, VDMA und ZVEI initiierte Plattform 4.0 nennt ihn die „digitale Basis für autonome Systeme und KI“. Andere Stimmen bezeichnen den digitalen Zwilling weniger euphorisch als „Datensteckdose“.
Was genau einen digitalen Zwilling ausmacht, ist nicht ganz einfach zu verstehen. Denn schon eine CAD-Datei mit den Konstruktionsdaten stellt eine digitale Entsprechung einer Maschine dar. Dieses Abbild bleibt jedoch statisch, während der digitale Zwilling als ein mathematisches Abbild einer Maschine verstanden wird, das all ihre Eigenschaften und Prozesse und Dynamiken umfasst.
Der digitale Zwilling einer Maschine soll ihren gesamten Lebenszyklus abbilden und die Produktionsprozesse optimieren. Die Daten gehen weit über das Erfassen von Input und Output hinaus. Sie beziehen möglichst alle relevanten und messbaren Prozesse, Produkte und Parameter ein. Dazu gehören „physische“ Daten wie Anzahlen, Größen, Gewichte usw., Prozessdaten wie Temperatur oder Druck, aber auch Dokumente und Dateien wie etwa Betriebsanleitungen, Funktionsbeschreibungen oder Schaltpläne. Damit könnte man den digitalen Zwilling einerseits als eine Art Datenbank mit angeschlossenem Simulationsprogamm beschreiben. Andererseits bilden die Daten eine physikalische und dynamische Entsprechung der Maschine. Dieses digitale Maschinenprofil soll möglichst exakt der realen Situation einer Maschine nachgebildet werden.
Die Verwaltungsschale als Kernelement
Im Konzept des digitalen Zwillings enthält jedes Element, jeder Gegenstand oder jede Maschine eine sogenannte Verwaltungsschale. In dieser „Asset Administration Shell“ (AAS) werden alle Informationen, Daten und Funktionen strukturiert beschrieben und gespeichert. Die AAS wird somit auch zur Grundlage für eine Interoperabilität, d.h. Geräte und Maschinen bzw. ihre Komponenten und Anwendungen sollen herstellerübergreifend und über Länder-, Branchen- und Unternehmensgrenzen hinaus miteinander Daten austauschen, kommunizieren und kooperieren. Dies würde erschwert, wenn jeder Lieferant einer Maschine, Steuerung oder anderen Komponente unterschiedliche Datenformate nutzt. Die Verwaltungsschale soll daher für einheitliche Standards und Schnittstellen sorgen.
Eine beim BMWI angesiedelte Arbeitsgruppe „Referenzarchitektur, Standardisierung und Normung“ soll Grundlagen für diese dringend benötigten einheitlichen und offenen Standards erarbeiten und in die internationalen Standardisierungsprozesse einbringen. In die gleiche Richtung zielen Aktivitäten von Industrieverbänden und Unternehmen, in erster Linie ist hier die IDTA zu nennen.
März 2021: Start der Industrial Digital Twin Association (IDTA) Vorangetrieben von den maßgeblichen Verbänden VDMA, ZVEI und Bitkom hat im März 2021 die Industrial Digital Twin Association (IDTA) ihre Arbeit aufgenommen. Ihre Aufgabe ist, die notwendige Standardisierung und Verbreitung der Verwaltungsschale weiter voranzutreiben. Über eine Open Source-Entwicklung, d.h. öffentlich zugängliche Quellcodes und oft kostenlos nutzbare Software, soll der Zugang offen sein und offenbleiben, insbesondere auch für kleine und mittelständische Unternehmen. In der Liste der Gründungsmitglieder finden sich viele Pioniere in Sachen Digitalisierung, Automatisierung und „smarten“ Lösungen wie ABB, Asentics, Bosch, Bosch Rexroth, Danfoss, Endress+Hauser, Festo, Homag, KUKA, Lenze, Pepperl+Fuchs, Phoenix Contact, SAP, Schneider Electric, Schunk, Siemens, Trumpf, Turck, Volkswagen und Wittenstein. |
Künstliche Intelligenz in der Risikobewertung
Selbstverständlich muss es in das Verfahren zur Konformitätsbewertung einfließen, wenn Funktionen einer Maschine von KI gesteuert oder gar im Lauf des Lebenszyklus der Maschine von der KI verändert und weiterentwickelt werden. Sowohl die Risikobeurteilungen beim Hersteller wie auch die Gefährdungsbeurteilungen beim Betreiber können damit an Komplexität zunehmen. Hier könnten in einem Konformitätsbewertungsverfahren plötzlich Fragestellungen auftauchen, die man bislang nur aus Filmen wie Terminator oder Matrix kannte. Es müssen Kontrollmechanismen entwickelt werden, die ausschließen, dass eine KI zu einer Bedrohung für den Maschinenbediener führen kann.
Wird die Risikobewertung leichter?
Aus Sicht des Herstellers stellt sich die Frage, wie intelligente Komponenten einer Maschine sich auf die Risikobeurteilung auswirken. Wird die Risikobewertung leichter oder wird sie komplizierter? Auf der einen Seite kann es zu einem Gewinn an Sicherheit führen, wenn z.B. Schutzfunktionen intelligent überwacht werden, Fehlbedienungen vorhergesehen und Manipulationsversuche erkannt werden. Auch kann es eine smarte Software erleichtern, viele Parameter wie Bewegung, Druck, Kräfte, Temperaturen usw. zu simulieren und in Kombination aller relevanten Parameter virtuell durchzuspielen. Auf der anderen Seite muss geklärt werden, inwiefern das Übertragen von Bedien-, Steuer- oder Überwachungsaufgaben an einer Maschine oder Anlage vom Menschen an eine künstliche Intelligenz zu neuen Gefährdungen führen kann.
Eine künstliche Intelligenz ermüdet nicht. Sie ist rund um die Uhr an 356 Tagen im Jahr leistungsfähig. Doch welche Situationen sind vorstellbar, die nur ein Mensch sicher beherrschen kann? Je autonomer ein intelligentes System agiert bzw. nach Inbetriebnahme agieren soll, desto wichtiger wird die Frage, wann und wo der Mensch eine Möglichkeit zum schnellen Eingreifen hat. Welche „Hintertürchen“, Notausgänge und virtuelle Reißleinen lässt eine intelligente Steuerungslogik zu? Wie und wo müssen möglicherweise ganz neue Sicherheitsmaßnahmen implementiert werden, die bislang nicht notwendig waren?
Datensicherheit erforderlich
Auch die Vernetzung von Maschinen, Bauteilen, Transportsystemen, Gebäudefunktionen usw. i.S.d. Internet oft Things (IoT) ist nicht frei von Risiken. Wie fälschungs- und manipulationssicher sind die Daten? Werden Hacker Signale fälschen können oder RFIDs manipulieren, um Maschinen fehlzusteuern und Produktionsprozesse zu sabotieren? Je nach Maschinentyp und Branche wird das Absichern vor Cybergefahren, Datenschutz und Datensicherheit beim Einsatz von KI an Bedeutung gewinnen.
Ein lebenslanges Lernen von Maschinen betrifft auch den Hersteller
Aus Sicht des Maschinenherstellers verschiebt sich durch den Einsatz künstlicher Intelligenz die zeitliche Dimension. Denn eine intelligente Maschine verschwindet nach Auslieferung und Inbetriebnahme nicht von der Bildfläche, sondern könnte wie ein Satellit ständig Daten an den Hersteller zurück funken. Diese Daten könnten höchst willkommen sein, denn sie geben präzise Auskunft über die Nutzung der Maschine, ihre Funktionen, Leistungsdaten, Eingaben des Bedieners, Störungen, Wartung usw.. Fließen diese Betriebsdaten zurück an den Hersteller, liefern Sie Ansatzpunkte für ein nutzergerechtes Optimieren.
Dabei kommen ganz neue Fragestellungen auf den Maschinenhersteller zu. Erfolgt das maschinelle Lernen rein herstellerseitig, um vorab eine gewisse Funktionalität zu sichern und ist dann vor Inbetriebnahme abgeschlossen? Oder lernt die kluge Maschine stetig weiter und ohne Aufsicht durch ihre „Erfinder“? Welche Rahmenbedingungen oder Grenzen müssen einem solchen selbstlernenden Prozess innerhalb des „Machine Learning“ auferlegt werden? Hier gibt es noch kaum Erfahrungen, aber derlei Überlegungen sind keineswegs eine akademische Spekulation. Denn ein maschinelles Lernen kann auch zu unerwünschten Ergebnissen führen. Dies zeigen u.a. Erfahrungen mit selbst lernenden Chatbots, die abgeschaltet werden mussten, weil sie nach einiger Zeit zu rassistischen Aussagen tendierten. Ist ein solches Fehl-Lernen auch bei einer intelligenten Produktionsstraße denkbar? Was wären die Auswirkungen und wie verteilen sich bei einem lebenslang selbst lernendem System die Verantwortlichkeiten von Hersteller und Betreiber? Hier werden noch viele Fragen zu klären sein.
Erste Ansätze für Regelungen und Standards
Normative oder gar im Maschinensicherheitsrecht verbindlich verankerte Vorgaben für den Einsatz künstlicher Intelligenz sind noch rar. Aber das Nachdenken darüber hat längst begonnen. Die noch druckfrische ISO/TR 22100-5 von Januar 2021 steckt einen ersten Rahmen ab, wie KI in die Steuerung von Maschinen einzubinden ist. Im Volltitel dieser Norm „Sicherheit von Maschinen – Zusammenhang mit ISO 12100 – Teil 5: Einfluss von künstlicher Intelligenz auf maschinelles Lernen“ wird der Anspruch deutlich. Interessant zu sehen ist, dass diese Norm bei der Frage nach den Risiken durch KI-Einsatz bei Maschinen auf die ISO 12100 verweist. Risiken, die auf KI-Anwendungen in Maschinen zurückzuführen sind, sollen mit der bewährten Methodik der ISO 12100 zur Risikobeurteilung und Risikominderung erfasst werden. Noch nicht in finaler Form veröffentlicht ist eine weitere Norm, die derzeit unter ISO/IEC AWI TR 5469 „Artificial intelligence – Functional safety and AI systems“ geführt wird.
Grenzen und falsche Erwartungen
Bei aller Euphorie für die Möglichkeiten künstlicher intelligenter Systeme sollte man sich der Grenzen bewusst bleiben. Auch wenn eine künstliche Intelligenz eigenständig lernen kann, ist damit – zumindest im Rahmen der derzeit praxistauglichen schwachen KI – noch keine echte selbstständige Weiterentwicklung verbunden. Eine KI, die per Kamera unterschiedliche Schrauben erkennt, per Greifarm die richtige Schraube auswählt und an der gewünschten Stelle des Bauteils einschraubt, kann einen Produktionsschritt verbessern. Doch diese KI wird – nach jetzigem Stand – nie auf die Idee kommen, an der gleichen Stelle eine Niete, eine Schweißnaht oder ein Verkleben vorzuziehen. Diese neue „Sicht“ würde für ein maschinelles intelligentes System erst möglich, wenn der Programmierer auch dafür die benötigten Algorithmen definiert und einspeist.
Eine KI ist noch nicht in der Lage, sich selbstständig neue Aufgaben zu suchen. Eine künstliche Intelligenz, die nicht nur Maschinen steuert und Produktionsabläufe optimiert, sondern gleichzeitig auch noch die hergestellten Produkte so konstruiert und ihre Vermarktung steuert, dass diese ausschließlich risikoarm, ressourcenschonend und klimafreundlich eingesetzt werden können, ist nicht in Sicht. Die „Welt retten“ müssen wir Menschen derzeit noch selbst.
Digitale Ethik für intelligente Maschinen?
Neben technischen stellen sich beim Einsatz von KI auch rechtliche und ethische Fragen. Kann ein künstlichen Denken Verantwortung tragen? Kann eine künstliche Intelligenz moralischen Werten unterliegen? Solche Fragen wurden in der Science-Fiction bereits gestellt und Lösungsansätze präsentiert, siehe etwa die Robotergesetze von Isaac Asimov. Solange KI nicht über Bewusstsein verfügt, kann ein Handeln auf Basis menschlicher Vorstellungen von Moral nicht erwartet werden. Gut und Böse lässt sich kaum in Algorithmen fassen oder in einer Maschinensteuerung programmieren.
KI-Anwendungen außerhalb des Maschinenbaus
Bei KI-Anwendungen außerhalb des Maschinenbaus haben die Diskussionen um ethische Fragen längst begonnen. Ist es ethisch vertretbar, wenn ein intelligentes „Social Scoring“ Persönlichkeit und Verhalten von Menschen bewertet und Algorithmen entscheiden, wer einen Kredit oder einen Mietvertrag bekommt? Wie soll eine Behörde reagieren, wenn eine KI anhand von Persönlichkeitsprofilen, Bewegungsverläufen oder dem Online-Verhalten voraussieht, ob jemand kriminell wird? Darf eine künstliche Intelligenz – etwa in der Notfallmedizin – darüber (mit-)entscheiden, wie ein verletzter Mensch behandelt wird, wer welches Medikament erhält oder für wen sich eine Therapie lohnt?
KI-Anwendungen für den Maschinenbau
Für den Maschinenbau sind solche Fragestellungen nur auf den ersten Blick unangebracht. Bei einer Produktionsstraße für Drehteile oder einer Sortiermaschine für Gemüse mögen ethische Überlegungen in der Tat kein Thema sein. Bei KI-Anwendungen im Maschinenbau geht es weniger um den Schutz von Persönlichkeitsrechten als den Schutz vor Verletzungen. Doch schon bei selbst fahrenden Autos sind heikle Fälle denkbar, in der die intelligente Maschine autonom entscheiden müsste, ob sie stoppt oder nicht. Nach welchen Kriterien entscheidet das System z.B. in einer unausweichlichen Unfallsituationen, wessen Tod oder Verletzung das kleinere Übel ist?
EU legt Rechtsrahmen für künstliche Intelligenz vor
Die Ansätze einer „digitalen Ethik“ arbeiten mit Begriffen wie „responsible KI“ oder „trusted KI“. Dies deutet bereits den Gedanken an, dass eine Maschine auch verantwortlich für ihr Tun oder Lassen sein könnte. Oder liegt die Verantwortung bei demjenigen, der die Maschine konstruiert und gebaut hat? Zu Recht werden die Stimmen lauter, die den Einsatz von KI regulieren wollen.
Die EU-Kommission hat 2019 Leitlinien für die Entwicklung vertrauenswürdiger Künstlicher Intelligenz vorgelegt und im April 2021 zum – weltweit ersten –Vorschlag für einen Rechtsrahmen für KI (https://ec.europa.eu/growth/content/europe-fit-digital-age-commission-proposes-new-rules-and-actions-excellence-and-trust_de) erweitert. Diese europäischen Überlegungen sollen zum einen die Sicherheit des Menschen gewährleisten, zum anderen aber auch die Wettbewerbsfähigkeit europäischer Unternehmen.
Laut Pressemitteilung IP/21/1682 vom 21.04.2021 soll die neue KI-Verordnung sicherstellen, dass die Europäerinnen und Europäer dem vertrauen können, was die KI zu bieten hat. Verhältnismäßige und flexible Vorschriften sollen den spezifischen Risiken gerecht werden, die von KI-Systemen ausgehen, und die weltweit höchsten Standards setzen. Im koordinierten Plan werden die politischen Veränderungen und die Investitionen dargelegt, die in den Mitgliedstaaten nötig sind, um Europas Führungsposition bei der Entwicklung einer auf den Menschen ausgerichteten, nachhaltigen, sicheren, inklusiven und vertrauenswürdigen KI zu stärken.
Vorschlag für die KI-Verordnung
Im Vorschlag für die KI-Verordnung findet sich übrigens auch in Artikel 3 Nr. 1 eine Definition für KI:
„‘artificial intelligence system’ (AI system) means software that is developed with one or more of the techniques and approaches listed in Annex I and can, for a given set of human-defined objectives, generate outputs such as content, predictions, recommendations, or decisions influencing the environments they interact with;”
Dabei nennt der Anhang I folgende Technologien und Ansätze:
(a) Machine learning approaches, including supervised, unsupervised and reinforcement learning, using a wide variety of methods including deep learning;
(b) Logic- and knowledge-based approaches, including knowledge representation, inductive (logic) programming, knowledge bases, inference and deductive engines, (symbolic) reasoning and expert systems;
(c) Statistical approaches, Bayesian estimation, search and optimization methods
Vorgaben
Die dort formulierten Vorgaben berühren auch gesellschaftliche Aspekte. So soll etwa ein biometrisches Identifizieren von Personen im öffentlichen Raum über Gesichts- und Stimmerkennung erschwert werden. Wenn jedoch genau diese Technologien bei der Fahndung nach Terroristen oder der Suche nach vermissten Kindern entscheidend unterstützen könnten, wird das Dilemma starrer ethischer Festlegungen deutlich.
Künstliche Intelligenz im Unternehmen
Ähnliche Ambivalenzen zeigen sich auch beim Einsatz künstlicher Intelligenz in Unternehmen. Einerseits heißt es, dass KI uns Menschen entlasten soll. Damit sollen Ressourcen frei werden für emotionale, soziale und kreative Aktivitäten, die eine KI nicht übernehmen kann. Andererseits warnen Arbeitsschützer und Arbeitsmediziner, dass der Einsatz von KI in einem Unternehmen auch zu Stress führen kann, zu Konkurrenzdruck und Angst vor Verlust des Arbeitsplatzes.
Normungsroadmap Künstliche Intelligenz
Last but not least sei auf ein hochaktuelles Dokument der Deutschen Kommission Elektrotechnik Elektronik Informationstechnik in DIN und VDE (DKE) verwiesen. Im November 2020 hat die DKE eine „Normungsroadmap Künstliche Intelligenz“ vorgelegt. Diese Studie analysiert erstmals den Bestand und den Bedarf an internationalen Normen und Standards. Ziel der Normungsroadmap ist, die Akzeptanz für KI in Wirtschaft und Gesellschaft zu stärken und den Technologietransfer zu stärken, insbesondere für KMU. Die Autoren fordern u. a. Normen, die
- Qualitätskriterien und Prüfverfahren an KI-Anwendungen festlegen und
- ethische Mindestanforderungen für KI-Anwendungen definieren.
Es wird spannend zu sehen sein, wie diese Forderungen in das Normungsgeschehen wie auch in die neue Maschinenverordnung einfließen werden. Denn auch wenn zum Einsatz von KI noch viele Fragen offen sind, in einem Punkt sind sich fast alle Experten einig: Die Zukunft künstlicher Intelligenz hat gerade erst begonnen.
Weiterführende Links
KI-Paket der EU-Kommission vom 21.04.2021 mit der Verordnung für einen Rechtsrahmen zur KI und der neuen Maschinenverordnung (https://ec.europa.eu/growth/content/europe-fit-digital-age-commission-proposes-new-rules-and-actions-excellence-and-trust_de)
Plattform Industrie 4.0: Netzwerk aus Unternehmen, Verbänden, Gewerkschaften, Wissenschaft und Politik mit dem Ziel, die digitale Transformation der Produktion in Deutschland voranzubringen
Deutsche Normungsroadmap Künstliche Intelligenz, ein Projekt des BMWi mit Experten aus Wirtschaft, Wissenschaft und Gesellschaft mit dem Ziel, Handlungsempfehlungen für die Normung rund um KI zu liefern
KI in der Industrie 4.0: Orientierung, Anwendungsbeispiele, Handlungsempfehlungen (BMWi 2020)
Industrial Digital Twin Association (IDTA): Vereinigung von Unternehmen und Verbänden aus Maschinenbau und Elektroindustrie zur Förderung des digitalen Zwillings
AASX-Package-Explorer, ein Open-Source-Tool zum Erstellen einer Verwaltungsschale und zum Modellieren eines digitalen Zwillings