Sind es im menschlichen Körper Nervenzellen und ihre Verschaltungen, die als neuronal bezeichnet werden, so gilt Ähnliches für die künstlichen neuronalen Netze im Themengebiet Deep Learning. Sie können Informationen von außen aufnehmen, modifiziert weiterleiten und die Klassifizierung als Endergebnis ausgeben. „Und sie können trainiert werden“, beschreibt Prof. Dr. Carsten Müller die flexible Lernleistung neuronaler Strukturen. Maschinelles Lernen gleicht insofern dem menschlichen Lernen, als dass durch (positive als auch negative) Bestärkung Anpassungen in den neuronalen Strukturen erreicht werden. Sie ermöglichen es dem System, selbstständig Strategien zu entwickeln – insbesondere die Leistungsfähigkeit des bestärkenden Lernen (englisch: Reinforcement Learning).
Vom Consumer-Umfeld in die Industrie
Im Alltag hat KI seit längerem Einzug gehalten. So basieren Navigationssysteme, Bilderkennung oder Sprachsteuerung meist auf neuronalen Netzen. Auch in der Industrie, im Handwerk oder im Handel gilt die künstliche Intelligenz zunehmend als Schlüsseltechnologie. Bei der automatischen Prozesskontrolle in der Fertigung kommt etwa zunehmend künstliche Intelligenz gekoppelt mit Kamerasystemen zum Einsatz. Werkstücke oder Produkte werden hier mittels überwachten Lernens (Supervised Learning) intelligent weiter bearbeitet. Von Supervised Learning als Teilbereich des maschinellen Lernens spricht man dann, wenn ein System nicht nur Daten verarbeitet, sondern Muster erkennt und daraus Entscheidungen ableitet.
Prof. Müller hat sich an der Hochschule in Mosbach auf die Anwendung von Schwarmintelligenz spezialisiert, insbesondere auf die Adaption von naturinspirierten Algorithmen für die Logistik. Fokus der ersten Phase in Forschung und Lehre ist das maschinelle Sehen als Schlüsseltechnologie für die stabile Klassifizierung von Objekten und Situationen im Kontext des autonomen Fahrens. In weiteren Phasen sollen hybride Algorithmen auf Basis von Schwarmintelligenz und Reinforcement Learning integriert werden. Dann geht es um Aspekte wie die Verteilung von Fähigkeiten, dynamische Rollen und Zuständigkeiten, Verhaltensregeln in unterschiedlichen Situationen und die Interaktion von mobilen Robotern mit dem Menschen.
Zusammenspiel von Software und Haptik
Bei der Forschung zu künstlicher Intelligenz und maschinellem Sehen wird in Mosbach auch das Modell ‚Qualitätssicherung mit KI‘ von Fischertechnik eingesetzt. „Das Zusammenspiel von Software und Haptik schafft Verständnis für künstliche Intelligenz“, begründet Müller den Einsatz. Das Modell von Fischertechnik wird mit Werkstücken in verschiedenen Farben geliefert. Diese Werkstücke sind mit drei Bearbeitungsmerkmalen sowie verschiedenen Fehlerbildern versehen. Sie werden von der Kamera gescannt und mit Hilfe von Supervised Learning klassifiziert und einsortiert – je nach Farbe, Merkmal und Fehlerbild.
Die verwendete KI ist mit maschinellem Lernen in Tensorflow realisiert, bei dem ein künstliches neuronales Netz mit Bilddaten trainiert wurde. Die eingelernte KI läuft auf dem Controller
