Automatisierung in der Industrie

00:00:01: Ich bin heute und doch zukünftig nicht alleine, sondern habe spannende GesprächspartnerInnen mit denen wir über die sogenannte digitale Transformation für die kleinen Heute.

00:00:28: an meiner Seite ist KI-Trainer Mike Roneberg.

00:00:31: Wir sprechen heute über das Thema Automatisierungslösung für die Industrie.

00:00:35: Hallo, Mike!

00:00:35: Ich freue mich, dass du da bist.

00:00:37: Hallo Isabel!

00:00:37: Freut mich, hier sein zu dürfen

00:00:38: und ich würde dich gerne zu Beginn einmal bitten, dich vorzustellen damit wir überhaupt wissen mit dem was zu tun haben.

00:00:43: Ja also ich bin jetzt mittlerweile sieben Jahren wissenschaftlicher Mitarbeiter beim Fraunhofer IFF in der Produktions- und Logistikautomatisierung habe dort begonnen mit IoT-Themen, später drei D Messsystem für die Logistik und heute zu KI basierten Arbeitsraumbeerwachungssystemen mittels zwei D und drei D Sensorik.

00:01:05: Und seit knapp einem Jahr – seit diesem Jahr bin ich nun auch KI-Trainer bei Mittelstandsdigitalzentrum Magdeburg und freue mich über diese neue Rolle und Möglichkeiten unternehmen in Sachsen-Anhalt und Deutschland bei der Digitalisierung und bei KI Lösungen zu

00:01:19: unterstützen.".

00:01:21: Und sag mal, kannst du so ein bisschen erklären wie Du eigentlich zur Entwicklung von KI-Lösungen für industrielle Automatisierungsanwendung gekommen bist?

00:01:29: Magst Du da mal ein bisschen erzählen.

00:01:31: Ja der Weg war ein sehr langer.

00:01:32: ich habe schon während meiner Studienzeit an der Otto von Gerike Universität als CV beim Fraunhofer gearbeitet und dort früh den Einstieg in industrieller Automatisierung Anwendung gefunden Und über die Jahre, auch mit dem technologischen Fortschritt wurde KI immer präsenter.

00:01:49: So dass Themen, die früher nicht umsetzbar waren oder nur mit einem hohen Aufwand umsetzt war, jetzt plötzlich wirtschaftlich effizient umgesetzt werden können und durch neue Chancen in der Automatisierung geschaffen wurden.

00:02:01: Dein Thema ist ja auch Objekterkennung.

00:02:04: Magst du mal erzählen was dich eigentlich besonders an diesem Thema so begeistert?

00:02:09: Es ist gar nicht die Technologie selbst sondern eher Integration in die verschiedenen Unternehmensprozesse Anwendung und Anlagen, weil ja am Ende die KI selbst wirft nur Detektionen raus oder Segmentierungsmasken.

00:02:23: Das ist relativ nicht spannend.

00:02:25: aber dann die Integration in der wirkliche Anlage zu sehen was man alles damit umsetzen kann das ist der wirklich interessante Teil.

00:02:31: Und hast du da mal ein Beispiel damit man so ein bisschen nachvollziehen kann wie die Begeisterung stattfindet?

00:02:38: Ja erstmal ist es natürlich immer interessant, überhaupt die Prozesse kennenzulernen in den Unternehmen.

00:02:43: Wissenschaft entsteht ja nicht nur im Labor und nicht nur am Schreibtisch sondern man muss natürlich auch sehen wo die Probleme bei den Unternehmen sind und erst dadurch kann man eben auch wirklich sinnvolle Lösungen erforschen erschaffen.

00:02:55: Objekterkennung, Segmentierungsmodelle, Gewissensysteme kommt dann zum Einsatz wenn man eine dynamische Szenerie hat, wenn man irgendwelche Prozisse analysieren wollen, die nicht star sind hineinfließen, die nicht geplant sind.

00:03:10: Das geplante Chaos existiert.

00:03:12: Gerade dann kann man mit solchen Detektionsalgorithmen Licht ins Klare schaffen.

00:03:18: Zweite Objekterkennung setzen wir beispielsweise häufig in Mess- und Prüfsystem ein um verschiedene Bauteile zu erkennen, zu lokalisieren und auf Basis dieser Erkennung Messtechnische Prüfungen durchzuführen Vollständigkeitsprüfung zu realisieren.

00:03:35: Im dreideh Umfeld arbeiten wir zum Beispiel mit der Arbeitsraumbewachung an Kran oder in industriellen Anlagen, die automatisiert sind um z.B.

00:03:46: Menschenverkehr zu analysieren, Anlagen zu stoppen oder die Bewegungen von einem Roboter oder Kran anzupassen entsprechend der Bewegung von Menschen und anderen Fahrzeugen im

00:03:56: Raum.

00:03:57: Was ist deine persönliche Meinung?

00:03:59: Wie hat sich die Bedeutung von KI für die industrielle Automatisierung in den letzten Jahren verändert, was würdest du sagen als KI-Trainer.

00:04:06: Die Bedeitung ist enorm gewachsen.

00:04:08: mittlerweile wenn man übermessen geht fast an jedem Stand steht irgendwo etwas mit KI.

00:04:13: Die Frage ist immer wo es KI wirklich sinnvoll und wo kann man auch mit herkömmlichen Technologien schnell zu einer Lösung kommen?

00:04:20: manchmal wird KI sehr stark als Busword benutzt wo eigentlich herkömlische Algorithmen technologien schon sinnvolle Lösungen bieten könnten.

00:04:27: Nicht, dass du trotz SKI im wesentlicher Treiber und entwickelt sich so schnell vor, sodass die Bedeutung nicht abzusprechen ist.

00:04:33: Und somit ist auch KI in aller Munde und jeder möchte KI in seine Prozesse und Systeme integrieren und diese bezüglich erreichen uns auch viele Anfragen.

00:04:42: Teilweise muss man dann eben sortieren wo SKI sinnvoll wohin nicht?

00:04:46: Und so findet man dann für das spezifische Problem eines Unternehmens auch immer die passende Lösung manchmal mit KI und manchmal eben doch ohne.

00:04:55: Und was würdest du sagen, welche Herausforderungen begegnen dir bei zum Beispiel jetzt der Objekterkennung in industriellen Umgebungen am häufigsten?

00:05:04: Ja die größten Probleme sind eben das im Gegensatz zu irgendwelchen öffentlichen Themen wo man jetzt z.B Autonomus fahren.

00:05:11: da liegen eben Datensätze vor die man für die KI Trainings nutzen kann In der Industrie Domänen, die Anwendung und die Anlagen.

00:05:18: Und Unternehmen so spezifisch dass da allgemeine Datensätze kaum Gültigkeit haben.

00:05:23: So muss man immer dafür sorgen einen eigenen spezificen Datensatz aufzubauen gegebenenfalls an den Kunden anzupassen und Systeme zu trainieren.

00:05:32: Selbst dann kann man nie garantieren das KI-Modell so gut läuft vor Ort wie es auch im Labor gelaufen ist weil man eben äußere Einwirkungen hat.

00:05:42: der Prozess war nicht ganz so klar er hat sich verändert können eben durchaus viele Probleme auch beim Rollout eines solchen KI-Systems entstehen.

00:05:51: Wie kann man denn, also für mich als Laia wie kann man dann so einen Datensatz extern aufbauen wenn man nicht die Daten von dem Unternehmen bekommt?

00:05:58: Wie passiert sowas?

00:05:59: kannst du mir das erklären?

00:06:01: Ja da gibt es verschiedene Möglichkeiten.

00:06:03: Man braucht natürlich immer ein bisschen Input von den Unternehmen.

00:06:05: Wenn die Daten dort nicht vorliegen oder keine Möglichkeit gibt sie dort aufzunehmen.

00:06:09: Dann muss zumindest der Prozess abgebildet werden sodass man eben durch eine Simulation mit einem beliebigen Simulations-Tool, zum Beispiel den Arbeitsraum nachbilden kann.

00:06:21: Den Kranarbeitsraum die Roboteranlage auch animieren kann so dass eben der Prozess an dieser Anlage abgebildet werden kann.

00:06:30: und dann kann man durch eine Sensorsimulation auch synthetische Daten aufnehmen.

00:06:34: es geht aber auch bei kleineren Problemstellungen einfacher wenn man jetzt bestimmte Bauteiler kennen möchte denn liegt man die nun in Fokus einer Kamera bewegt vielleicht die Kamera oder rotiert das Objekt und kann so denn bereits annotierte Daten aufnehmen.

00:06:48: Da gibt es viele Möglichkeiten, das umzusetzen und man muss eben je nach Anwendungsverschauen was hier die praktikabelste und effizienteste Art und Weise ist.

00:06:56: Und könntest du jetzt allgemein einschätzen wie lange so ein Prozess dauert?

00:07:00: Also wenn ein Unternehmen auf dich zukommt und sagt dass und das brauche ich, das und das möchte ich jetzt umsetzen und du dann diesen Datensatz künstlich erstellen musst also wie ist umfassend ist die Zeitressource die du dann hast?

00:07:12: Das ist immer abhängig von der Komplexität des Anwendungsfalls.

00:07:14: Möchte man zum Beispiel nur zwischen zwei drei Bauteilen unterscheiden, dann reicht ein relativ kleiner Datensatz.

00:07:20: Kann ich meinen Anwendungfall, mein Analyse-Szenario abgrenzen von äußeren Einflussen?

00:07:26: Dann muss die Datenlage auch nicht so ausgeprägt sein.

00:07:29: Dann reicht einen relativ kleiner datensatz um ihn das Problem zu lösen.

00:07:34: Aber alle äußere Einflüsse und ungeplante Einflüssen, wenn man das alles mitbrücht sich liegen muss, dann wird es schnell komplex.

00:07:40: ansonsten kann man... schon mit einem kleinen Projekt, mit zwei drei Monaten auch erster Ergebnis erzielen.

00:07:49: Und wann würdest du eher bei deiner Arbeit auf Zwei-D-Daten und Wann auf Drei-D Daten zur Umweltwahrnehmung setzen?

00:07:56: Zweite Daten bieten erst mal die bessere... Ausgangslage, die haben mehr Informationen von der Senderie und man kann besser die Objekte voneinander abgrenzen.

00:08:06: Dreidiedaten sind dann immer sinnvoll wenn man zusätzlich in der Anwendung auch die tiefen Informationen benötigt also wirklich messen wie weit das objekt entfernt ist.

00:08:15: da gibt es zwar für zwei die auch schon Algorithmen um die Entfernung zu schätzen aber dass es nicht so genau wie es eben mit den dreidien Sensoren möglich wird.

00:08:27: Drei die Sensoren hätten vielleicht auch noch den Vorteil des Datenschutzes.

00:08:31: Wenn es darum geht Anwendungen zu implementieren, wo eben auch Personen durch den Arbeitsraum laufen können dann kann das relevant sein.

00:08:41: und ja es kann natürlich auch sinnvoll sein beide Sensortypen miteinander zu kombinieren um ihm das Beste aus beiden Welten zu haben.

00:08:47: Denn auch, wenn man jetzt zum Beispiel an die Annotation von Realdaten denkt.

00:08:52: Wenn jemand drei D-Daten anotieren soll muss er erst mal verstehen was ich in den drei D Daten und das kann schwierig sein wenn man den Kontext gar nicht kennt.

00:09:00: Wenn man dem Prozess die Anlage nicht kennt dann ist das relativ fehlerempfällig.

00:09:04: gibt man aber noch die Bilddaten dazu.

00:09:06: Die zwei D-daten sind jedoch für die meisten Menschen besser zu interpretieren und so kann man dann auch wieder je nach Anwendungsverschauen was wann wie am besten geeignet ist richtige Lösung finden.

00:09:19: Was würdest du sagen, was sind dann besondere Schwierigkeiten bei der Segmentierung von drei D Daten?

00:09:25: Ja, drei D-Daten sind da besonders, denn die enthalten auch immer Fehler.

00:09:29: also zum einen können das Bild voraus sein, zum anderen können sogenannte Flying Pixel auch entstehen, die eben zwischen zwei Objekten entstehen.

00:09:38: Das heißt, der Laser sendet zb Lichtstrahlen aus trifft auf zwei Objekte, eins im Vordergrund und eins im Hintergrund.

00:09:45: Und dann gibt es so eine Anomalie.

00:09:47: Das heißt der eigentliche Messwert liegt irgendwo zwischen diesen beiden Objekten und so können Objektes miteinander verschmelzen und sind schwerer voneinander zu trennen sowohl für die Menschen in der Bewertung als auch für den Algorithmus später für die Segmentierung.

00:10:01: Und welche Kriterien sind für dich entscheidend um die Qualität eines Objekterkennungs- und Segmentierungsmodells zu bewerten?

00:10:08: Da gibt es die üblichen Metriken.

00:10:10: das ist erstmal natürlich die Genauigkeit Detektion der Box, die dann um dieses Objekt gezogen wird oder der Segmentierungsmaske.

00:10:19: Es gibt allgemeine Metriken wie die Accuracy und die Precision.

00:10:24: Da muss ich kurz rein-gragen.

00:10:26: Kannst du mir das kurz erklären was das ist?

00:10:28: Ja also die Accursy gibt erst mal an, wie viel der gewünschten Objekte, der Zielobjekte auch wirklich gefunden werden, wie viele Fehler dabei waren.

00:10:37: ja Und die Precession ist ähnlich wie die Acuracy.

00:10:40: Sie werdet jedoch auch mehrfach gefunden Objekte als Fehler und so.

00:10:44: damit kann man nochmal eine andere Sichtweise auf die Detektion generieren.

00:10:50: Man muss für den Anwendungsfall entscheiden, welche Metrik welchen Wert bekommt.

00:10:54: Für manche Anwendung ist es besonders wichtig dass die Detektion, die Segmentierungsmaske sehr akkurat ist.

00:11:01: Für andere ist es eher wichtig das die Verarbeitungszeit sehr gering ist.

00:11:10: Und dafür riskiere ich vielleicht ein paar Fehldetektionen.

00:11:13: In einem anderen Anwendungsfall möchte ich die FehlDetektion auf jeden Fall vermeiden und so muss man immer beim Training, bei der Bewertung einen Trade-off eingehen.

00:11:21: Das muss man sowieso bei den Trainings von KI-Modellen.

00:11:23: Man kann nicht das Perfekte haben.

00:11:25: Man muss immer abwägen.

00:11:28: Und das Abwäge kann man über solche sogenannte Konfidenzwerte... Detection hat einen Konfidenzwert und dieser Konfidenzwert sagt aus wie sicher sich das Modell die KI war, dass das Ergebnis auch valide ist.

00:11:43: Das kann man sich für ein Prozentwert vorstellen und diese Werte kann man dann eben zu einer schwer wertbasierten Filterung nutzen.

00:11:50: und ja die verbleibende Menge kann man mit diesen Metriken analysieren und schauen welche Ergebnisse man eben erzielt auf den Anwendungsfall.

00:11:58: Und warum sind Trainingsdaten aus deiner Sicht oft die größte Herausforderung bei industriellen KI-Projekten?

00:12:06: Die Forschung ist relativ weit zu diversen KI Modellen.

00:12:10: Es gibt verschiedene Unternehmen, aber auch Open Source Projekte, die diverse KI-Modelle bereitstellen, die auch nutzbar sind und die auch ohne Anpassungen nutzbaar wären.

00:12:19: Das Entscheidende ist halt immer der Datensatz.

00:12:21: und das Wie-Traini trainiere ich die KI.

00:12:23: Da muss man eben das noch aufbauen und eben den Datensat selbst.

00:12:27: Und welche Probleme treten so bei der Erfassung dann von Realdaten typischerweise

00:12:33: auf?

00:12:33: Ja, weil Realdat ist natürlich immer wichtig dass man jede Eventualität mitdenkt.

00:12:38: Was kann alles passieren?

00:12:39: was habe ich für Belichtungen?

00:12:40: kann irgendwo etwas Unerwartetes passieren?

00:12:43: Man muss also mit dem unerwarteten rechnen und gerade das in der real Datenaufnahme abzubilden ist oft schwierig.

00:12:50: Teilweise ist es auch gar nicht erlaubt, wenn man jetzt daran denkt.

00:12:52: Man möchte eine Roboterzelle absichern und vor dem Eindringen von Menschen schützen.

00:12:58: Dann kann man in der Realität natürlich keine Daten aufnehmen wo der Mensch in die fahrene Roboteranlage reingeht.

00:13:03: Warum

00:13:05: nicht?

00:13:05: Aus Sicherheitsgründen muss dann natürlich die Anlage ausschalten.

00:13:08: Die darf denn nicht betrieben werden, wenn sich ein Mensch nähert.

00:13:10: Und solche Sachen.

00:13:11: Man kann natürlich auch jetzt am Beispiel eines Kranes... automatisieren und die Gefahrensituation erkennen, wenn ein Mensch unter die Last vielleicht geht.

00:13:19: Das darf man in der Realität natürlich auch nicht durchspielen.

00:13:21: Und eben in solchen Fällen muss man auf jeden Fall auf synthetische Daten zurückgreifen um solche Prozesse abzubilden und auch die KI zu erproben oder das System zu validieren.

00:13:29: später weil es kann man natürlich auch noch nicht in der realität machen.

00:13:32: Aber wie setzt man das dann um?

00:13:33: Wenn man eben solche Sicherheitsbedenken hat?

00:13:35: also sicherheit ist ja logisch wenn der mensch soll ich unter der last durchgehen dass man keine gefahrenssituation schafft.

00:13:41: Wie schafft man das?

00:13:41: aber

00:13:44: erfassen?

00:13:45: Kann man nicht.

00:13:47: Das heißt, wie gehen wir damit um?

00:13:48: Was macht man dann?

00:13:49: Dann kommt man in die synthetische Datengenerierung mit der Simulation.

00:13:53: das ist dann der einzig verbleibende Weg.

00:13:55: Das heisst alles was man in der Realität modulieren kann, macht man in einer Realität.

00:13:59: Alles andere was eben in der realität nicht umgesetzt werden kann aus Arbeitssicherheitsrisiken oder aus anderen Gründen muss eben in eine Simulation stattfinden.

00:14:07: und da kann man ja denn den Freiraum alle möglichen Szenarien durchzuspielen und diese Systeme zu erproben.

00:14:13: Du hast es jetzt schon ein bisschen anklicken lassen, aber wann würdest du denn dann Unternehmen empfehlen auf synthetische Daten zurückzugreifen?

00:14:19: Eigentlich fast immer.

00:14:21: Weil die Real-Daten-Anflation ist extrem zeitaufwendig, kostspielig... Es gibt zwar natürlich im Ausland auch Möglichkeiten so was umsetzen zu lassen Aber man muss natürlich auch bedenken dass ein Mensch fehleranfällig sein kann.

00:14:35: Er muss das Wissen vom Prozess haben er muss die Daten verstehen Und jeder Mensch ist auch ein eigenes Wesen, hat eine eigene Interpretation.

00:14:44: Das heißt der einer anotiert so oder andere so und so kommen immer unterschiedliche Ergebnisse auch wenn man das gleiche Ziel eigentlich anstrebt.

00:14:52: Da helfen zwar Anotationsleitfehlen ein wenig die im Beschreiben wann in welchem Fall wie zu anotieren es aber Sie merzen nicht alle Fehler aus.

00:15:01: Das heißt, man müsste immer noch eine zweite Prüfung für Augensysteme haben um Daten freigegeben und wirklich in die Trainings einzubeziehen.

00:15:10: Und aus Sicht heute sind diese Innovationsumgebungen oder auch andere Verfahren so ausgereift dass man wirklich einen Großteil der Daten schon in der Simulation erheben kann und die restlichen zehn, zwanzig Prozent dann aus Realdaten umeimt auch wirklich die Spezifika aus den Sensoren, die Sensoreigenschaften mit abbilden zu können.

00:15:29: Da ist eine Simulation eher immer zu korrekt.

00:15:32: da fehlen die Fehler von dem Sensor von der Kamera selbst, die eben doch dann auch eine Rolle spielen wo man immer einen gewissen Anteil Realdata bräuchte.

00:15:41: Okay das bedeutet... Man muss ja trotzdem irgendwie sicherstellen, dass die Modelle, die mit synthetischen Daten dann trainiert wurden auch in realen Umgebungen funktionieren.

00:15:50: Wie kann man das umsetzen?

00:15:52: Also du hast es jetzt so ein bisschen anklicken lassen, dass man da dann gewisses Aushalten braucht.

00:15:56: aber gibt es etwas, um es trotzdem sicherzustellen?

00:16:00: Man kann's eigentlich kaum hundertprozentig sich erstellen weil die Realität ist immer anders als diese Emulation.

00:16:06: Hilfreich ist natürlich wenn man einen Realdatensatz für den Test der KI verwendet.

00:16:13: Das heißt, nicht nur fürs Training ist einer notwendig sondern auch für den test und somit kann man zumindest sicherstellen dass auch in der Realität vergleichbare Ergebnisse eben zu erzielen sind mit dem synthetischen Daten.

00:16:25: Was sind denn deiner Meinung nach die größten Hürden wenn Unternehmen-KI Lösungen in ihrer bestehenden Prozess integrieren möchten?

00:16:33: größten Probleme liegen eigentlich darin, dass schon ja die Prozesse bestehen.

00:16:37: Das heißt, die Anlage besteht so wie sie ist.

00:16:38: Sie ist nur in geringen Maße veränderbar und man muss bei der Integration der Lösung damit klarkommen, dass die Anlagen so ist wie sie es im weitesten Sinne.

00:16:46: Das heisst, man ist eingeschränkt gegenfalls bei der Sensorplanung oder bei der Installation.

00:16:52: Man hat vielleicht spezifische Sachen, die da in der Anlage sind.

00:16:57: Ein Beispiel wäre jetzt In der Bodenmarkierung, oft wird auch in der Industrie eine mein wegen gelb-schwarze Bodenlackierung verwendet.

00:17:04: Ja viele drei D-Sensoren haben Probleme schwarze Strukturen sicher und zuverlässig zu erkennen und dann hat man eben schon ein Fehlbild im Sensorbild wodurch denn eben nachgelagerte Algorithmen erschwert arbeiten können oder von der Trainingsdatenbasis die vielleicht schon vor Bestand abweicht Und so muss man immer mit den Eigenschaften der Anlage des Prozesses klarkommen und schneidet dann eben die KI auf die Anlage zu, wohingegen man vielleicht bei einer Anlage, die man schon in der Planung betreut.

00:17:36: Wo man schon weiß, da soll eine Lösung geschaffen werden.

00:17:38: Gleich in der Planning bestimmte Sachen mit berücksichtigen kann und eben die Planung auch anpassen kann sowie es für die Automatisierung für das KI-Modell besser wäre.

00:17:48: Aber wie gehst du dann damit um, wenn so eine bestehende Anlage wie jetzt zum Beispiel mit der Farbe Schwarz die nichts gut zu erkennen ist?

00:17:54: Was machst Du denn?

00:17:55: Wie reagierst Du darauf?

00:17:57: Wenn man kann, sollte man versuchen vielleicht Sensoren zunehmend die unanfälliger dagegen sind.

00:18:02: Ist

00:18:02: das einfach möglich?

00:18:04: Ist mal die Frage was einfacher ist... Die Bodenmarkierung entfernen und ändern oder vielleicht den Sensor ändern und somit nochmal Realdaten erstellen oder ähnliches, weil das ist ja auch immer dann noch so ein Thema.

00:18:15: Ist auch die Frage was macht man vorher?

00:18:16: Also wenn man jetzt die Anlage im Betrieb nehmen will, muss man in der laufenden Anlage die Daten generieren, dann würde man vielleicht versuchen vorher die Anlagen weitestgehend so herzurichten dass sie auch die bestmöglichen Umgebung bereitstellt für eben die KI-Lösung.

00:18:33: und wenn man einfach auf die Planung noch nehmen kann, dann hat man natürlich diverse Vorteile.

00:18:38: Man kann alles optimieren die Analyse, die man ihm fahren möchte.

00:18:44: Hat aber andersherum das Problem dass man so lange nicht in der Realität testen kann bis die Anlage auch wirklich steht.

00:18:49: Man steht also von einem ganz anderen Problem, dass man im Grunde erst mit der wirklichen Erprobung beim Rollout starten kann und alles andere muss sozusagen vorher in der Simulation erfolgen.

00:19:01: bestmöglich und das nennt man virtuelle Betriebnahme, da gibt es dann eben auch die gleichen Lösungen mit denen man die synthetischen Daten generieren kann.

00:19:09: Kann man eben auch nutzen um diese Inbetriebnahme zu machen schon in der simulation vorher.

00:19:14: Das bedeutet, versteht das jetzt richtig?

00:19:16: Also entweder man hat eine bestehende Produktionsumgebung, eine bestähnte Anlage und muss dann dementsprechend die KI-Lösung darauf anpassen oder man hat das Glück dass man die Anlage noch erstellen kann.

00:19:26: Und dann hat man mehr Spielraum was die KI Lösung angeht, muss aber quasi damit leben, dass auch erst dann die wirkliche Betrachtung stattfindet wenn die An Lage steht.

00:19:36: Das richtig.

00:19:37: Und wie kann ich aber eine KI-Lösung dann so gestalten, dass sie möglichst einfach auf bestehende Produktionsumgebungen integriert werden kann?

00:19:45: Ich habe keine andere Wahl und muss die darauf auslegen.

00:19:49: Wie kann ich damit umgehen?

00:19:51: Am besten ist es immer das Problem herunterzubrechen auf möglichst kleine Einzelprobleme und zu schauen welche Teilprobleme muss sich mit KI lösen und welche kann ich vielleicht auch anders lösen?

00:20:05: Problem der komplexen KI-Lösung, die alles kann unterbrechen auf viele einfach zu lösende Probleme und vielleicht auch robustere Algorithmen.

00:20:14: Okay verstehe.

00:20:16: Was ist denn deine Erfahrung?

00:20:18: Welche Erwartungen haben Unternehmen typischerweise an so eine Zuverlässigkeit oder auch Nachvollziehbarkeit von KI System?

00:20:25: Ja bei der Zuverlässigkeit ist natürlich erschrebenswert dass sie genauer ist als der Fehler, der überhaupt auftritt.

00:20:33: Das heißt man möchte natürlich nicht verbessern.

00:20:35: das heißt wenn ein Bauteil zu neunzig Prozent eigentlich korrekt ist und ich habe nur zehn Prozent Fehlerquote dann sollen meine Prüfung mich bei zwanzig Prozent in Fehler aussagen.

00:20:47: Das heisst im Optimalfall ist man immer dann in diesem Fall kleiner als zehn Prozent in der Fehlerquote so dass man noch einen Vorteil hat.

00:20:55: Realistisch ist natürlich eher, man will irgendwo bei neunundneinzig, neun Prozent landen damit eben wirklich fast alle Fehlerfälle entdeckt.

00:21:03: Somit eine robuste Lösung auch schaffen kann.

00:21:05: wenn man jetzt in solche Sicherheitssysteme die ich auch schon angesprochen habe hat reingeht in diese Arbeitsraumüberwachung in Roboteranlagen oder ähnlichen dann braucht man natürlich noch weitaus höhere Zuverlässigkeiten neunneinundneinein Prozent und so weiter um eben auch wirklich zur Zertifizierung des Systems zu ermöglichen.

00:21:25: Die Nachvollziehbarkeit selbst ist für die Unternehmen teilweise relevant.

00:21:30: Das kommt immer darauf an, wie sehr sich das Unternehmen auch wirklich dafür interessiert und ob es nur ein Kauf ist oder ob die Lösung auch vielleicht intern weiterentwickelt, weiter betrieben wird durch interne Mitarbeiter.

00:21:42: dann ist natürlich die Nachvollzieberkeit sehr viel relevanter als wenn man sich nur ein fertiges Produkt irgendwo an die Anlage schraubt.

00:21:50: Und wie gehst du persönlich als KI-Trainer mit Situationen um, in denen ein KI-Modell unsichere oder fehlerhafte Ergebnisse liefert?

00:21:59: Das Schwierige, als Entwickler es immer überhaupt herauszufinden wann ist eine Fehler-Situation.

00:22:07: Nun kann ich das System irgendwo installieren meinetwegen wieder das Beispiel der Arbeitsraumanalyse der Menschdetektion.

00:22:19: überwachen, logge die Daten und die Informationen.

00:22:22: Aber woher weiß ich nachher was wirklich passiert ist?

00:22:25: Die Information fehlt mir.

00:22:26: Klar kann nicht die Daten mitloggen aber das muss man sich alles im Nachgang anschauen also die Bilddaten um dann verifizieren zu können was es wirklich passiert.

00:22:34: Das heißt das größte Problem ist wirklich Fehlerfälle nachzuvollziehen.

00:22:39: Gleiches gilt bei einer Prüfung von Bauteilen.

00:22:41: Ist das Produkt fertig und ist durch die Prüfungen gelaufen kein Fehler gut wird verkauft, aber dann hat man trotzdem irgendwann den Rückläufer.

00:22:50: Das müsste man wieder verheiraten um das Wissen überhaupt zu haben.

00:22:54: War es jetzt eine Fehldetektion oder nicht?

00:22:56: Also die Informationslage muss existieren und das ist oft eine Schwierigkeit, die man nur durch lange Testphasen wo man wirklich nochmal dem Prozess durch die Menschen validiert.

00:23:11: prüft durch einen Menschen, um dann wirklich sicherzustellen wie die wirkliche Güte des KI-Modells ist und nachzujustieren mit neuen Trainings oder Anpassungen der Umgebung.

00:23:26: Was meinst du?

00:23:26: Welche Entwicklung werden die industrielle Objekterkennung und auch die Umweltwahrnehmung in den nächsten Jahren besonders prägen?

00:23:34: Es wird mehr von diesen reinen Detektoren, Segmentierungsmodellen gehen hin zu sehr generischen Modellen, Foundation-Modellen die eben viel mehr können als nur die ein zwei Klassen die trainiert wurden sondern eben ja relativ generisch auf allen möglichen Objektklassen funktionieren hin zu agentischen Systeme die die Szenerie noch bewerten und validieren und Handlungsempfehlungen gehen.

00:24:00: das heißt die ganze Bewertung der Szenrie die man dann die vorher mit Vision-Modellen und Objektdetektoren erkannt wird, wird heraus aus diesen regelbasierten Bewertungsalgorithmen hin zu einer KI basierten Bewerbung sich bewegen.

00:24:17: Und somit eben noch mehr Logik auf mehrere KI Modelle verlagern.

00:24:24: Und jetzt nochmal so abschließend wenn du einem Unternehmen ein Tipp geben müsstest um den Einstieg in KI Projekte erfolgreicher zu gestalten welcher wäre das deiner Meinung

00:24:31: nach?

00:24:33: Ich denke wenn man noch keine Erfahrung hat ... denn es ist immer sinnvoll, sich Rad zu holen.

00:24:37: Egal bei wem... Da kann man auf Unternehmen zugehen,... da kann man auch andere Institutionen wie das Mittelstand Digitalzentrum zugehen.

00:24:45: Es gibt viele Möglichkeiten, sich Informationen oder eine Betreuung in der ersten Phase von solchen Projekten... ...zuholen um eben die ersten Schritte zu gehen und wird dann merken dass nicht jedes KI-Projekt gleich mehrere Jahre und Millionen Euro verschlucken wird sondern das auch mit wenig mit kleineren Projekten, mit weniger Geld schon vieler Erfolge und gute Lösungen umzusetzen sind.

00:25:10: Okay vielen Dank Mike!

00:25:11: Danke schön für das interessante Gespräch.

00:25:13: Danke dir Isabel.

00:25:14: Tschüss!

00:25:16: Das war Fanets Wachsen ein Podcast des Mittelstand Digitalzentrums Magdeburg.