Hinter den Kulissen von IBMs Supermaschine Watson IoT

Redakteur: Franz Graser

Wie arbeitet IBMs KI-Plattform Watson IoT und wie lässt sich die Rechenpower der Künstlichen Intelligenz nutzbringend einsetzen? Ein Interview mit Torsten Schröer, Director & Industry Leader für Watson IoT.

Firmen zum Thema

Die Highlight Towers in München: Das markante Hochhaus-Paar beherbergt das weltweite Hauptquartier für die IBM-Geschäftseinheit Watson IoT.
Die Highlight Towers in München: Das markante Hochhaus-Paar beherbergt das weltweite Hauptquartier für die IBM-Geschäftseinheit Watson IoT.
(Bild: Rainer Viertlböck/IBM)

ELEKTRONIKPRAXIS-Redakteur Franz Graser sprach mit Thorsten Schröer, dem Director & Industry Leader für Watson IoT bei IBM.

ELEKTRONIKPRAXIS: Herr Schröer, wie funktioniert die Watson IoT-Lösung?

Grundsätzlich basieren alle IoT-Lösungen auf einer Plattform, auf der Daten gesammelt werden – so auch unsere Watson IoT-Lösung. Der erste Schritt, der durchgeführt werden muss, ist die Daten der Fertigungsebene in eine Cloud-Plattform zu überführen. Die Daten werden zentral gesammelt. Auch die Sicherheit der Daten in der Cloud und das Thema, wem die Daten gehören, spielt hier eine große Rolle. Heutzutage arbeiten immer noch viele Unternehmen an diesem ersten Schritt.

Der nächste Schritt ist es, die Daten sichtbar zu machen. Es muss ein Reporting erstellt werden, um eine Transparenz zu schaffen, die es ermöglicht, Daten in einem integrierten Gesamtzusammenhang zu betrachten. So können Abhängigkeiten zwischen den Daten, zwischen verschiedenen Produktionsbereichen, zwischen Produktqualität und Maschinenverfügbarkeit hergestellt werden.

Der dritte Schritt ist die Anwendung von Analytics, um etwa Verbesserungen in der Produktqualität zu erzielen: Wie können auf Basis dieser Daten Zusammenhänge interpretiert werden, um die Produktqualität innerhalb der Fertigung zu steigern?

Ein großer Bereich für Analytics ist die frühzeitige Einflussnahme und die Qualitätssteigerung innerhalb der Fertigung. Das Werkzeug SPC – Statistical Process Control – wird seit den 50er Jahren genutzt, um die Qualität zu messen, und diese Daten können nun mit Analytics noch besser genutzt werden. Ein weiterer Bereich ist Predictive Maintenance von Maschinen und Anlagen. Es wird vorausgesagt, wann eine Maschine kaputtgehen wird, um aktiv dagegen arbeiten zu können.

ELEKTRONIKPRAXIS: Sie sagten eingangs, diese drei Schritte seien typisch für alle IoT-Lösungen. Was macht Watson IoT nun so besonders?

Watson setzt auf diese klassischen Lösungen zwei wesentliche Elemente auf: Zum einen gehen wir von der Predictive zur Prescriptive Maintenance. Prescriptive bedeutet, dass nicht nur gesagt wird, was passiert, sondern auch, was die beste Aktion ist, um dem entgegen zu wirken.

Konkretes Beispiel: Die Zahlen sagen, dass die Presse in drei Tagen ausfallen wird, wenn ich nicht ein bestimmtes Ersatzteil einbaue. Prescriptive Maintenance hilft nun dabei, den richtigen Zeitpunkt für den Austausch des Ersatzteils festzustellen. Beispielsweise in drei Stunden, denn dort ist ohnehin ein Stopp geplant, da die Presse nicht gebraucht wird.

Das heißt, es wird ein Mehrwert erzeugt, weil möglichst wenig Maschinen- und Anlagenzeit verloren geht. Das zweite Element ist die Analyse von unstrukturierten Daten. Bisher wurden nämlich nur strukturierte Daten aus beispielsweise MES-Systemen, ERP-Systemen oder aus dem Qualitätsmanagementsystem analysiert.

Mit Watson ist es möglich, unstrukturierte Daten zu analysieren und einen zusätzlichen Level an Produktqualität innerhalb der Fertigung oder bei der Maschinen- und Anlagenverfügbarkeit zu generieren.

Thorsten Schröer: Director und Industry Leader Watson IoT bei IBM.
Thorsten Schröer: Director und Industry Leader Watson IoT bei IBM.
(Bild: IBM)

ELEKTRONIKPRAXIS: Was wäre ein Beispiel für unstrukturierte Daten?

Bilder sind beispielsweise extrem schwierig für einen Menschen zu analysieren – IBM Watson kann Bilder sehr viel schneller und genauer analysieren. IBM hat vor kurzem eine Lösung an den Markt gebracht, die sich Cognitive Visual Inspection nennt. Dem Algorithmus wird beigebracht, wie gute und schlecht lackierte Autogriffe aussehen. Alle Autogriffe werden über eine Kamera detektiert und es wird in nahezu Echtzeit analysiert, ob der Autogriff Qualitätsmängel aufweist.

Durch diese unstrukturierten Daten sind wir also in der Lage, zusätzlich effizienter und schneller qualitätssichernde Maßnahmen innerhalb der Fertigung zu etablieren.

Auch das Thema Maschinen-Instandhaltung profitiert von Watson. Üblicherweise haben die Instandhaltungsabteilungen in vielen Fertigungsunternehmen die Herausforderung des alternden Teams. Das heißt: Wie kann ich das Wissen von Leuten, die in Rente gehen, überführen und sichern? Auch hier treffen wir auf unstrukturierte Daten - die Tickets, die in den letzten zehn Jahren aufgemacht worden sind, um diese Maschine zu reparieren und die Ergebnisse der Reparaturen.

Diese Daten werden komplett eingelesen, sodass die künstliche Intelligenz als Assistenzsystem fungieren kann. Der Mitarbeiter geht also mit einem iPad zur Maschine und macht ein Foto. Watson erkennt, welche Maschine es ist. Der Fehlercode, der ausgelesen wird, wird direkt dazu gespielt und Watson durchforstet die dahinterliegende Datenbank.

Das System kann erkennen, dass dieser Fehlercode in der Vergangenheit bereits fünf Mal aufgetreten ist und die Ursache zu 90 Prozent an dem Verschleiß eines bestimmten Teiles liegt. Die Lösung zur Behebung des Fehlers ist zu 95 Prozent das Ersetzen des Teiles. Hier findet also eine Demokratisierung von Know-how statt.

ELEKTRONIKPRAXIS: Jetzt kann ich mir aber vorstellen, dass unstrukturierte Daten in unterschiedlichsten Dateiformaten vorliegen – es gibt Textdateien, es gibt Bilder – wie bringt man all dies diesem Algorithmus bei?

Es gibt sogar handgeschriebene Handzettel und Post-Its. Die wesentliche Voraussetzung ist, dass das System angelernt wird. Dies ist der klassische Unterschied zwischen einer KI wie Watson und einem ERP: Ein klassisches System wie ein ERP ist zu Beginn extrem gut – es ist genau auf die Business-Prozesse eingestellt.

An Tag 1.000 haben sich die Prozesse verändert und das System wächst mit der Änderung des Geschäftes nicht mit. Auf der anderen Seite wird ein KI-System initial angelernt und befindet sich dann auf einer asymptotischen Achse: Jeden weiteren Monat, in dem das System arbeitet und weitere Inhalte lernt, wird es kontinuierlich besser.

Am Anfang bedeutet dies also relativ viel Aufwand, denn in das System werden aus verschiedensten Quellen strukturierte und unstrukturierte Daten, wie beispielsweise die Reparaturscheine einer Maschine der letzten 10 Jahre, eingespeist.

Nach der Initialbefüllung kann das System möglicherweise erst mit 70 bis 80 prozentiger Sicherheit Reparaturempfehlungen äußern, doch jede weitere Reparatur macht das System schlauer und bringt es näher an die 100 Prozent. Die Initialbefüllung ist demnach absolut notwendig, damit eine sinnvolle Lösung zustande kommt.

Anwendungsbeispiel visuelle Inspektion: Das Watson-System wird darauf trainiert, Gutteile und fehlerhafte Werkstücke optisch auseinanderhalten zu können.
Anwendungsbeispiel visuelle Inspektion: Das Watson-System wird darauf trainiert, Gutteile und fehlerhafte Werkstücke optisch auseinanderhalten zu können.
(Bild: IBM)

ELEKTRONIKPRAXIS: Wie lange dauert es denn, bis diese Initialbefüllung steht?

Die Dauer hängt natürlich auch von der Qualität und Menge der Daten ab. Wenn wirklich Hunderte von handgeschriebenen Post-its vorliegen, verlangsamt das den Prozess ungemein. Wenn aber Handhabungs-Handbücher der letzten zehn Jahre alle komplett automatisiert eingespeist werden, dann geht das relativ schnell. Es hängt sehr stark von Eingabemodus und der Eingabequalität als auch von der Menge der Daten ab.

Konkretes Beispiel Cognitive Visual Inspection: Wenn nicht bereits tausende Bilder von guten und schlechten Produkten vorhanden sind, dann müssen diese Bilder erst generiert werden. Die Dauer ist demnach sehr stark von Ausgangssituation und Quelle abhängig und davon, welcher Use Case zu adressieren ist. Das kann von zwei Wochen bis zu zwei, drei Monaten reichen.

ELEKTRONIKPRAXIS: Zurück zum Beispiel der lackierten Türgriffe: Es gibt unterschiedliche Qualitätsmerkmale. Man muss diese ganzen Merkmale aus unterschiedlichster Perspektive aufnehmen und dann in das System einspielen, damit das System die Fehler entdecken kann?

Ja, genau. Es gibt sicherlich eine ganze Menge an Qualitätsmerkmalen, die nicht visuell interpretiert werden können. Nehmen wir Motorhauben: Hier muss man sich vorstellen, dass nach der Lackierung Menschen nicht nur mit dem Auge, sondern auch mit der Hand prüfen, ob der Lack gut oder schlecht ist.

Der Mensch ist für diese visuelle (und taktile) Inspektion mit dem Auge und der Hand nicht bestens geeignet. Es steckt sehr viel Aufwand in einer Inspektion – da können solche Lösungen den Menschen unterstützen.

ELEKTRONIKPRAXIS: Nehmen wir an, wir haben eine automatisierte visuelle Inspektion, etwa in der Elektronikfertigung. Wo liegt denn nun der Vorteil, diese mit Watson zu verknüpfen?

Die lernende Komponente ist hier das Entscheidende. Das Charakteristische an einem solchen Watson-System ist, dass es lernt und jeden Tag besser wird. Wenn eine klassische visuelle Inspektion genutzt wird, muss bei jedem neuen Produkt eine Adjustierung vorgenommen werden. Dies kann einige Wochen dauern. Mit Watson-Lösungen kann die Etablierung des Prozesses auf einige Tage reduziert werden und ermöglicht so eine höhere Flexibilität.

ELEKTRONIKPRAXIS: Welche Philosophie steckt hinter Watson? Wie arbeitet der Algorithmus?

Es gibt nicht den einen Algorithmus. Unsere Platform-as-a-Service-Lösung nennt sich Bluemix, innerhalb dieser gibt es Tausende von Services für Analytics und Dutzende von Watson APIs. Es gibt sehr unterschiedliche APIs, die für verschiedene Teile der Watson-Intelligenz zuständig sind.

ELEKTRONIKPRAXIS: Aber die meiste Zeit läuft es auf irgendeine Art der Mustererkennung hinaus?

Genau, auf Mustererkennung in strukturierten und unstrukturierten Daten, die für den Menschen vom Umfang zu groß sind und wo ein Mensch Abhängigkeiten vielleicht vermutet, aber nicht belegen kann. Das System muss also mit möglichst vielen relevanten Mustern gefüttert werden – es muss intelligent gefüllt werden.

Entsprechendes Domain-Know-how im Bereich Fertigung, Qualitäts-, Produktions- und Designdaten, die alle einen Einfluss auf das Ergebnis haben, und auch externe Daten müssen berücksichtigt werden. Zum Beispiel Wetterdaten: Anhand der Luftfeuchtigkeit lässt sich bestimmen, wie lange ein Produkt zum Trocknen brauchen wird.

ELEKTRONIKPRAXIS: Wenn jetzt ein kleines Unternehmen seinen Fertigungsprozess besser verstehen möchte und die Qualität seiner Produkte verbessern will – wäre das im Prinzip aus Ihrer Sicht schon interessant oder ist das zu gering?

Die Größe der Unternehmen spielt keine Rolle. Die Lösungen sind alle komplett Cloud-fähig und als Software-as-a-Service (SaaS) als Testpaket erhältlich. Es muss also kein Mindestvolumen vorhanden sein, damit sich die Anwendung lohnt – Unternehmen können auch mit vergleichsweise kleineren Losgrößen starten, um Erfahrungen zu sammeln.

Es geht natürlich auch um die Komplexität des Unternehmens: Kann ich mit menschlicher Kompetenz noch zufriedenstellend Daten vergleichen oder brauche ich hier bereits ein automatisiertes System?

(ID:44788266)