Künstliche Intelligenz: Mehr Schein als Sein?

| Redakteur: Jürgen Schreier

Richard Rovner, Vice President of Marketing von MathWorks: "MATLAB, Simulink und die entsprechenden Toolboxen erlauben die schnelle Entwicklung von Algorithmen und die automatische Codegenerierung für Computer Vision, Signalverarbeitung, Robotik sowie Steuerungs- und Regelsysteme."
Richard Rovner, Vice President of Marketing von MathWorks: "MATLAB, Simulink und die entsprechenden Toolboxen erlauben die schnelle Entwicklung von Algorithmen und die automatische Codegenerierung für Computer Vision, Signalverarbeitung, Robotik sowie Steuerungs- und Regelsysteme." (Bild: MathWorks)

Um Künstliche Intelligenz gibt es viel Hype, doch sind bei der Anwendung noch keine großen Fortschritte zu verzeichnen. Warum das so ist und wie man Unternehmen den Einstieg in die KI erleichtern kann, erläutert Richard Rovner, Vice President of Marketing von MathWorks, im Gespräch mit "Industry of Things".

Der Verein Deutscher Ingenieure (VDI) hat anlässlich der Hannover Messe 2018 eine länderübergreifende Studie zum Einsatz von Künstlicher Intelligenz (KI) in der Industrie publiziert. Die Ergebnisse sind ziemlich ernüchternd. Denn KI steckt in Deutschland noch den Kinderschuhen. Herr Rovner, woran liegt das?

Rovner: Wir haben auf der MATLAB EXPO 2018 im Keynote Talk darüber gesprochen, dass im Allgemeinen die Umsetzung dem Hype noch hinterher hinkt. Es gibt viel Interesse und viel Hype um KI, aber meiner Meinung nach können wir noch keine großen Fortschritte bei der Anwendung verzeichnen - nicht nur in Deutschland. Kunden im In- und Ausland, die in Bereichen wie der Industrieautomation und im Maschinenbau tätig sind, haben angefangen, in Forschung und Entwicklung zu investieren, um zunächst neue Lösungen zu erproben. In einer stark industrialisierten Wirtschaft wird man bewährte Fertigungsprozesse wohl kaum durch andere ersetzen, bevor diese nicht erprobt wurden. Dies ist, denke ich, der Punkt, an dem wir uns gerade befinden. Wir sehen definitiv, dass Unternehmen in Forschung und Entwicklung in der Maschinen- und Anlagenautomatisierung, der Bildverarbeitung, der Waferinspektion und in andere Anwendungen der vorausschauenden Instandhaltung investieren. Außerdem sehen wir KI-basierte Technologien, auch in Bereichen wie dem automatisierten bzw. autonomen Fahren. Meiner Meinung nach gibt es eine ganze Menge an Aktivitäten, aber sicherlich nicht so viele, wie der Hype um KI einen glauben lässt.

In den USA unterstützt KI sehr stark B2C-Geschäftsmodelle. Hierzulande denkt man bei KI primär an maschinelles Lernen, Predictive-Maintenance-Applikationen oder smarte Roboter. US-Unternehmen wie Amazon oder Google machen dank Künstlicher Intelligenz weltweit Milliardenumsätze und erreichen atemberaubende Börsenwerte. Setzen die Deutschen mit ihrer starken B2B-Orientierung vielleicht aufs falsche Pferd?

Rovner: Ich glaube nicht. Unternehmen wie Google und Co. bekommen einen Großteil der Aufmerksamkeit in der Presse. Aber auch in den USA setzt man nicht nur auf B2C-Lösungen. Es wird viel in die Industrieautomation und in B2B-Anwendungen investiert, ähnlich wie in Asien und in Deutschland. Natürlich wäre es toll, wenn die Industrieautomationsbranche in Deutschland so groß wäre wie die B2C-Unternehmen in den USA und die gleiche Aufmerksamkeit erhielte. Aber dass die deutschen Unternehmen auf das falsche Pferd setzen, würde ich keinesfalls sagen. Ich denke, sie investieren genau so, wie es in Unternehmen üblich ist: dort, wo die Geschäftschancen liegen. Wie gesagt, B2C-Anwendungen erscheinen oft in den Medien, aber es gibt jede Menge Forschung außerhalb des B2C-Bereichs.

Die US-Geschäftsmodelle, die KI nutzen, basieren stark auf personenbezogenen Daten. Das gilt z.B. für die Empfehlungssysteme in Online-Shops oder für das Zuspielen von Werbeinhalten auf der Basis von Nutzerprofilen. Erschwert das im Vergleich zu den USA rigide Datenschutzrecht in Europa - Stichwort DSGVO - europäischen Unternehmen den Einstieg in solche datengetriebenen Businessmodelle?

Rovner: Nun, was in Europa in Sachen Datenschutz und DSGVO geschieht, ist sicherlich ein ernstzunehmendes Thema. Zwar betrifft die Regelung zum Datenschutz in Europa nur europäische Unternehmen. Doch wir als weltweit tätiges Unternehmen müssen – wie Tausende anderer Unternehmen auch – den Datenschutz im Allgemeinen und die DSGVO respektieren. Obwohl es sich also um ein europäisches Gesetz handelt, hat es globale Auswirkungen. Ja, DSGVO wird einen Einfluss auf die datengetriebene und personenbezogene Werbung haben. Die Regulierung wird wahrscheinlich einige Dinge verlangsamen, weil es die Nutzung von Daten, die Unternehmen für ihre prädikativen Modelle benötigen, in einem gewissen Umfang einschränkt. Die Auswirkungen der DSGVO beschränken sich dabei nicht auf Deutschland oder die anderen EU-Länder, sondern sind auch außerhalb der EU zu spüren.

Zurück zu den Themen Machine Learning und Industrie 4.0: Welche Use Cases außer der vorausschauenden Instandhaltung sind für die Industrie interessant, wo sollten Unternehmen einsteigen?

Rovner: Betrachten wir die USA: Dort sehen wir zahlreiche Anwendungsfälle für KI, zum Beispiel in der Lagerautomatisierung oder beim Einsatz von Robotern in der Fertigung. Auch die Automatisierung von Bergbau- und Landmaschinen ist ein interessantes Anwendungsgebiet. So können Computer-Vision-Systeme automatisch erkennen, wie voll der Anhänger einer Erntemaschine ist, und dann die Erntemaschine automatisch so steuern, dass der Anhänger maximal gefüllt wird. Wo Unternehmen mit KI anfangen können, war eines der Themen, über die wir auf der MATLAB EXPO gesprochen haben. Zuerst muss ein Unternehmen prüfen und entscheiden, ob KI überhaupt benötigt wird oder nicht. Manchmal kann das Problem auch mit klassischen Steuerungs- und Kontrolltechniken gelöst werden. Erscheint hingegen der Einsatz von KI sinnvoll, so beginnt man meist bei den Daten. Man muss eine Vielzahl an Daten sammeln und diese labeln, um Vorhersagemodelle zu trainieren. Und schließlich braucht ein Unternehmen, das KI nutzen will, Zugriff auf Hardware, vor allem auf GPUs, um Deep-Learning-Netzwerke zu unterstützen. Und zu guter Letzt muss sichergestellt sein, dass die Ingenieure geeignete Software-Tools für diese Prozesse zur Verfügung haben.

Im deutschen Mittelstand ist KI bis heute kaum angekommen. Und wenn, dann werden mit Künstlicher Intelligenz allenfalls Datenanalysen durchgeführt. Warum ist das so? Wie lässt sich die Technologie für mittelständische Unternehmen zugänglicher machen?

Rovner: Genau das versuchen wir mit MATLAB zu erreichen. Wir haben Tausende von MATLAB-Anwendern, die KI nutzen wollen. Innerhalb von MATLAB stellen wir KI-Algorithmen, -Anwendungsmöglichkeiten und -Funktionen bereit. Ingenieure in kleineren Unternehmen müssen keine speziellen Informatik-Lehrgänge oder Schulungen mehr besuchen oder Bibliotheken von Drittanbietern zusammenfügen, um KI nutzen zu können. Sie können innerhalb ihres gewohnten Workflows mit MATLAB oder Simulink arbeiten und die neuen Funktionen, die wir dort bereitstellen, sofort anwenden.

Die Arbeitswelt steht aktuell unter dem radikalsten Wandel seit der industriellen Revolution. Künstliche Intelligenz und Data Analytics werden bald eine Rolle im Arbeitsalltag spielen. Womit müssen die Beschäftigten rechnen?

Rovner: Ich stimme zu, dass es bedeutende Veränderungen im Arbeitsalltag geben wird. Wie wir die Dinge sehen, wird KI die menschliche Arbeit verbessern und nicht ersetzen. KI wird bei der Automatisierung von repetitiven Aufgaben hilfreich sein. Komplexe Aufgaben zu automatisieren ist dagegen noch nicht möglich. Elon Musk hat erst vor ein paar Monaten einen solchen Fall geschildert, wo versucht wurde, komplizierte Aufgaben in der Fabrik zu automatisieren, nicht funktionierte. Ich denke, die Mitarbeiter werden lernen, wie man KI anwendet und herausfinden, welche Aufgaben damit automatisiert werden können und welche nicht. Was wir definitiv erwarten können, ist, dass sie Arbeit erledigen werden, die auf einer wertvolleren Stufe in der Wertschöpfungskette ist.

Verändert der Einsatz von Künstlicher Intelligenz - z.B. im autonomen Automobil oder in smarten Maschinen – auch den Prozess der Produktentwicklung?

Rovner: Ja, das tut er. Ich denke, dass Produktentwicklung und Produktdesign in erster Linie viel datengetriebener werden, weil wir durch Sensoren Daten über bestehende Produkte sammeln können. Diese Daten werden natürlich auch zukünftige Designs und Entwicklungen beeinflussen. Die wahrscheinlich größte Veränderung ist, dass wir Daten viel effektiver für Design und Entwicklung nutzen können als in der Vergangenheit. Das erfordert eine ziemlich gute Infrastruktur zum Sammeln, Speichern und Verwalten der Daten. Zusätzlich werden Ingenieure und Wissenschaftler mit der Fähigkeit, die Daten zu überprüfen und zu validieren, Modelle zu erstellen und Verzerrungen zu vermeiden, gebraucht.

Gibt es in deutschen Unternehmen genügend Know-how und technische Kapazitäten, um sinnvolle KI- oder Machine-Learning-Projekte auf die Schiene zu setzen?

Rovner: Auf jeden Fall. Wir sehen es bereits – sowohl beim automatisierten Fahren in der Automobilindustrie, als auch in der industriellen Automatisierung und im Maschinenbau. Das liegt daran, dass KI oder Machine Learning für die Ingenieure und Wissenschaftler, die MATLAB und ähnliche Anwendungen nutzen, bereits ein Teil ihrer Arbeitsabläufe ist. Entscheidend ist, dass Ingenieure ihre domänenspezifischen Kenntnisse einbringen können. Und KI erweitert diese domänenspezifischen Algorithmen, z.B. für die Signal- und Bildverarbeitung, Steuerungstechnik oder Computer Vision. Wir stellen KI-Funktionen bereit, die mit den Workflows in anderen Bereichen harmonieren.

Künstliche Intelligenz eröffnet neue Möglichkeiten für Mitarbeiter, mit Maschinen zu interagieren, sowie für Kunden mit Produkten. Welche Veränderungen können wir konkret erwarten?

Rovner: Sie bitten mich, die Zukunft vorherzusagen. Das ist eine schwierige Frage. Zunehmend werden wir KI-Funktionen sehen, die in Dinge eingebettet sind – und es vielleicht manchmal gar nicht realisieren. Smartphones werden immer intelligenter. Auch wird KI zunehmend in alle Arten von drahtlosen Geräten eingebettet- in Sensoren, Wearables oder Roboter. Die Möglichkeiten, Produkte intelligent zu machen, sodass wir mit ihnen interagieren können, scheinen unbegrenzt. Das ist ziemlich aufregend.

Welche MathWorks-Lösungen helfen Ihnen beim Einstieg in die Künstliche Intelligenz und das Machine Learning? Schließlich versprach ein Vortrag auf der MATLAB EXPO 2018: "Deep Learning: Mit MATLAB leicht gemacht". Bitte lüften Sie den Schleier für unsere Leser!

Rovner: Ich denke, die Lösung ist MATLAB selbst. Sie können mit wenigen Zeilen MATLAB-Code Deep-Learning-Modelle erstellen und müssen dafür kein Experte sein. Oder sie importieren vortrainierte Deep-Learning-Netzwerke von Drittanbietern. So können Sie sie einfach in MATLAB einbinden und mit ihnen arbeiten. MATLAB, Simulink und die entsprechenden Toolboxen erlauben die schnelle Entwicklung von Algorithmen und die automatische Codegenerierung für Computer Vision, Signalverarbeitung, Robotik sowie Steuerungs- und Regelsysteme. So gibt es über die gesamte MATLAB- und Simulink-Produktlinie hinweg eine Vielzahl von Funktionen, die es Anwendern ermöglichen, sofort mit Machine Learning zu starten.

Herr Rovner, vielen Dank für das Gespräch.

Dieser Beitrag stammt von unserem Partnerportal Industry-of-things.de.

Framework für Entwurf und Implementierung tiefer neuronaler Netze

Framework für Entwurf und Implementierung tiefer neuronaler Netze

04.10.18 - Das Release 2018b für MATLAB und Simulink enthält wesentliche Erweiterung für Deep-Learning-Funktionen. Mit der Deep Learning Toolbox steht nun ein Framework für Entwurf und Implementierung tiefer neuronaler Netze u.a. für Anwendungen in der Bildverarbeitung, Signalverarbeitung, Computer Vision und System-Design bereit. lesen

So entwickeln sich KI und Machine Learning in Deutschland

So entwickeln sich KI und Machine Learning in Deutschland

04.09.18 - Wo stehen deutsche Unternehmen in Bezug auf Künstliche Intelligenz (KI) und Machine Learning (ML)? Die aktuelle Studie „Machine Learning / Deep Learning 2018“, die von der IDG Research Services in Zusammenarbeit mit der Alexander Thamm GmbH veröffentlicht wurde, hat 345 deutsche Unternehmen nach der Bedeutung, aktueller und geplanter Anwendung sowie den befürchteten Risiken von KI und ML befragt. lesen

Alles über AIScale, den universellen CNN-Hardwarebeschleuniger

Alles über AIScale, den universellen CNN-Hardwarebeschleuniger

17.09.18 - Deep Learning und insbesondere Deep Neural Networks (DNN) zählen zu den meist verbreiteten Vorhersagemodellen beim Maschinenlernen. Details zu diesen aktuellen Technologien lesen Sie in diesem Beitrag. lesen

Kommentar zu diesem Artikel abgeben

Schreiben Sie uns hier Ihre Meinung ...
(nicht registrierter User)

Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
Kommentar abschicken
copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45536103 / KI/Machine Learning)