KI-Wissen für Ingenieure (Teil 1) KI-Grundlagen: Wie lernen Maschinen in der Fabrik das Denken

Mit diesem Einstieg in industrielle KI möchten wir Ihnen die Grundlagen und Begrifflichkeiten näherbringen, sodass Sie im beruflichen Alltag mit „Machine Learning“, „Deep Learing“, „Token“ oder „Data Augmentation“ souverän rhetorisch jonglieren können.

Wer 20 Personen bittet, künstliche Intelligenz (KI) zu definieren, erhält meist 20 unterschiedliche Antworten. Sebastian Maier kennt dieses Problem aus seinem Alltag. Er arbeitet als Wissenschaftler am Fraunhofer IGCV und als KI-Trainer am Mittelstand-Digital Zentrum Augsburg. Die Wissenschaft formuliert es oft sehr allgemein: KI befähige einen digitalen Computer, Aufgaben zu erfüllen, die üblicherweise ein intelligentes Wesen löst. „Laut dieser Definition wäre ein Taschenrechner künstliche Intelligenz“, verdeutlicht Maier, warum diese Worte zu kurz greifen.

Um das Thema wirklich zu greifen, müssen Fachleute Technologie wie Terminologie exakt abgrenzen. Während Data Science primär versucht, Wissen aus vorhandenen Daten zu filtern, geht das maschinelle Lernen einen Schritt weiter. Hier scheitern herkömmliche statistische Verfahren oft, besonders wenn Algorithmen extrem umfangreiche oder hochkomplexe Informationen verarbeiten sollen. Deswegen unterscheiden wir zunächst unter den folgenden Begriffen:

Bildergalerie

Bildergalerie mit 7 Bildern

• Künstliche Intelligenz (KI): Der Sammelbegriff umfasst alle Technologien, die Computer befähigen, intelligentes menschliches Verhalten nachzuahmen.

• Machine Learning (ML): Dabei geben wir Computern keine starren Regeln mehr vor. Die Systeme lernen vielmehr selbstständig aus Daten, wie sie bestimmte Aufgaben lösen. ML wird in überwachtes, unüberwachtes und bestärkendes Lernen unterteilt.

• Deep Learning (DL): Der spezielle Teilbereich nutzt künstliche neuronale Netze, die in vielen teils versteckten Schichten arbeiten. Dadurch können Maschinen selbst extrem komplexe Datenmengen durchdringen und verstehen, der Mensch aber nicht mehr die Muster nachvollziehen, was das Modell zur Blackbox macht.

Abschied von starren Regeln

Maschinelles Lernen ändert grundsätzlich, wie Computerprogramme funktionieren. Bisher definierten Menschen klare Regeln und wandten diese auf Daten an, um Antworten zu erhalten. In der Praxis scheitert das oft, etwa wenn ein Computer Bilder klassifizieren soll. Einem Programm auf klassischem Weg beizubringen, was optisch einen Hund von einer Katze unterscheidet, gelingt fast nie. Dafür gibt es schlicht zu viele anatomische Details und Perspektiven.

Das maschinelle Lernen kehrt den Spieß um: Der Mensch füttert den Algorithmus mit Daten und liefert die korrekten Antworten gleich mit. Erhält das System tausende Bilder, die Menschen zuvor als Hund oder Katze markierten, leitet es die Merkmale automatisch ab. Die Algorithmen verinnerlichen diese Kriterien. Ein entscheidender Nachteil bleibt jedoch: Die Systeme arbeiten nicht transparent. Sie speichern die gelernten Details als abstrakte mathematische Werte in einer sogenannten Black Box, die wir als Menschen im Detail nicht mehr interpretieren können.

Drei Wege, um intelligent zu lernen

In der Praxis gliedert sich das maschinelle Lernen in drei grundlegende Wege:

• Beaufsichtigtes Lernen (Supervised Learning): Der Mensch gibt dem System Lernmaterial und verrät ihm die Lösung gleich mit. Der Algorithmus trainiert so lange mit diesen Datenpaaren, bis er das Muster versteht. Anschließend wendet er dieses Wissen auf neue, unbekannte Daten an – etwa, um zu prognostizieren, ob ein Motor in absehbarer Zeit ausfällt.

• Unbeaufsichtigtes Lernen (Unsupervised Learning): Der Algorithmus erhält unstrukturierte Datenberge, aber keine Vorgaben, wonach er suchen soll. Das System wühlt sich eigenständig durch die Informationen und sortiert sie nach selbst entdeckten Gemeinsamkeiten – zum Beispiel, um komplexe Fehlerbilder in einem Produktionsprozess zu gruppieren.

• Bestärkendes Lernen (Reinforcement Learning): Die Maschine lernt nach dem Prinzip von Versuch und Irrtum. Ein Programm (der Agent) probiert in einer simulierten Umgebung verschiedene Handlungen aus. Für gute Entscheidungen erhält er eine Belohnung, für schlechte Abzüge. So optimiert er sein Verhalten schrittweise, was sich perfekt für die Steuerung komplexer Industrieanlagen eignet.

Gute Daten: Das Fundament der Industrie-KI

Während Konsumenten-KI oft nur harmlose Lieder vorschlägt, steuert Industrie-KI mitunter tonnenschwere Roboter. Rät der Algorithmus hier falsch, drohen fatale Anlagenschäden. Weil industrielle Systeme deutlich kritischer arbeiten und extrem robust sein müssen, rückt eine zentrale Anforderung in den Fokus: Maschinelles Lernen benötigt zwingend gute Daten.

Die KI lernt immer nur so gut, wie es das gefütterte Material zulässt. Fachleute definieren vier Kriterien, die zwingend erfüllt sein müssen:

• Ausreichende Menge: Ein Algorithmus lernt nichts, wenn er nur zwei Bilder betrachtet. Systeme benötigen massenhaft Trainingsdaten. Grundsätzlich gilt: Je mehr Material zur Verfügung steht, desto besser entwickelt sich die Leistung des Modells.

• Repräsentative Auswahl: Menge allein schützt jedoch nicht vor Fehlern. Wer eine Umfrage ausschließlich über das Festnetz führt, schließt junge Menschen aus und verfälscht das Ergebnis. Übertragen auf die Fabrik bedeutet das: Die Daten müssen alle realen Bedingungen abdecken und dürfen keine Schlagseite haben.

• Hohe Qualität: Rauscht ein Sensor stark oder liefert er ständig Nullwerte, scheitert der Lernprozess. Eine KI verzeiht zwar kleine Ausreißer, aber wenn das Fundament korrupt ist, zieht das System falsche Schlüsse.

• Relevante Merkmale: Ein gigantischer Datensee hilft nicht weiter, wenn die entscheidende Information fehlt. Bergen von einer Million Datenpunkten nur zehn das eigentliche Problem, geht die Information unter. Oft liefern hundert gezielt ausgewählte Messungen bessere Resultate als unübersichtliche Datenmassen.

Data Augmentation: Wie die KI die KI trainiert

Oft existieren in der Praxis jedoch nicht genügend reale Fehlerbeispiele. Maier veranschaulicht dies an einer optischen Qualitätskontrolle: Liegen dem System lediglich 50 Bilder von defekten Kunststoffbauteilen vor, erkennt es nur rund 86 Prozent der tatsächlichen Mängel. Um in der Industrie die oft geforderte Genauigkeit von über 99 Prozent zu erreichen, muss der Mensch den Algorithmus mit 500 bis 1.000 Bildern füttern.

Die Lösung: Man trainiert die KI mit veränderten und auch KI-generierten Daten. Bei der sogenannten Data Augmentation erweitern Fachleute den Trainingsdatensatz, indem sie vorhandene Bilder drehen, zuschneiden oder den Kontrast verändern. Reicht dieser einfache Kniff nicht aus, nutzen Entwickler 3D-Simulationen. Sie entwerfen beispielsweise makellose Flaschen am Computer und verbeulen diese virtuell, um einer KI beizubringen, wie recycelbarer Abfall auf einem Förderband aussieht.

Sogar generative KI hilft beim Training: Spezielle Algorithmen studieren wenige echte Vorlagen und generieren daraus täuschend echte künstliche Risse in Asphaltproben. Eine entscheidende Regel gilt jedoch auch hier: Das Verhältnis zwischen echten und künstlichen Daten muss ausgewogen bleiben, damit die Algorithmen in der Realität nicht scheitern.

Aber viel allein hilft nicht immer. Maier betont, dass es stets ein Zusammenspiel der obigen vier Kriterien ist: „Machen Sie sich Gedanken, dass Sie genug haben, dass diese aber auch repräsentativ sind, qualitativ hochwertig und das Verhältnis an relevanten Daten stimmt“, rät der Wissenschaftler.

Wie Tokens in LLMs funktionieren: Die Mathematik hinter den Wörtern

Auch wenn die Fabrik stark vom klassischen maschinellen Lernen geprägt ist, sorgt die generative KI für den aktuellen Hype. Sie bildet einen spezifischen Subbereich des Deep Learning.

Große Sprachmodelle beruhen auf einem faszinierenden mathematischen Prinzip. Da Computer keine geschriebenen Wörter verstehen, zerlegt das System Texte zunächst in kleine Wortschnipsel, sogenannte Token, und nummeriert diese durch. Die eigentliche Magie passiert beim Word Embedding. Dabei wandelt der Algorithmus die Token in Vektoren um, die er in einem hochdimensionalen Raum verortet. Wörter mit ähnlicher Bedeutung liegen in diesem Raum dicht beieinander.

So lässt sich die semantische Logik der menschlichen Sprache exakt in Vektoren beschreiben und mathematisch berechnen. Addiert das System zum Vektor des Wortes „Mann“ den Vektor „Königlich“, landet es im Raum direkt beim Wort „König“. Subtrahiert man davon den „Mann“ und addiert die „Frau“, lautet das rechnerische Ergebnis „Königin“. Basierend auf der leistungsstarken Transformer-Architektur verarbeiten die Algorithmen diese Wörter stets im zeitlichen Kontext. Was für den Anwender am Bildschirm so wirkt, als kreiere die Maschine kreativ neue Texte, ist im Kern bloß Mathematik: Das System berechnet schlicht, wie wahrscheinlich ein bestimmter Vektor auf den nächsten folgt.

Konsumenten-KI vs. Industrie-KI

Wenn wir im Alltag künstliche Intelligenz nutzen, analysiert diese meist, wie wir uns psychologisch verhalten. Große Technologiekonzerne wie Google, Meta oder Amazon greifen dafür auf gigantische, zentrale Datenmengen zu. Dabei wissen die Algorithmen anfangs wenig über die einzelne Person, operieren in einem unbekannten Umfeld und suchen schlicht nach dem Durchschnitt. Das Ziel sind gute Treffer, keine perfekten. Schlägt das System ein falsches Lied oder ein uninteressantes Produkt vor, klickt der Konsument einfach weiter. Solche Fehler bleiben unkritisch.

In der Fabrik sieht die Welt anders aus. Industrielle KI schätzt keine Vorlieben ein, sondern kontrolliert exakt, was Maschinen physikalisch leisten. Sie agiert in einem streng definierten Umfeld und nutzt das enorme Vorwissen der Fachleute an den Anlagen. Hier fahndet die Software nicht nach dem Durchschnitt, sondern sucht gezielt nach Ausreißern. Sie vergleicht den Ist-Zustand permanent mit dem perfekten Ideal, der sogenannten „Golden Batch“. Ein falsches Negativ zieht hier gravierende Konsequenzen nach sich. Übersieht das Programm einen Fehler, drohen kaputte Roboter, teure Stillstände oder sogar verletzte Menschen. Daher gilt in der Industrie strikt das Prinzip „better safe than sorry“, lieber auf Nummer sicher gehen.

Technisch gehe mit KI jetzt schon mehr als tatsächlich in der Praxis eingesetzt wird, weiß Sebastian Maier: „Man hätte da Vorhersagewahrscheinlichkeiten von 99,9 Prozent, dass das Ganze gut funktioniert. Aber diese 0,01 Prozent sind genau die, die die Probleme am Ende des Tages machen. Was passiert, wenn dann doch mal so ein Algorithmus falsch reagiert? Wer haftet denn am Ende des Tages dafür?“

Diese Fragen beantworten wir in Teil 3 der Artikelserie „KI-Wissen für Ingenieure“. Um die industrielle Praxis, wo KI schon jetzt eingesetzt wird, geht es zunächst in Teil 2, in dem wir Ihnen sieben Anwendungsfälle vorstellen. Hier finden Sie die Links zu den Folgeartikeln, sobald online. (mc)

(ID:50890951)