• Cognex Vertrieb: +49-721-958-8052

  • Kontakt

Cognex Blogs

Über den Unterschied zwischen KI, maschinellem Lernen und Deep Learning für Prüfungen in der Industrieautomation

AI vs deep learning vs machine learning

Wenn es um künstliche Intelligenz (KI) geht, ist es manchmal schwierig, Fakten von Marketing-Gerüchten zu unterscheiden, besonders bei Prüfungen in der Fabrikautomation. KI ist in vielerlei Hinsicht bereits Teil unseres Alltags und in vielen anderen Zusammenhängen ist die Technologie noch ein futuristisches Konzept.

Spam-Filter in Ihrem E-Mail-Client nutzen die KI, damit Sie keine unerwünschten Junk-Mails mehr lesen müssen. Roboter, die den Turing-Test schaffen, wie der C-3PO von Star Wars, gibt es andererseits nur in Science-Fiction-Filmen und TV-Shows. In den letzten Jahren explodierte die praktische Anwendbarkeit von KI dank der schnellen Kostenverbesserungen für Rechenleistung und Cloud-Speicher sowie der vermehrten Datenerstellung aus Bildern, Texten, Software-Transaktionen usw.

Begriffe wie KI, maschinelles Lernen und Deep Learning werden oft austauschbar verwendet. Dabei wird kaum oder gar nicht erklärt, was die jeweiligen Begriffe bedeuten und welche unterschiedlichen Zusammenhänge bestehen. Wenn man die verschiedenen Richtungen von künstlicher Intelligenz, einschließlich maschinellen Lernens und Deep Learning, versteht, ist es einfacher nachzuvollziehen, wie diese Technologie Hersteller und Fabriken heute unterstützen kann oder nicht.

Künstliche Intelligenz − Programmieraufgaben mit Logik

Zunächst ist die künstliche Intelligenz eine Untergruppe der Computerwissenschaften, bei der Computersysteme menschenähnliche Aufgaben (z. B. Bildklassifikation, Spracherkennung, Übersetzung) gleich gut oder besser als Menschen durchführen. Die logischen Konzepte entstanden in den Pioniertagen der Computerwissenschaften der 1950er-Jahre.

KI wird grob in zwei Bereiche unterteilt: schwache und starke KI. „Starke KI“ ist das futuristische Konzept von Robotern, die wie Menschen handeln und denken. Vielleicht haben wir es eines Tages mit empfindungsfähigen Robotern zu tun, aber für die Zwecke dieses Artikels konzentrieren wir uns nur auf die „schwache KI“, unter der man Computersysteme versteht, die spezifische menschenähnliche Aufgaben durchführen sollen.

KI ist tatsächlich die Disziplin der Erstellung intelligenter Algorithmen. In den Anfangsjahren bestand KI nur aus einer Reihe programmierter Computeranweisungen. Heute kann es alles sein, von einer komplizierten Logikreihe bis zu einem selbstlernenden Algorithmus, der Ergebnisse hervorbringt, die auf Referenzbeispielen und minimaler Programmierung durch den Menschen beruhen.

Der Betrieb von Ampeln ist ein Beispiel für KI in der Praxis. Wo früher der Mensch nötig war, um von Rot auf Grün umzuschalten, kann jetzt intelligente Logik und Programmierung dafür sorgen, dass eine Ampel 45 Sekunden lang grün bleibt und dann auf Rot umschaltet. Das ist als festzeitgesteuerte Regelung bekannt. Es gibt auch andere Methoden zur Programmierung eines Ampelnetzes, zum Beispiel die koordinierte Steuerung, die bestrebt ist, lange Grünphasen für die Autofahrer zu schaffen. Grundsätzlich besteht der Betrieb von Straßenbeleuchtung einfach in deren Programmierung für eine bestimmte Aufgabe, damit diese nicht mehr manuell von Menschen ausgeführt werden muss.

Maschinelles Lernen − Die Anwendung von künstlicher Intelligenz

Maschinelles Lernen wurde als Untergruppe der KI entwickelt und gilt als Technik zur Erzielung von KI. Maschinelles Lernen ist der Einsatz von Algorithmen, die Computersysteme befähigen, aus Daten zu lernen und Entscheidungen zu treffen.

Die Entscheidungsalgorithmen umfassten im Laufe der Jahre u. a. Entscheidungsbäume, Clusteranalysen, Reinforcement-Learning und Bayessche Netze. Zurück zu unserem Ampelbeispiel: Maschinelle Lernalgorithmen könnten eingesetzt werden, um ein Muster der optimalen Zeitspanne für das Umschalten von Rot auf Grün basierend auf der Tageszeit oder Verkehrsstaus zu ermitteln. Städte wie Las Vegas führen bereits derartige Pilotversuche durch, in der Hoffnung, dass maschinelles Lernen zu einer Verringerung von Verkehrsstaus um 40 % führt. Maschinelles Lernen unterstützt Städte dabei, einen Schritt weiter zu gehen und nicht nur ihre Ampeln zu programmieren, sondern auch die von Autos erzeugten Daten zu nutzen, um optimale Entscheidungen mit dieser programmierten Logik zu treffen.

Schließlich ist industrielle Bildverarbeitung eine der besten Anwendungen von maschinellem Lernen. Durch Nutzung der Bilddaten, die von Kameras erfasst und von einer Reihe unterschiedlicher Algorithmen an diesen Bildern angewendet werden, wie Klassifikatoren, Lokalisierungswerkzeugen und sogar optischer Zeichenerkennung, kann die Bildverarbeitungssoftware zum Beispiel feststellen, ob ein Teil vorhanden ist oder fehlt, die Breite zwischen zwei Kanten messen oder eine Zeichenfolge auf einem Reifen erkennen.

Bei Cognex betrachten wir die industrielle Bildverarbeitung als herkömmlichen oder regelbasierten Ansatz zur Lösung von Prüfaufgaben. Unsere Regeln, die technisch gesprochen Algorithmen sind, sind in Wirklichkeit nur Software-Tools, mit denen wir bestimmte Aufgaben, wie zum Beispiel das Erkennen der zwei Kanten eines Teils, programmieren und dann die Breite zwischen diesen Kanten bestimmen. Wir betrachten diese nicht als maschinelles Lernen oder KI, auch wenn sie darunter fallen könnten.

Deep Learning − Die nächste Entwicklung bei der Inspektion

Deep-Learning-Algorithmen sind die neueste Untergruppe der künstlichen Intelligenz, die dank der ständigen technologischen Fortschritte an Bedeutung gewinnt. Deep Learning baut auf den Fortschritten auf, die beim maschinellen Lernen gemacht wurden, jedoch mit einigen wesentlichen Unterschieden.

Anstatt sich auf Menschen zu verlassen, die über Computeralgorithmen Aufgaben programmieren, erreicht Deep Learning Ergebnisse durch einen beispielbasierten Ansatz, der menschliches Lernen nachahmt. Auf Deep Learning basierende Prüfanwendungen stellen durch Nutzung neuronaler Netze Verbindungen her und entdecken Muster in gewaltigen Datensätzen.

Nehmen wir beispielsweise einmal an, ein Hersteller möchte Fehler in den von ihm gefertigten Produkten erkennen. Eine Möglichkeit dafür wäre die herkömmliche industrielle Bildverarbeitung. Mit herkömmlicher Bildverarbeitung müssten Ingenieure die Prüfung eigens programmieren, um den unzähligen möglichen Unterschieden Rechnung zu tragen: Größe und Art des Fehlers, Ort des Fehlers usw. Daraus wird aufgrund der inhärenten Unterschiede eine mit großem Zeitaufwand zu betreuende und programmierende Anwendung.

Mit einem Deep-Learning-basierten Ansatz zieht der Algorithmus die vom Benutzer gelieferten Beispiele heran und entwickelt automatisch ein Verständnis für das zu prüfende Teil. Durch Schaffung einer Prüfeinrichtung, die lernt, wie ein richtiges Teil sogar unter Berücksichtigung leichter Abweichungen aussieht, kann die Lösung dann feststellen, wenn etwas falsch aussieht und zum Beispiel Kratzer, Fremdkörper oder andere sichtbare Mängel aufweist. Benutzer können dann die Lösung verbessern, indem sie dem Tool mehr Daten liefern, von denen es lernen kann. Je mehr Daten der Deep-Learning-Anwendung zur Verfügung stehen, umso besser wird ihre Leistung beim Erkennen von Anomalien mit der Zeit werden.

Die Zukunft von Prüfaufgaben in der Fabrikautomation

Während viele Unternehmen weiterhin künstliche Intelligenz als Marketing-Schlagwort einsetzen, ist es wichtig zu verstehen, worum es sich dabei handelt und was sie kann bzw. nicht kann, insbesondere in einer Fabrikautomationsumgebung.

In Zukunft ist es möglicherweise nicht von Belang, ob eine Methode zur Lösung einer Prüfaufgabe beispiel- oder regelbasiert ist oder sogar die Kombination aus beiden. Vorläufig jedoch hat jeder Ansatz seine Stärken und Schwächen und sollte entsprechend eingesetzt werden.

Um mehr über die Unterschiede zwischen beispiel- und regelbasierten Prüfungen zu erfahren, laden Sie unser kostenloses eBook herunter: Deep Learning vs. industrielle Bildverarbeitung.

 

Weitere Posts auf

Über den Unterschied zwischen KI, maschinellem Lernen und Deep Learning für Prüfungen in der Industrieautomation

AI vs deep learning vs machine learning

Wenn es um künstliche Intelligenz (KI) geht, ist es manchmal schwierig, Fakten von Marketing-Gerüchten zu unterscheiden, besonders bei Prüfungen in der Fabrikautomation. KI ist in vielerlei Hinsicht bereits Teil unseres Alltags und in vielen anderen Zusammenhängen ist die Technologie noch ein futuristisches Konzept.

Spam-Filter in Ihrem E-Mail-Client nutzen die KI, damit Sie keine unerwünschten Junk-Mails mehr lesen müssen. Roboter, die den Turing-Test schaffen, wie der C-3PO von Star Wars, gibt es andererseits nur in Science-Fiction-Filmen und TV-Shows. In den letzten Jahren explodierte die praktische Anwendbarkeit von KI dank der schnellen Kostenverbesserungen für Rechenleistung und Cloud-Speicher sowie der vermehrten Datenerstellung aus Bildern, Texten, Software-Transaktionen usw.

Begriffe wie KI, maschinelles Lernen und Deep Learning werden oft austauschbar verwendet. Dabei wird kaum oder gar nicht erklärt, was die jeweiligen Begriffe bedeuten und welche unterschiedlichen Zusammenhänge bestehen. Wenn man die verschiedenen Richtungen von künstlicher Intelligenz, einschließlich maschinellen Lernens und Deep Learning, versteht, ist es einfacher nachzuvollziehen, wie diese Technologie Hersteller und Fabriken heute unterstützen kann oder nicht.

Künstliche Intelligenz − Programmieraufgaben mit Logik

Zunächst ist die künstliche Intelligenz eine Untergruppe der Computerwissenschaften, bei der Computersysteme menschenähnliche Aufgaben (z. B. Bildklassifikation, Spracherkennung, Übersetzung) gleich gut oder besser als Menschen durchführen. Die logischen Konzepte entstanden in den Pioniertagen der Computerwissenschaften der 1950er-Jahre.

KI wird grob in zwei Bereiche unterteilt: schwache und starke KI. „Starke KI“ ist das futuristische Konzept von Robotern, die wie Menschen handeln und denken. Vielleicht haben wir es eines Tages mit empfindungsfähigen Robotern zu tun, aber für die Zwecke dieses Artikels konzentrieren wir uns nur auf die „schwache KI“, unter der man Computersysteme versteht, die spezifische menschenähnliche Aufgaben durchführen sollen.

KI ist tatsächlich die Disziplin der Erstellung intelligenter Algorithmen. In den Anfangsjahren bestand KI nur aus einer Reihe programmierter Computeranweisungen. Heute kann es alles sein, von einer komplizierten Logikreihe bis zu einem selbstlernenden Algorithmus, der Ergebnisse hervorbringt, die auf Referenzbeispielen und minimaler Programmierung durch den Menschen beruhen.

Der Betrieb von Ampeln ist ein Beispiel für KI in der Praxis. Wo früher der Mensch nötig war, um von Rot auf Grün umzuschalten, kann jetzt intelligente Logik und Programmierung dafür sorgen, dass eine Ampel 45 Sekunden lang grün bleibt und dann auf Rot umschaltet. Das ist als festzeitgesteuerte Regelung bekannt. Es gibt auch andere Methoden zur Programmierung eines Ampelnetzes, zum Beispiel die koordinierte Steuerung, die bestrebt ist, lange Grünphasen für die Autofahrer zu schaffen. Grundsätzlich besteht der Betrieb von Straßenbeleuchtung einfach in deren Programmierung für eine bestimmte Aufgabe, damit diese nicht mehr manuell von Menschen ausgeführt werden muss.

Maschinelles Lernen − Die Anwendung von künstlicher Intelligenz

Maschinelles Lernen wurde als Untergruppe der KI entwickelt und gilt als Technik zur Erzielung von KI. Maschinelles Lernen ist der Einsatz von Algorithmen, die Computersysteme befähigen, aus Daten zu lernen und Entscheidungen zu treffen.

Die Entscheidungsalgorithmen umfassten im Laufe der Jahre u. a. Entscheidungsbäume, Clusteranalysen, Reinforcement-Learning und Bayessche Netze. Zurück zu unserem Ampelbeispiel: Maschinelle Lernalgorithmen könnten eingesetzt werden, um ein Muster der optimalen Zeitspanne für das Umschalten von Rot auf Grün basierend auf der Tageszeit oder Verkehrsstaus zu ermitteln. Städte wie Las Vegas führen bereits derartige Pilotversuche durch, in der Hoffnung, dass maschinelles Lernen zu einer Verringerung von Verkehrsstaus um 40 % führt. Maschinelles Lernen unterstützt Städte dabei, einen Schritt weiter zu gehen und nicht nur ihre Ampeln zu programmieren, sondern auch die von Autos erzeugten Daten zu nutzen, um optimale Entscheidungen mit dieser programmierten Logik zu treffen.

Schließlich ist industrielle Bildverarbeitung eine der besten Anwendungen von maschinellem Lernen. Durch Nutzung der Bilddaten, die von Kameras erfasst und von einer Reihe unterschiedlicher Algorithmen an diesen Bildern angewendet werden, wie Klassifikatoren, Lokalisierungswerkzeugen und sogar optischer Zeichenerkennung, kann die Bildverarbeitungssoftware zum Beispiel feststellen, ob ein Teil vorhanden ist oder fehlt, die Breite zwischen zwei Kanten messen oder eine Zeichenfolge auf einem Reifen erkennen.

Bei Cognex betrachten wir die industrielle Bildverarbeitung als herkömmlichen oder regelbasierten Ansatz zur Lösung von Prüfaufgaben. Unsere Regeln, die technisch gesprochen Algorithmen sind, sind in Wirklichkeit nur Software-Tools, mit denen wir bestimmte Aufgaben, wie zum Beispiel das Erkennen der zwei Kanten eines Teils, programmieren und dann die Breite zwischen diesen Kanten bestimmen. Wir betrachten diese nicht als maschinelles Lernen oder KI, auch wenn sie darunter fallen könnten.

Deep Learning − Die nächste Entwicklung bei der Inspektion

Deep-Learning-Algorithmen sind die neueste Untergruppe der künstlichen Intelligenz, die dank der ständigen technologischen Fortschritte an Bedeutung gewinnt. Deep Learning baut auf den Fortschritten auf, die beim maschinellen Lernen gemacht wurden, jedoch mit einigen wesentlichen Unterschieden.

Anstatt sich auf Menschen zu verlassen, die über Computeralgorithmen Aufgaben programmieren, erreicht Deep Learning Ergebnisse durch einen beispielbasierten Ansatz, der menschliches Lernen nachahmt. Auf Deep Learning basierende Prüfanwendungen stellen durch Nutzung neuronaler Netze Verbindungen her und entdecken Muster in gewaltigen Datensätzen.

Nehmen wir beispielsweise einmal an, ein Hersteller möchte Fehler in den von ihm gefertigten Produkten erkennen. Eine Möglichkeit dafür wäre die herkömmliche industrielle Bildverarbeitung. Mit herkömmlicher Bildverarbeitung müssten Ingenieure die Prüfung eigens programmieren, um den unzähligen möglichen Unterschieden Rechnung zu tragen: Größe und Art des Fehlers, Ort des Fehlers usw. Daraus wird aufgrund der inhärenten Unterschiede eine mit großem Zeitaufwand zu betreuende und programmierende Anwendung.

Mit einem Deep-Learning-basierten Ansatz zieht der Algorithmus die vom Benutzer gelieferten Beispiele heran und entwickelt automatisch ein Verständnis für das zu prüfende Teil. Durch Schaffung einer Prüfeinrichtung, die lernt, wie ein richtiges Teil sogar unter Berücksichtigung leichter Abweichungen aussieht, kann die Lösung dann feststellen, wenn etwas falsch aussieht und zum Beispiel Kratzer, Fremdkörper oder andere sichtbare Mängel aufweist. Benutzer können dann die Lösung verbessern, indem sie dem Tool mehr Daten liefern, von denen es lernen kann. Je mehr Daten der Deep-Learning-Anwendung zur Verfügung stehen, umso besser wird ihre Leistung beim Erkennen von Anomalien mit der Zeit werden.

Die Zukunft von Prüfaufgaben in der Fabrikautomation

Während viele Unternehmen weiterhin künstliche Intelligenz als Marketing-Schlagwort einsetzen, ist es wichtig zu verstehen, worum es sich dabei handelt und was sie kann bzw. nicht kann, insbesondere in einer Fabrikautomationsumgebung.

In Zukunft ist es möglicherweise nicht von Belang, ob eine Methode zur Lösung einer Prüfaufgabe beispiel- oder regelbasiert ist oder sogar die Kombination aus beiden. Vorläufig jedoch hat jeder Ansatz seine Stärken und Schwächen und sollte entsprechend eingesetzt werden.

Um mehr über die Unterschiede zwischen beispiel- und regelbasierten Prüfungen zu erfahren, laden Sie unser kostenloses eBook herunter: Deep Learning vs. industrielle Bildverarbeitung.

 

Weitere Posts auf

ERHALTEN SIE ZUGANG ZU SUPPORT & TRAINING FÜR PRODUKTE & MEHR

Werden Sie Teil von MyCognex

SIE HABEN EINE FRAGE?

Cognex is weltweit vertreten, um Sie bei Ihren Vision- und Barcode-Anwendungen zu unterstützen.

Kontakt
Loading...