• Cognex Vertrieb: +49-721-958-8052

  • Kontakt

Cognex Blogs

Was Hersteller durch AlphaGo über die Deep-Learning-basierte Industrieautomation lernen können

alphaGo and deep learning

Im Frühling 2016 kämpfte Lee Sedol, einer der besten Go-Spieler der Welt, mit einem Gegner, der ihn in einem Spiel über fünf Runden nicht nur deutlich schlagen sollte, sondern Sedol letztendlich dazu brachte, einige der besten Go-Züge seiner Karriere zu spielen.

Sein Gegner? Ein Computer mit künstlicher Intelligenz namens AlphaGo des DeepMind-Teams von Google.

Go ist ein abstraktes altes chinesisches Kriegsspiel, dessen Komplexität sogar Schach in den Schatten stellt. Es gibt mehr mögliche Kombinationen als Atome im Universum und der Großteil der Go-Community dachte, dass es mindestens eine Dekade dauern würde, bevor ein Computer in der Lage wäre, diese komplexen Entscheidungen zu treffen, um den besten menschlichen Spielern Konkurrenz machen zu können.

Wie Lee Sedol schmerzlich erfahren musste, können Computer das Go-Spiel bereits heute auf einem sehr hohen Niveau spielen. Und zwar auf derart hohem Niveau, dass Sedol kürzlich ankündigte, sich vom professionellen Spielen zurückzuziehen, weil er die KI „für nicht mehr besiegbar hält“.

Deep Learning ahmt die menschliche Intuition nach

AlphaGo lernte das Go-Spielen durch Deep Learning. Zuerst wurde das Computersystem mit Spieldaten gefüttert, um die grundlegenden Züge, Regeln und Strategien zu lernen. Anschließend trainierte es sich mit den Deep-Learning-Algorithmen eigenständig an den realen Spieldaten. AlphaGo wurde von zwei neuronalen Netzen betrieben: einem „Strategienetz“ für die Auswahl des nächsten Spielzuges und einem „Wirkungsnetz“, um den Sieger des Spiels aus jeder Position vorherzusagen.

Während des Spiels wird das neuronale Netz von AlphaGo so abgestimmt und aktualisiert, dass es Züge und den möglichen Sieger der Partien vorhersagt. Bei jedem Durchlauf wird die Leistung des Systems ein bisschen besser und die Qualität der Spiele gegen sich selbst steigt. Dies führt zu immer genaueren neuronalen Netzen und noch stärkeren AlphaGo-Versionen.

Lee Sedol lässt sich mit anderen großen Sportlern vergleichen -- er ist in seinem Bereich genauso gut wie Roger Federer im Tennis, Tiger Woods im Golf oder LeBron James im Basketball. Und dennoch kann sein nunmehr berühmt-berüchtigtes Spiel gegen AlphaGo so interpretiert werden, dass er gegen einen weit überlegenen KI-basierten Gegner eine schwere Niederlage erlitt. Aber das bedeutet, sich die Dinge aus der Sicht Mensch gegen Maschine vorzustellen. Eine andere Möglichkeit wäre, das Spiel anhand von zwei entscheidenden Zügen zu interpretieren, von denen jeder Gegner einen spielte. Dies lässt darauf schließen, dass künstliche Intelligenz nicht dazu dient, Menschen zu ersetzen, sondern dass die Zukunft der Industrieautomation darin liegt, dass Menschen durch Tools wie Deep Learning und neuronale Netze besser werden.

Im zweiten Spiel machte AlphaGo bei Zug 37 einen unerwarteten Spielzug, den man „Schulterschlag“ oben rechts am Spielbrett nennt. Der Zug war im Verlauf eines herkömmlichen Spiel so ungewöhnlich, dass Sedol das Spiel 15 Minuten lang unterbrechen musste, um sich zu beruhigen. Kommentatoren nannten den Zug „schön“, „einen sehr merkwürdigen Zug“ und möglicherweise „einen Fehler“. Aber diese Kommentatoren konnten nicht das verarbeiten, was der Computer konnte − und zwar, dass der Zug mit einer Wahrscheinlichkeit von eins zu 10.000 letztendlich zum Sieg in dem Spiel führen würde.

Im vierten Spiel passierte bei Zug 87 etwas ganz Ähnliches, aber dieses Mal gelang es Lee Sedol, den Computer mit einem Zug zu verwirren, der seither als „Hand Gottes“ bezeichnet wird. AlphaGo war tatsächlich verblüfft, denn es konnte sich solch einen Zug nicht erklären − ein Zug, von dem es berechnet hatte, dass ein Mensch ihn ein von 10.000 Mal spielen konnte. Lee sagte später, dass ihm der unerwartete Zug des Computers im zweiten Spiel ermöglicht hatte, das Brett besser zu sehen und dies dazu geführt hatte, dass er seinen eigenen unerwarteten Zug machte.

Wie Christopher Moyer in The Atlantic schreibt: „Das Entscheidende, was man von diesem Ablauf mitnehmen kann, ist nicht, dass die KI von DeepMind lernen kann, Go zu bewältigen, sondern dass sie vielmehr lernen kann, alles zu bewältigen, was einfacher als Go ist − was auf viele Dinge zutrifft. Wir haben nahezu unzählige Möglichkeiten, um diese revolutionären Fortschritte im maschinellen Lernen − in der Fähigkeit von Maschinen, die menschliche Kreativität und Intuition nachzuahmen anzuwenden.“

Deep Learning in der Fabrik

Die Technologie, die hinter dem Sieg von AlphaGo über einen menschlichen Gegner steht, ist nicht irgendeine ferne Zukunftsvision. Vielmehr ist sie die heutige Realität. Es gibt natürlich in vielen Industriebereichen, wie der Automobil-, elektronischen Konsumgüter- und Life-Science-Branche, zahlreiche Prüfanwendungen, die auf Deep Learning und neuronalen Netzen für die Fabrikautomation beruhen. Die Fähigkeit, Mängel an Bauteilen oder Anomalien zu erkennen, ist ein ideales Anwendungsgebiet für Deep Learning in einer Fabrik.

So wie AlphaGo neue Datenströme einsetzte, um seine Leistung zu verbessern, können Fabrikautomationsteams Deep Learning und kontinuierliche Datenströme nutzen, um Teileinspektionen, Montage-Endkontrollen, die Defekterkennung und andere wichtige Fabrikanwendungen zu verbessern. Die nächste Entwicklung industrieller Bildverarbeitung in der Fertigung ist die Schulung und Arbeit von Menschen mit KI-Systemen, um ihnen eine bessere Leistung zu ermöglichen.

Deep Learning kombiniert, wie AlphaGo bewies, die menschliche Kreativität und Entscheidungsfindung mit der absoluten Zuverlässigkeit und Skalierbarkeit eines Computersystems, das jeden Tag rund um die Uhr das ganze Jahr über in Betrieb ist. Es ist ein Werkzeug, das Menschen dabei hilft, effizienter zu arbeiten. Aber im günstigsten Fall kann es Menschen dazu bringen, besser in dem zu werden, was sie tun, als man zuvor für möglich hielt.

Um zu erfahren, wie Deep Learning zur Lösung komplexer Fertigungsprüfungen genutzt werden kann, laden Sie unser kostenloses eBook Industrielle Bildverarbeitung vs. Deep Learning herunter.

Weitere Posts auf

Was Hersteller durch AlphaGo über die Deep-Learning-basierte Industrieautomation lernen können

alphaGo and deep learning

Im Frühling 2016 kämpfte Lee Sedol, einer der besten Go-Spieler der Welt, mit einem Gegner, der ihn in einem Spiel über fünf Runden nicht nur deutlich schlagen sollte, sondern Sedol letztendlich dazu brachte, einige der besten Go-Züge seiner Karriere zu spielen.

Sein Gegner? Ein Computer mit künstlicher Intelligenz namens AlphaGo des DeepMind-Teams von Google.

Go ist ein abstraktes altes chinesisches Kriegsspiel, dessen Komplexität sogar Schach in den Schatten stellt. Es gibt mehr mögliche Kombinationen als Atome im Universum und der Großteil der Go-Community dachte, dass es mindestens eine Dekade dauern würde, bevor ein Computer in der Lage wäre, diese komplexen Entscheidungen zu treffen, um den besten menschlichen Spielern Konkurrenz machen zu können.

Wie Lee Sedol schmerzlich erfahren musste, können Computer das Go-Spiel bereits heute auf einem sehr hohen Niveau spielen. Und zwar auf derart hohem Niveau, dass Sedol kürzlich ankündigte, sich vom professionellen Spielen zurückzuziehen, weil er die KI „für nicht mehr besiegbar hält“.

Deep Learning ahmt die menschliche Intuition nach

AlphaGo lernte das Go-Spielen durch Deep Learning. Zuerst wurde das Computersystem mit Spieldaten gefüttert, um die grundlegenden Züge, Regeln und Strategien zu lernen. Anschließend trainierte es sich mit den Deep-Learning-Algorithmen eigenständig an den realen Spieldaten. AlphaGo wurde von zwei neuronalen Netzen betrieben: einem „Strategienetz“ für die Auswahl des nächsten Spielzuges und einem „Wirkungsnetz“, um den Sieger des Spiels aus jeder Position vorherzusagen.

Während des Spiels wird das neuronale Netz von AlphaGo so abgestimmt und aktualisiert, dass es Züge und den möglichen Sieger der Partien vorhersagt. Bei jedem Durchlauf wird die Leistung des Systems ein bisschen besser und die Qualität der Spiele gegen sich selbst steigt. Dies führt zu immer genaueren neuronalen Netzen und noch stärkeren AlphaGo-Versionen.

Lee Sedol lässt sich mit anderen großen Sportlern vergleichen -- er ist in seinem Bereich genauso gut wie Roger Federer im Tennis, Tiger Woods im Golf oder LeBron James im Basketball. Und dennoch kann sein nunmehr berühmt-berüchtigtes Spiel gegen AlphaGo so interpretiert werden, dass er gegen einen weit überlegenen KI-basierten Gegner eine schwere Niederlage erlitt. Aber das bedeutet, sich die Dinge aus der Sicht Mensch gegen Maschine vorzustellen. Eine andere Möglichkeit wäre, das Spiel anhand von zwei entscheidenden Zügen zu interpretieren, von denen jeder Gegner einen spielte. Dies lässt darauf schließen, dass künstliche Intelligenz nicht dazu dient, Menschen zu ersetzen, sondern dass die Zukunft der Industrieautomation darin liegt, dass Menschen durch Tools wie Deep Learning und neuronale Netze besser werden.

Im zweiten Spiel machte AlphaGo bei Zug 37 einen unerwarteten Spielzug, den man „Schulterschlag“ oben rechts am Spielbrett nennt. Der Zug war im Verlauf eines herkömmlichen Spiel so ungewöhnlich, dass Sedol das Spiel 15 Minuten lang unterbrechen musste, um sich zu beruhigen. Kommentatoren nannten den Zug „schön“, „einen sehr merkwürdigen Zug“ und möglicherweise „einen Fehler“. Aber diese Kommentatoren konnten nicht das verarbeiten, was der Computer konnte − und zwar, dass der Zug mit einer Wahrscheinlichkeit von eins zu 10.000 letztendlich zum Sieg in dem Spiel führen würde.

Im vierten Spiel passierte bei Zug 87 etwas ganz Ähnliches, aber dieses Mal gelang es Lee Sedol, den Computer mit einem Zug zu verwirren, der seither als „Hand Gottes“ bezeichnet wird. AlphaGo war tatsächlich verblüfft, denn es konnte sich solch einen Zug nicht erklären − ein Zug, von dem es berechnet hatte, dass ein Mensch ihn ein von 10.000 Mal spielen konnte. Lee sagte später, dass ihm der unerwartete Zug des Computers im zweiten Spiel ermöglicht hatte, das Brett besser zu sehen und dies dazu geführt hatte, dass er seinen eigenen unerwarteten Zug machte.

Wie Christopher Moyer in The Atlantic schreibt: „Das Entscheidende, was man von diesem Ablauf mitnehmen kann, ist nicht, dass die KI von DeepMind lernen kann, Go zu bewältigen, sondern dass sie vielmehr lernen kann, alles zu bewältigen, was einfacher als Go ist − was auf viele Dinge zutrifft. Wir haben nahezu unzählige Möglichkeiten, um diese revolutionären Fortschritte im maschinellen Lernen − in der Fähigkeit von Maschinen, die menschliche Kreativität und Intuition nachzuahmen anzuwenden.“

Deep Learning in der Fabrik

Die Technologie, die hinter dem Sieg von AlphaGo über einen menschlichen Gegner steht, ist nicht irgendeine ferne Zukunftsvision. Vielmehr ist sie die heutige Realität. Es gibt natürlich in vielen Industriebereichen, wie der Automobil-, elektronischen Konsumgüter- und Life-Science-Branche, zahlreiche Prüfanwendungen, die auf Deep Learning und neuronalen Netzen für die Fabrikautomation beruhen. Die Fähigkeit, Mängel an Bauteilen oder Anomalien zu erkennen, ist ein ideales Anwendungsgebiet für Deep Learning in einer Fabrik.

So wie AlphaGo neue Datenströme einsetzte, um seine Leistung zu verbessern, können Fabrikautomationsteams Deep Learning und kontinuierliche Datenströme nutzen, um Teileinspektionen, Montage-Endkontrollen, die Defekterkennung und andere wichtige Fabrikanwendungen zu verbessern. Die nächste Entwicklung industrieller Bildverarbeitung in der Fertigung ist die Schulung und Arbeit von Menschen mit KI-Systemen, um ihnen eine bessere Leistung zu ermöglichen.

Deep Learning kombiniert, wie AlphaGo bewies, die menschliche Kreativität und Entscheidungsfindung mit der absoluten Zuverlässigkeit und Skalierbarkeit eines Computersystems, das jeden Tag rund um die Uhr das ganze Jahr über in Betrieb ist. Es ist ein Werkzeug, das Menschen dabei hilft, effizienter zu arbeiten. Aber im günstigsten Fall kann es Menschen dazu bringen, besser in dem zu werden, was sie tun, als man zuvor für möglich hielt.

Um zu erfahren, wie Deep Learning zur Lösung komplexer Fertigungsprüfungen genutzt werden kann, laden Sie unser kostenloses eBook Industrielle Bildverarbeitung vs. Deep Learning herunter.

Weitere Posts auf

Ihr persönlicher Zugang zu Support & Training für Produkte & Mehr

BENUTZERKONTO ANLEGEN

SIE HABEN EINE FRAGE?

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

Kontakt
Loading...