Künstliche Intelligenz in der Fertigung: Ein Begriffsglossar
Sie müssen keinen Doktortitel haben, um über künstliche Intelligenz mitdiskutieren zu können, auch wenn dieser bestimmt hilft. Aber es ist schon viel einfacher, wenn man einige wenige Grundbegriffe und Konzepte der künstlichen Intelligenz kennt, um die neuesten technologischen Fortschritte und Inspektionsmöglichkeiten in der Fabrikautomation einzuordnen.
Dies sind die gängigsten Begriffe, die in Gesprächen und Artikeln über künstliche Intelligenz in der Fabrikautomation auftauchen.
Algorithmus: Eine Reihe von Anweisungen und Berechnungen, mit deren Hilfe ein Computer ein Ziel erreicht. In der Fabrikautomation können Algorithmen gewaltige Datensätze von Sensoren, Scannern und Digitalkameras durchsuchen, um Ineffizienzen zu ermitteln, die Qualität zu verbessern und Verbesserungen zu empfehlen. Ein „Lern“-Algorithmus verwendet Methoden, die auf Versuch und Irrtum sowie Lernen an Beispielen basieren, um Produktionsprozesse ohne menschlichen Eingriff zu optimieren.
Künstliche Intelligenz (KI): Rechentechniken, welche versuchen, die menschliche Entscheidungsfindung nachzuahmen und dabei die Automatisierung nutzen, um für Menschen schwierige Aufgaben durchzuführen. KI-Algorithmen sind für die Fabrikautomation von zentraler Bedeutung, da sie Technologien wie Bilderkennung und natürliche Sprachverarbeitung nutzen können, um menschliche Fehler zu verringern und Produktionsherausforderungen berücksichtigen.
Big Data: Technologien, die enorme Datensätze aus verschiedensten Quellen nutzen und dabei Analysetools verwenden, um einzigartige Einblicke zu gewinnen. Big Data bildet die Basis für KI, denn Lernalgorithmen benötigen eine Flut von Informationen, um die menschliche Entscheidungsfindung nachzuahmen und genaue Prognosen zu treffen. Ein automatisiertes Werk nutzt die Big-Data-Analytik, um seine KI-Initiativen zu beeinflussen.
Klassifizierung: Trennen von Daten in bestimmte Kategorien, die die Wirksamkeit der KI verbessern. In der Fabrikautomation untersuchen Geräte für die Datenerfassung die Produktionsumgebung und erkennen bestimmte Objekte wie Maschinenteile und elektronische Komponenten. KI-Algorithmen tragen zur Klassifizierung dieser Objekte bei und führen sie ihren richtigen Bestimmungsorten in der Produktionslinie zu.
Clustering: Trennung einer Anzahl von Datenpunkten in Cluster, um festzustellen, welche ähnlich und welche unterschiedlich sind. Lernalgorithmen durchsuchen Cluster, um ihre Bedeutung zu interpretieren und eine richtige Vorgehensweise vorherzusagen. Zum Beispiel verarbeiten Cluster-Algorithmen Daten aus optischen Scannern, um festzustellen, was zu tun ist, wenn ein Produktfehler erkannt wird.
Datenbereinigung/Scrubbing: Entfernung von fehlerhaften Daten zur Verbesserung der Effektivität eines Lernalgorithmus. KI hängt von ausgefeilten Datenmodellen ab, die über genaue, zuverlässige und beständige Datenquellen verfügen müssen. Leider liefert die Datenerfassung oft redundante, ungenaue, überholte oder sonstige unnütze Informationen. Die Bereinigung (bzw. das Scrubbing) der Daten reduziert die Gefahren und verbessert die KI-Genauigkeit.
Deep Learning: Eine KI-Methode, die neuronale Netzwerke und Algorithmen, die an Beispielen lernen, verwendet, um sich selbst mit der Zeit ohne menschliches Zutun zu verbessern. Deep-Learning-Algorithmen werden umso effizienter, je mehr Daten sie verarbeiten. Darin unterscheiden sie sich von regelbasierten Algorithmen, deren Datenverarbeitungsfähigkeit streng begrenzt ist. In der Fabrikautomation können Deep-Learning-Algorithmen Produktfehler auf eine Weise kennzeichnen, welche die menschliche Wahrnehmung widerspiegelt — nur viel schneller.
Laden Sie unser kostenloses Informationsmaterial herunter: eBook Deep Learning im Vergleich zu industrieller Bildverarbeitung
Bilderkennung: Verwendung der KI zur Analyse des Inhalts eines digitalen Bildes. Bilderkennungsalgorithmen durchsuchen Millionen von Pixeln und wenden Deep Learning an, um zwischen Menschen, Orten und Dingen zu unterscheiden. Diese Technologien ermöglichen das Scannen von Barcodes und automatisierte Prüfungen, welche die Produktivität eines automatisierten Werks deutlich verbessern können. Siehe auch: industrielle Bildverarbeitung.
Internet der Dinge (IoT): Ein mit dem Internet verbundenes Netzwerk aus Sensoren zur Erfassung von Echtzeitinformationen von Maschinen und menschlichem Verhalten. Zu den Geräten zählen Mobiltelefone, tragbare Geräte, Videokameras, Verkehrsüberwachungssysteme und Sensoren in Maschinen und Produktionslinien. IoT-Sensoren erzeugen die enormen Datenmengen, die für maschinelles Lernen erforderlich sind.
Maschinelles Lernen: Rechenprozesse, die ohne menschliche Programmierung Ergebnisse verbessern können. Maschinelle Lernalgorithmen trainieren einen Computer dafür, millionenfach nach Erfolg zu suchen und Fehler zu vermeiden, um Lernergebnisse hervorzubringen. Die Bilderkennung analysiert zum Beispiel Millionen von Bildern, um zwischen verschiedenen Objekten in einem digitalen Bild zu unterscheiden. Siehe auch: Lerndaten.
Industrielle Bildverarbeitung: Regelbasierte Algorithmen, die bestimmte Merkmale eines Objekts erkennen. Bildverarbeitungstechnologien nutzen Daten von optischen Scannern und Digitalkameras, um Teile auf Produktionslinien zu prüfen und Barcodes in Verteilzentren zu scannen. Obwohl Vision-Tools viel schneller als das menschliche Auge arbeiten, kann Deep Learning die Genauigkeit und Effektivität dieser Tools deutlich verbessern.
Neuronale Netzwerke: Algorithmen und Datenknoten, die von Nervenbahnen des menschlichen Nervensystems inspiriert sind. Ein neuronales Netzwerk ahmt nach, wie Nervenzellen Informationen empfangen, sie verarbeiten und an andere Nerven weiterleiten. Tausende Rechenknoten in einem neuronalen Netzwerk finden Muster in Daten wie Bildern, Text und gesprochenen Worten. Diese Muster helfen dem Algorithmus bei der Entscheidung, was als nächstes zu tun ist und sich selbst beizubringen, mit jeder erfolgreichen Aufgabe besser zu werden.
Optische Zeichenerkennung (OCR): Umwandlung von gedruckten Zahlen, Buchstaben und Zeichen in sinnvolle digitale Daten. Obwohl die OCR-Technologie schon Jahrzehnte alt ist, kommt ihr in der Fabrikautomation und im Produktvertrieb immer noch eine wesentliche Bedeutung zu. Darüber hinaus sorgen KI-Technologien für einen Quantensprung bei der OCR-Genauigkeit, indem sie das Scannen von verbogenen, zerrissenen, beschädigten und durch Plastikfolien verdeckten Etiketten ermöglichen.
Robotergesteuerte Prozessautomatisierung (Robotic process automation, RPA): Geräte, Software und Prozesse, die Produktionsprozesse automatisieren und dadurch die Produktivität verbessern und Menschen von mühsamen, wiederkehrenden Aufgaben befreien. RPA-Geräte umfassen Roboterarme, die Aufgaben wie das Schweißen von Automobilteilen oder die Montage von Mikroprozessoren erledigen. Die RPA-Software kann Algorithmen und Anwendungen umfassen, die Prozesse automatisieren, die zuvor menschliche Eingaben erforderten.
Strukturierte vs. unstrukturierte Daten: Bestimmte Frameworks, die Maschinen helfen, die Bedeutung von Daten zu verstehen und sie richtig zu verarbeiten. Strukturierte Daten werden in konsistenten Formaten gespeichert, ähnlich den Zeilen, Spalten und Zellen einer Tabellenkalkulation. Unstrukturierte Daten sind wie der Text in einer Textverarbeitungsdatei oder Pixel in einem Video. KI-Algorithmen ermöglichen Fabrikautomationssystemen die Extraktion von Wissen aus beiden Datenarten.
Schwarmintelligenz: Eine Sammlung von Algorithmen, die zusammenarbeiten, um Informationen hervorzubringen, welche die Fähigkeit des Einzelnen im Schwarm übersteigt. Das dem Verhalten von Bienen, Fischen, Vögeln und anderen sozialen Organismen nachempfundene Schwarmintelligenzsystem weist einzelnen maschinellen Lernalgorithmen bestimmte einfache Aufgaben zu. Wenn diesen Algorithmen die Zusammenarbeit ermöglicht wird, können sie weitaus ausgefeiltere Lernergebnisse hervorbringen als ein einzelner Algorithmus. Siehe auch: neuronale Netzwerke.
Lerndaten: Digitale Informationen, die das Lernen in einem KI-Algorithmus fördern. Auf Deep Learning und neuronalen Netzwerken basierende Algorithmen müssen den Unterschied zwischen guten und schlechten Daten kennen. Anhand von Lerndaten finden sie dies heraus. In einem automatisierten Werk liefern zum Beispiel digitale Bilder Lerndaten, mit deren Hilfe Algorithmen lernen, fehlerhafte Maschinenteile zu erkennen und sie von Endprodukten fernzuhalten.
Erfahren Sie in unserem kostenlosen VisionPro Deep Learning Datenblatt, wie Sie KI- und Deep-Learning-Prüftechnologien nutzen.
