RAKI - laufend

Rapide Erklärbare Künstliche Intelligenz für Industrieanlagen

Technologiebereich: (Mathematische) Optimierung & Planung; Machine Learning

RAKI kombiniert verschiedene Ansätze des maschinellen Lernens, um die Analyse großer Mengen an Industriedaten zu verbessern und so die Kosten für die Optimierung von Anlagen mit Hilfe von künstlicher Intelligenz (KI) zu senken. Gleichzeitig stellt RAKI sicher, dass die Lernergebnisse der KI für den Menschen nachvollziehbar (erklärbar) sind.

Herausforderung
Der Maschinen- und Anlagenbau macht einen großen Teil der deutschen Exporte aus, doch der Wettbewerb mit anderen Industrienationen nimmt zu. Um auf diesem Markt bestehen zu können, müssen deutsche Produkte effizienter und effektiver gefertigt werden. Ein vielversprechender Ansatz besteht darin, Industriedaten mit Hilfe von künstlicher Intelligenz auszuwerten, um auf dieser Basis Anlagen und Prozesse zu optimieren. Allerdings fallen sowohl in der Fertigung als auch beim Betrieb von Maschinen enorme Datenmangen an. Klassische Optimierungsverfahren geraten hier schnell an ihre Grenzen – sie dauern zu lange und sind damit unwirtschaftlich.

Umsetzung
Im Projekt wurden zunächst Konzepte und Software-Prototypen entwickelt, damit die Fachleute für die jeweilige Anwendungsdomäne eigenständig tabellarisch strukturierte Daten in aussagekräftige und auswertbare semantische Modelle nach dem Standardformat RDF konvertieren können. Diese semantischen Modelle sind Grundlage für das folgende maschinelle Lernen, wobei RAKI erstmals Induktives logisches Programmieren (ILP) und Reinforcement Learning (RL) kombiniert. ILP bezeichnet ein Verfahren, das besonders gut geeignet ist, um Menschen in den Lernprozess einzubinden und die Ergebnisse in natürliche, für Menschen verständliche Sprache zu übersetzen. Hierzu wurde ein neuartiges Verbalisierungsverfahren entwickelt, das semantische Technologien mit Deep-Learning-Methoden kombiniert. RL funktioniert nach dem Prinzip „Trial-and-Error“, das System lernt selbstständig und wird durch Feedback verstärkt, wodurch sich der Lernprozess beschleunigt. In der Kombination der beiden Ansätze gelingt es, auch extrem große Datenmengen zu analysieren und in kurzer Zeit zu nachvollziehbaren datengestützten Entscheidungen zu kommen. Durch die Fertigstellung eines vorläufigen Software-Prototypen, der die Basisfunktionalitäten der beschriebenen methodischen Ansätze bereitstellt und diese zu einem gebrauchsfähigen Gesamtsystem zusammenführt, konnte die durchgängige Machbarkeit aller Konzepte und Komponenten gezeigt werden.

Anwendung und Nutzen
RAKI beschleunigt die maschinellen Lernprozesse bei der Verarbeitung von großen Mengen an Industriedaten und verspricht damit erhebliche Kostenersparnisse. Die Lösung ist branchenoffen angelegt und ermöglicht damit auch die Entwicklung von Anwendungen und intelligenten Services in anderen Wirtschaftszweigen, zum Beispiel in der Biomedizin, der Energiewirtschaft oder im Gesundheitssektor. Zwei sehr heterogene Anwendungsfälle werden zur Evaluation herangezogen und bearbeitet: Beim „Skill Description Learning/Skill Matching“ geht es darum, die individuelle Funktionalität von komplexen Produktionsanlagen zunächst automatisiert in semantischen Modellen zusammenzufassen und dann für konkrete Prozessabläufe die jeweiligen Anlagenfunktionalitäten zuzuordnen. Im Anwendungsfall „Smart Logistics“ geht es darum, die rechtzeitige Beschaffung von Bauteilen und Materialien für Produktionsprozesse durch ein automatisiertes System sicherzustellen, das Personal entlastet und dabei für dieses stets nachvollziehbar ist.

Konsortium
AI4BD Deutschland GmbH, Universität Paderborn, Siemens AG, Universität Leipzig

Ansprechpartner

Universität Paderborn

Axel Ngonga

01.09.2019-31.08.2022