Wirtschaftlicher zur bildbasierten KI KI-Qualitätskontrolle mit weniger Trainingsaufwand

Fraunhofer-Forscher zeigen zwei Wege, bildbasierte KI wirtschaftlicher einzuführen: Training nur mit Bildern von Gutteilen und synthetische Trainingsdaten aus CAD-Modellen. Das spart Aufwand für Fehlerbilder und Annotation und ermöglicht schnelle Inferenz.

Künstliche Intelligenz (KI) und Machine Learning (ML) haben die Möglichkeiten zur Qualitätskontrolle und Steigerung der Produktivität in der Produktion verschoben. Doch ihre Einführung geht mit gewissen Anforderungen einher, z.B. der Verfügbarkeit von Trainingsdaten in ausreichendem Umfang und in hinreichender Güte bzw. Aussagekraft. Das erschwert in vielen Fällen die wirtschaftliche Einführung dieser Lösungen, so dass manche Firmen gänzlich darauf verzichten. Jedoch muss die Einführung nicht unangemessen kostenintensiv sein. Dieser Artikel diskutiert die Herausforderungen, speziell für bild- und modellbasierte Aufgaben, und zeigt Lösungen zum wirtschaftlichen Einsatz von ML in der Produktion sowie Anwendungsbeispiele.

KI, ML und die Bedeutung von Trainingsdaten

Künstliche Intelligenz ist ein Obergriff. Darunter fallen die symbolische, logische KI sowie die statistische, sub-symbolische KI. Beide Formen sind bereits mehrere Jahrzehnte alt, wobei die logische KI noch weiter zurückreichende Wurzeln hat. Darunter fallen die klassischen regel- bzw. logikbasierten «Expertensysteme», die z.B. in Prolog oder LISP programmiert wurden. Bekanntes Wissen wurde also in Regeln in Programmcode «übersetzt» über das sie Systeme dann Auswertungen gemacht haben.

Im Gegensatz dazu werden beim Maschinellen Lernen künstliche neuronale Netze trainiert - das Netz «lernt», es entsteht ein KI-Modell. Beim überwachten Lernen werden bekannte Paare von Eingangsinformationen/-mustern und zugehöriger «Aussage» (Klasse), um das Netz zu trainieren. Die Menge dieser Paare wird Trainingsdaten genannt. Bei ähnlichen Eingangsmustern soll das neuronale Netz in der Lage sein, diese der «richtigen» Klasse zuzuordnen bzw. als unbekannt oder – je nach Anwendungsfall – nicht in Ordnung zu erkennen. Ziel des nicht überwachten Lernens ist es, neuronale Netze Mengen von ähnlichen Mustern (Cluster) in hochdimensionalen Räumen erkennen zu lassen.

Zero-Shot-Transfer

KI-gestützter Variantenwechsel: Flexibel ohne Neutraining

Die Notwendigkeit von Trainingsdaten zeigt die Analogie zum Lernen beim Menschen. Als Kinder lernen wir die «Bezeichnungen» von Formen und Farben (Attributen), in dem die Eltern Beispiele zeigen und die «Bezeichnungen» nennen. Ein Beispiel zeigt, eine Mutter, die ihrem Kind einen roten Roboter zeigt. Allein daraus liesse sich nicht lernen zwischen dem «Ding» Roboter und der Farbe Rot zu unterzeichnen. Viele verschiedene Dinge müssen Kindern gezeigt werden, damit sie verstehen das Attribut «Farbe» von der Form zu trennen – bis das Kind es richtig gelernt hat, ist es nötig, zu sagen: «das ist ein roter Ball» oder «das ist ein rotes Auto». Ähnlich verhält es sich mit dem Lernen von Bezeichnungen für Dinge: Kindern müssen viele unterschiedliche Roboter gezeigt werden, um zu lernen, dass all diese Varianten zu der «Klasse» Roboter gehören – auch unterschiedliche Blickwinkel sind nötig, um diese «Ansichten» mit dem Konzept Roboter zu assoziieren und «abzuspeichern». Es sind also unzählige Objekte – oder Bilder davon – nötig, um die Bezeichnungen von Dingen zu lernen. Weitere Beispiele sind nötig, um bspw. zu lernen, ob ein Ding kaputt ist. Überwachtes Lernen ist also learning by example. Im Unterschied dazu lernen Menschen Rechnen, in dem sie «die Rechenregeln» lernen – das entspricht einer symbolischen KI.

(ID:50988750)