Künstliche Intelligenz (KI) (englisch Artificial Intelligence / AI) kann definiert werden, als Intelligenz, die ausschließlich von Maschinen beziehungsweise Robotern und Cyber-physischen Systemen ausgeht. Dabei versucht das Forschungsgebiet KI menschliche Wahrnehmung sowie menschliches Handeln zu verstehen, nachzubilden und ‚nachzueifern‘. Geht es nach der Forschung, handelt es sich um Systeme, die sich dem menschlichen Denken annähern, es nachahmen, replizieren, automatisieren oder es gar übertreffen und verbessern.

Arthur Samuel, einer der Pioniere des maschinellen Lernens, definierte 1959 das maschinelle Lernen als eine Art Computerstudium. Er war sich damals sicher, dass Computer über die Fähigkeit verfügen, spezifische Aufgaben zu erlernen, ohne dabei explizit programmiert zu sein. Was damals noch bedingt durch die kaum vorhandene Erfahrung eine Theorie war, ist heute, dank der KI-Teilbereiche maschinelles Lernen (engl. Machine Learning) und tiefgehendes Lernen (engl. Deep Learning), im Wesentlichen fortgeschritten.

 

Das Forschungsgebiet KI konzentriert sich dabei nicht auf eine einzelne, einheitliche Technologie. Vielmehr handelt es sich um zusammenhängende technologische Elemente (Software und Hardware), deren Einsatz sehr vielfältig ist und von der entsprechenden Problemstellung abhängt. Allgemein lässt sich sagen, dass Künstliche Intelligenz aus wahrnehmenden, verarbeitenden und lernenden Elementen besteht.

Anwendung / Einsatzgebiete KI allgemein

Für den praktischen Einsatz in Unternehmen gibt es zahlreiche Beispiele^[1]

• Prüfung und Beurteilung (Musterklassifikation): Kreditwürdigkeitsprüfung, Insolvenzprüfung, Bilderkennung
• Klassenbildung (Clustering): Marktsegmentierung, Data Mining
• Prognose (Prediction): Kursprognosen, Absatzprognosen, Kostenprognosen
• Optimierung: Transportoptimierung (Travelling-Salesman-Problem), Reihenfolgeplanung

KI und der Teilbereich Machine Learning

Wenn man es genau nimmt, hat Machine Learning (ML) im eigentlichen Sinn nichts mit Künstlicher Intelligenz zu tun. Vielmehr setzt ML auf eine Mustererkennung, die von Maschinen beziehungsweise Computern erledigt werden kann. ML ist so die einfachste und auch günstigste Variante, Computern eine Art ‚künstliche‘ Intelligenz zu vermitteln. Auf Basis von großen Datenmengen, sogenannten Trainingsdaten, und Algorithmen werden Trainingsphasen koordiniert, die dazu führen, dass die eingesetzte Software, gepaart mit der Benutzung der verarbeiteten Daten, die Fähigkeit erlangt, sich selbst zu modifizieren beziehungsweise dazuzulernen. Klassische Beispiele für Machine Learning sind etwa die lernenden Algorithmen ‚Naive Bayes’ und ‚Collaborative Filtering‘. Letzteres kennt man von der Onlineplattform Amazon ‚Kunden, die diesen Artikel gekauft haben, kauften auch‘. Naive Bayes dagegen werden innerhalb von Spam-Filtern beim E-Mail-Management eingesetzt. Die eigentliche Intelligenz bei Machine-Learning-Systemen ist die Fähigkeit, sich selbst zu modifizieren – sobald mehr Informationen beziehungsweise Daten zur Verfügung stehen. Stehen einem ML-System qualitativ hochwertige Daten (siehe auch Smart Data) zur Verfügung, kann sogar auf menschliche Intervention verzichtet werden.

KI und der Teilbereich Deep Learning / neuronale Netze

Deep Learning beruht technologisch auf künstlich erzeugten neuronalen Netzen, kurz KNN / englisch artificial neural network, ANN). Die Algorithmen des tiefgreifenden Lernens orientieren sich in den meisten Anwendungsfällen an der Funktionsweise des menschlichen Gehirns. Die KNN-Rechenmodelle beziehungsweise die zum Einsatz kommenden Algorithmen lernen, wie ihr menschliches Vorbild aus der Erfahrung, indem sie individuell die simulierten Neuronenverbindungen passgenau anpassen.

Aufbau eines neuronalen Netzes

Laut dem Cluster für Künstliche Intelligenz (Bremen AI) sind dabei „die Neuronen eines künstlichen neuronalen Netzes schichtweise in sogenannten Layern angeordnet und in der Regel in einer festen Hierarchie miteinander verbunden. Die Neuronen sind zumeist zwischen zwei Layern verbunden (Inter-Neuronlayer-Connection), in selteneren Fällen aber auch innerhalb eines Layers (Intra-Neuronlayer-Connection)“.

 

 

Hinweis der Redaktion: Die Effektivität eines neuronalen Netzes liegt also in seiner Vernetzung. So sind die oben erwähnten Layer oder die einzelnen Schichten mittels einzelner Neuronen miteinander verknüpft – sprich, jedes Neuron der einen Schicht immer mit allen Neuronen der nächsten Schicht. Einzelne Informationen fließen also in die sogenannte Eingabeschicht, die wiederum die Informationen an Zwischenschichten (Hidden Layer) abgibt; am Ende werden die interpretierten Daten über die Ausgabeschicht abgegeben – „dabei ist der Output des einen Neurons der Input des nächsten“. Bezieht ein neuronales Netzwerk neue Daten, dann werden diese Verbindungen verstärkt oder verringert; ebenso kann jede Verbindung in einem neuronalen Netzwerk angepasst werden, indem einem Merkmal eine größere oder kleinere Relevanz zugeschrieben wird.

Künstliche Neuronale Netze weisen grundsätzlich sogenannte Kernkomponenten beziehungsweise Grundbausteine auf, die sich in allen Netzwerktypen wiederfinden^[2].

• Verarbeitungseinheiten (processing elements)
• 
Verbindungen zwischen Verarbeitungseinheiten
• die Netzwerktopologie

Die unten aufgelisteten dynamischen Kernkomponenten beschreiben die Informationsverarbeitung, die innerhalb der KNN stattfindet. Die Verarbeitungsintervalle sind in folgende Phasen aufgeteilt.

• Lernphase
• Verarbeitungsphase

KI: Elemente der Wahrnehmung

Künstliche Intelligenz muss Informationen aufnehmen können, um in der Lage zu sein, die reale Welt zu verstehen beziehungsweise wahrzunehmen. Somit muss KI die Fähigkeit haben, Texte zu verarbeiten, Bilder und Videos zu erfassen, Töne aufzunehmen und ebenso Informationen über Umweltbedingungen, wie beispielsweise Temperatur, Wind und Nässe zu erfassen. In diesem Zusammenhang spielt das Internet der Dinge (Internet of Things/IoT) eine große Rolle, da es hierbei darum geht, heterogene Daten von unzähligen heterogenen Geräten zu sammeln, daraus Schlüsse zu ziehen und zu lernen; eine Aufgabe, die heutzutage auch fortgeschrittene Datenanalysewerkzeuge vor große Herausforderungen stellt. Verkürzt lässt sich sagen, dass IoT aus dem Gesammelten (Informationen und Geräte) besteht, wie diese Dinge verbunden sind, wie Daten gesammelt werden, was man aus den Daten lernen kann und letztendlich, was man daraus schlussfolgernd anders machen kann.
Um die Aufnahme der Informationen zu gewährleisten, benötigen KI-Systeme grundsätzlich Sensoren, die für sie die Außenwelt erfassen (sehen / hören / ‚riechen‘) um nachfolgend bestimmte Handlungen und Aktivitäten auszuüben. Die Sensoren sind beispielsweise in Kameras, Mikrofonen und innerhalb von Robotik-Systemen verbaut.

KI: Elemente der Datenverarbeitung und des Lernens

KI-Systeme erhalten die zu verarbeitenden Informationen in der Regel auf zwei unterschiedliche Wege. Entweder beaufsichtigt der Mensch die sogenannte ‚Benennung‘ der Daten und sorgt manuell dafür, dass der jeweilige Computer diese zur Verfügung gestellt bekommt. Er stellt somit auch die entsprechenden Algorithmen-Regeln auf, um ein spezifisches Ausgabeergebnis zu erzielen, oder es handelt sich um ein unbeaufsichtigtes Lernen. Dabei werden dem System die Datensätze manuell oder automatisiert zugeführt; die Künstliche Intelligenz zieht allerdings, ohne Rückkopplung zum Menschen, selbstständig ihre Schlüsse. In beiden Fällen werden Informationen gesammelt, kombiniert und mit Hilfe von mathematischen Aufgaben wiederholend veredelt. Da das Benennen der Daten sowie das Regelwerk rund um den jeweiligen Algorithmus vom Menschen abhängt, ist dieser arbeitsintensive Prozess auch der kostenintensivste. Es gibt daher heutzutage eine breit aufgestellte Industrie, die ausschließlich Daten für das Training der Computerprogramme benennt.

Beispiel KI

Service-Chatbots

Künstliche Intelligenz soll in Zukunft den Menschen dort ersetzen, wo rechnergestützter Service schneller und qualitativ hochwertiger kundenseitig zum gewünschten Ergebnis führt. Service-Chatbots etwa erleichtern Kunden die Suche nach Informationen und führen einfache Transaktionen über Sprach- oder Chat-Schnittstellen aus. Machine-Learning-Algorithmen scannen eine Vielzahl von Produkten und technischer Dokumentationen und antworten automatisch auf häufige Fragen. Dabei ist zu erwähnen, dass solche Systeme sich ausschließlich auf einfache und grundlegende Fragen konzentrieren. „In Zukunft werden moderne Methoden des Natural Language Processing sowie Frameworks und Plattformen die Chatbot-Entwicklung erleichtern; auch das Erstellen leistungsfähiger Bots wird dann Standard sein“, Rudolf Grötz, Senior Technical Engineer bei Raiffeisen Bank International^[3].

In Zukunft werden Nutzer immer weniger auf Webseiten nach relevanten Informationen suchen, sondern dem Chatbot einfach eine Frage stellen.

Rudolf Grötz – ix Magazin für professionelle Informationstechnik / 06/2018, Seite 50

KI und Logistik/Intralogistik

Die Anwendung künstlicher Intelligenz bietet sich insbesondere im Bereich der Logistik beziehungsweise Intralogistik an und zwar in nahezu allen Bereichen der Supply Chain. Im Logistikbereich eines Unternehmens sowie innerhalb der Logistikkette aller beteiligten Unternehmen fallen täglich Unmengen an Daten an, die sowohl strukturiert als auch unstrukturiert vorliegen; für das Ausschöpfen dieser Informationen ist Künstliche Intelligenz geradezu prädestiniert. So kann KI dabei unterstützen, Methoden und Verhaltensweisen neu zu entwickeln, beispielsweise aus reaktiven Vorgängen proaktive zu generieren; und im Sinne der Planungssicherheit, statt Mutmaßungen und groben Schätzungen, konkrete Voraussagen treffen. Natürlich ist es auch möglich, sich lediglich auf die bestehenden Prozesse zu konzentrieren; manuelle wie auch bereits automatisierte Abläufe lediglich zeitlich zu optimieren. Zudem können Dienstleistungen nicht standardisiert, sondern personalisiert und somit kundenfreundlicher gestaltet werden.

Ein Beispiel zeigt, wie eklatant die Vorteile künstlicher Intelligenz in der Intralogistik sein können: In einem Markt sind wegen manueller Bestellung 7,5 Prozent der Artikel wegen Regallücken nicht verfügbar. Die Fehlerquote sinkt auf fünf Prozent, wenn eine spezielle KI-Software einem menschlichen Disponenten Empfehlungen ausspricht. Wird auf die Möglichkeit menschlicher Korrekturen verzichtet und künstliche Intelligenz führt die Lager- und Logistikaufgaben vollkommen autonom durch, so sinkt die Fehlerquote auf 0,5 Prozent.

Joachim Bengelsdorf / diyonline-Magazin^[4]

Logistische Beispiele: Künstliche Intelligenz

Als erster Einsatzort für eine breitflächig eingesetzte Künstliche Intelligenz gilt die Lagerlogistik. Man spricht auch vom Learning Warehouse. Dort wird bereits heutzutage eine große Menge an Informationen von Algorithmen analysiert.

• • Dem geht voraus, dass die KI mit annähernder Exaktheit bereits in der Lage ist, das Stattfinden bestimmter Ereignisse (via E-Commerce, Multi-Channel, Cross-Channel) vorauszusagen. Indem zum Beispiel Bestellverhalten tiefer analysiert wird, können zuverlässige Aussagen (und somit Maßnahmen) bezüglich zukünftiger Bestellungen/Aufträge getroffen werden, auch um einen schnelleren Versandprozess zu ermöglichen. Wichtig dabei: Innerhalb eines Lagers sind die Prozesse so automatisiert, sodass die jeweiligen Abläufe, egal ob beispielsweise Wareneingang, Einlagerung, Auslagerung/Umlagerung, Kommissionierung, Veredelung und Warenausgang, zeitlich klar definiert sind; eine zuverlässige Aussage auf Basis der Interlogistik ist demnach immer möglich.
  • Ebenfalls gängige Praxis ist das Erkennen von Trendartikeln zu einem bestimmten Zeitpunkt. Die verantwortlichen Mitarbeiter können dann bei Bedarf die Produktbelegung im Lager anpassen um etwa eine Wegeoptimierung während der Kommissionierung zu forcieren; ähnlich dem Prinzip Schnell- und Langsamdreher.
  • Auch anstehende Wartungen oder Verbesserungspotenziale im Materialfluss lassen sich auf diese Weise identifizieren. Dies stellt einen bedeutenden Schritt in Richtung kognitiver Logistik dar. Letztere ist zweifelsohne das große Ziel innerhalb der Supply Chain. Denn mithilfe der dafür nötigen Semantik können Objekte nicht nur maschinenverstehbar in Beziehung gebracht werden; Mitarbeiter und das führende Management können in Echtzeit von einem Pick (beispielsweise Pick-by-MDE) zum Auftrag oder zum ursprünglichen Avis im Wareneingang navigieren, um so relevante Rückschlüsse zu erhalten. Speziell die semantische Analyse von logistischen Prozessen ist ein besonderes Verfahren der Informationsgewinnung, welche grundsätzlich die inhaltliche Interpretation von Kennzahlen erlaubt und dank der Einbeziehung von Domänenwissen (Synonyme, Ähnlichkeiten, Ontologien sowie Taxonomien) exakte Ergebnisse liefert. Für die Zukunft ist es denkbar, dass intelligente Systeme so Entscheidungen auf der Grundlage von ‚Predictive Analytics‘ vollkommen ohne menschliches Eingreifen treffen.
  • Ebenfalls erwähnenswert: Auch die Optimierung der Zusammenarbeit von Menschen und Robotern (Mensch-Maschine-Schnittstelle) ist ein praktikables Einsatzgebiet Künstlicher Intelligenz; und zwar indem Roboter von Menschen lernen. Mittels virtueller Realität und 3D-Modulation kann der Mensch automatisch digitale Informationen generieren, wie etwa spezielle Handbewegungen millimetergenau ablaufen; um einzelne Positionen zu greifen, was wiederum das Greifen von Robotern innerhalb der Kommissionierung (Pick-by-Robot) verbessert.

  Artificial intelligence makes the warehouse of the future more dynamic, more agile, and more responsive. The intelligent networking of machine, process and product information is a quantum leap for process optimization.

  Tim Eick, Head SynQ Competence Center, Swisslog Logistics Automation

  Zusammenfassung Künstliche Intelligenz
  Von der Rundgangsoptimierung, Bestandsverwaltung bis hin zur Batchbildung und den dadurch entstehenden Synergieeffekten bei der Auftragseinlastung; Künstliche Intelligenz und ihre Algorithmen unterstützen schon jetzt den Lagermitarbeiter durch gezielte Prozessoptimierung (siehe auch Leitstand in der Intralogistik). In Zukunft werden sogenannte kognitive Systeme über die Fähigkeit verfügen, zu lernen, Muster zu erkennen und daraus Handlungsempfehlungen abzuleiten – ohne in Abhängigkeit zur menschlichen kognitiven Fähigkeit zu stehen. So können sie die Mitarbeiter im Lager bei Entscheidungen unterstützen oder sie bereits im Vorfeld auf wahrscheinlich eintretende Ereignisse hinweisen.

  Weiterführende Links:

  • Kognitive, vernetzte Produktionssysteme
  • Cyber-physische Systeme in der Logistik
  • Zurück zur Startseite

  Quellen:

  ^[1+2] Stefan Strecker, Künstliche Neuronale Netze – Aufbau und Funktionsweise – Arbeitspapier 10, Universität Mainz

  ^[3] ix Magazin für professionelle Informationstechnik / 06/2018, Seite 50

  ^[4] diyonline.de / AI als Chance für die Intralogistik

  Sie interessieren sich für die Automatisierung, dann lesen Sie auch die Artikel Computer-integrated Manufacturing sowie Smart Factory / die intelligente Fabrik.