Wie Daten helfen können, das Leben zu verbessern
Lektion 4
Die lernende Fabrik
Judith: Ein Punkt wäre auf jeden Fall noch interessant für deine Präsentation, Lisa: Das Spannendste ist gar nicht, dass alles fast vollautomatisch abläuft, und auch nicht, dass ständig Daten generiert und ausgetauscht werden, ...
Lisa: Nein? Was denn?
Judith: Wirklich interessant ist, wie die Fabrik selbst die Daten nutzt.
Lisa: Wie meinst du das?
Judith: Die Fabrik lernt aus den Daten, die sie selbst erzeugt.
Lisa: Aha… Und was heißt das?
Judith: Hm, wie kann ich dir das am besten erklären?
… Also, Autos werden ja inzwischen schon mit vielen Assistenzsystemen ausgestattet, die beim Fahren manche Funktionen für den Menschen übernehmen.
Lisa: Ja klar, und diese Assistenzsysteme arbeiten auch mit Daten ...
Judith: Genau. Die Autos erzeugen beim Fahren Daten und verwenden diese dann gleich wieder, um daraus zu lernen. So werden sie immer besser darin, mit Menschen zu interagieren. Und ähnlich funktioniert das hier in der Fabrik mit den Maschinen auch - nur zuverlässiger.
Lisa: Wieso zuverlässiger?
Judith: Straßenverkehr ist per se chaotisch, in der Produktion läuft dagegen alles sehr geregelt ab: Hier passen sich nicht nur die Maschinen den Menschen an - oder versuchen es zumindest, so wie beim autonomen Fahren - hier passen sich auch die Menschen den Maschinen an.
Lisa: Okay, beim Auto verstehe ich einigermaßen, wie das funktioniert. Aber hier in der Fabrik ...?
Judith: Na, schau dir zum Beispiel mal diesen Roboter an ...
Lisa: Der sortiert Bauteile.
Judith: Genau. Das hat er sich selbst beigebracht, ohne dass ihn jemand speziell dafür programmiert hat. Am Anfang konnte er gar nichts. Aber durch ständiges Ausprobieren hat er es gelernt.
Lisa: Okay … Langsam versteh ich, was du meinst.
Datenmagie
Es heißt häufig, Daten seien das neue Öl. Das ist sehr vereinfacht ausgedrückt. Daten können als Ressource verwendet werden, um Prozesse zu optimieren. Aber sie können viel mehr sein als nur ein Rohstoff, der gewonnen und verbraucht wird.
Daten verbrauchen sich nicht, ihr Wert entsteht erst durch die Nutzung und die schon fast magisch anmutende Verwendbarkeit in vielen unterschiedlichen Kontexten. Manche Expert*innen verwenden daher lieber das Bild der Daten-Alchemie.
Stell dir einen Roboter vor, der in einem Lager Bauteile sortiert. Nach einer ersten Trainingsphase beginnt er, unablässig aus den Daten, die er selbst beim Arbeiten produziert, zu lernen: Nach welcher Logik fährt man am besten die einzelnen Bereiche im Lager an? Wie legt man einzelne Bauteile, die oft zusammen angefragt werden, am besten ab? Wie interagiert man am besten mit den Menschen, die im Lager unterwegs sind?
Mithilfe der selbst erhobenen Daten lernt der Roboter, immer besser zu werden. Dies ist ein Anwendungsbeispiel für maschinelles Lernen.
Exercise:
Systeme lernen aus Daten, die sie selbst oder die mit ihnen interagierenden Menschen erzeugen.
3 Fragen an...
Dr. Matthias Peissner
Selbstlernende Maschinen werden in der Industrie immer wichtiger. Wie können sie Menschen bei der Arbeit unterstützen? Wie lernen die Maschinen vom und mit dem Menschen? Und was erfordert die Zusammenarbeit mit solchen Maschinen?
Mit diesen Fragen zum Zusammenspiel von Menschen und intelligenter Technik beschäftigt sich Matthias Peissner in unserem Interview.
Dr. Matthias Peissner ist Leiter des Forschungsbereichs Mensch-Technik-Interaktion am Fraunhofer-Institut für Arbeitswirtschaft und Organisation in Stuttgart und Mitglied der Plattform Lernende Systeme, einem Expert*innen-Netzwerk für Künstliche Intelligenz.
Kollege Roboter
Lisa ist von einem Roboter besonders angetan, der direkt mit den Mitarbeiter*innen zusammenarbeitet, ganz anders als viele andere Geräte, die sie in der Halle sieht und die hinter Absperrungen stehen.
Sie erfährt, dass er zu einer neuen Generation von Robotern gehört, den sogenannten kollaborativen Robotern (engl. Collaborative Robots, kurz Cobots). Mit ihnen dürfen Menschen direkt zusammenarbeiten, ohne Schutzzaun. Diese Roboter übernehmen für sie zum Beispiel monotone, sensible oder gefährliche Aufgaben.
Moderne Bildverarbeitung und Sensorik lassen Roboter immer besser „sehen“ und „fühlen“. So sind Roboterarme bereits in der Lage, aus einem Stapel die richtigen Kleinteile zu greifen und etwa auf einem Fließband geordnet abzulegen. Dazu werden KI-Programme benötigt, mit denen sich die Roboter selbst programmieren.
Das funktioniert so: Programmierer*innen zerlegen die Aktionen, die normalerweise Menschen ausüben, in kleine, übersichtliche Arbeitsschritte. Zum Beispiel: Bewege dich, bis du Widerstand spürst. Oder: Wenn das Objekt eine bestimmte Form hat, greife zu, ansonsten stoppe.
Welche Variante der Roboter wählt, hängt von den Daten ab, die seine Sensoren messen. Dies wird zunächst in einer Computersimulation getestet. Hierbei lernt eine Software die optimale Abfolge je nach Aufgabe des Roboters und schreibt den Algorithmus dazu selbst, ohne dass der Mensch noch eingreifen müsste.
Exercise:
Teste dein Wissen! Ergänze die folgenden Schritte zur Programmierung eines kollaborativen Roboters:
Daten für alle
Menschen können Daten nutzen, um Maschinen lernen zu lassen. Neue Erkenntnisse aus Daten lassen sich zudem auch gewinnen, indem man Daten mehrfach nutzt, so wie es einige große Unternehmen bereits tun.
Stell dir eine Firma vor, die riesige sogenannte Serverfarmen betreibt. Serverfarmen benötigen eine enorme Anzahl an Festplatten, auf denen Daten gespeichert werden. Falls eine Festplatte nicht mehr richtig funktioniert, melden Sensoren die Störung. Neben der Störungsmeldung bekommt man so auch Erfahrungswerte zur Lebensdauer dieses Festplattentyps.
Wenn die Firma nun nicht nur Serverfarmen betreibt, sondern auch Festplatten herstellt, hat sie einen Vorteil gegenüber der Konkurrenz.
.jpg){kind=link}
Wenn solche Daten, die in Unternehmen anfallen, allgemein verfügbar wären (im Augenblick sind sie das nicht, denn Unternehmen hüten sie wie einen Schatz), dann wäre die Daten-Nachnutzung in viel größerem Maßstab denkbar.
Die Idee ist: Fließen Daten durch offenen Zugang freier, verstärkt sich der Anreiz, diese Daten zu nutzen und innovative Einsichten zu gewinnen. In diesem Kontext spricht man von „Open Data“.
Exercise:
Was meinst du, welche neuen Erkenntnisse lassen sich schon heute aus der Nachnutzung welcher Daten gewinnen? Wähle aus: