skip to Main Content

Künstliche Intelligenz in der Automobilindustrie

Künstliche Intelligenz In Der Automobilindustrie

Im Rahmen der digitalen Transformation begegnen uns immer wieder Begriffe, wie Machine und Deep Learning sowie Künstliche Intelligenz. Aber können Sie diese Trends voneinander abgrenzen? Und welche dieser Technologien ist für Ihre Produktion die richtige? Matthias Schindler hat uns über die Ideen hinter den Begriffen aufgeklärt. Er gibt außerdem einen spannenden Einblick, wie KI bereits bei BMW genutzt wird und welche Schritte für die Automobilindustrie die nächsten sein sollten.

Matthias Schindler ist Product Owner für Künstliche Intelligenz in der Produktion und Clusterverantwortlicher für die Virtuelle Planung & Inbetriebnahme in der Abteilung Innovationen, Digitalisierung und Smart Data Analytics im Produktionssystem der BMW Group in München.

KI, Deep Learning und Co.

Künstliche Intelligenz ist ein weitreichender Begriff. Was ist Ihrer Meinung nach die Abgrenzung zu Deep Learning und Machine Learning?

Künstliche IntelligenzKünstliche Intelligenz ist ein Begriff aus der Informatik. Methoden der Künstlichen Intelligenz haben zum Ziel, dass Maschinen für bestimmte Aufgaben ein menschenähnliches Verhalten erlernen. Künstliche Intelligenz (KI) ist dabei der Oberbegriff für informationstechnische Verfahren wie Maschinelles Lernen oder Deep Learning. Im Kern steht die Idee, dass eine Maschine auf Grundlage eines bekannten Datensatzes Muster oder Verhaltensweisen erlernt, sodass diese Muster im Anschluss für ähnlich geartete, aber neue Aufgaben angewandt werden können. „Deep Learning“ bezeichnet spezielle Methoden, die sich auf künstliche neuronale Netze mit einer komplizierten inneren Struktur stützen.

Der aktuelle Erfolg von Künstlicher Intelligenz und Deep Learning ist einerseits bedingt durch vorhandene Datensätze erheblicher Größe, die mit Meta-Informationen versehen wurden. Diese sogenannten Label, also digitale Etiketten, die den Inhalt einer Datei beschreiben, sind elementar für sämtliche überwachte Lernverfahren (Supervised Learning). Andererseits bieten moderne Prozessoren die Rechenleistung, um tiefe neuronale Netze mit entsprechend komplizierter Struktur zu erschaffen.

Robotic und Assistenzsysteme sind die Zukunft

Welche Formen nutzen Sie bereits bei BMW und wie ist die Einsatzmöglichkeit generell im Automobilsektor?

Künstliche Neuronale NetzeIn der Automobilindustrie beschäftigen wir uns intensiv mit persönlichen Assistenten für Fahrzeuge, um die Nutzerinteraktion komfortabel über Sprache zu gestalten. Das entsprechende Forschungsfeld Natural Language Processing (NLP) befasst sich mit der maschinellen Verarbeitung menschlicher Sprache. Für das autonome Fahren ist Künstliche Intelligenz eine Schlüsseltechnologie.
In die Produktion halten autonome Systeme schrittweise Einzug, etwa in Robotik-Anwendungen oder in der Logistik.

Beispiel:

Mittelfristig werden Transportsysteme wie Routenzüge flexibel automatisiert werden. Um administrative Abläufe zu optimieren, kann Prozessautomatisierung (Robotic Process Automation, RPA) repetitive Tätigkeiten für Mitarbeiter erleichtern.

Ich kann vor allem für die Produktion der BMW Group sprechen. Im Cluster Smart Data Analytics setzen wir Datenanalysen vornehmlich zur Optimierung ein. Der Fokus richtet sich dabei auf die Vermeidung von ungeplanten Stillständen durch Anlagenausfälle und auf die Reduktion von Nacharbeit. Dazu setzen wir auf verschiedenste Methoden der Datenanalyse. Erste Effekte erzielen wir mittels relativ simpler Visualisierungen: Die flexible und dynamische Darstellung von Daten aus Produktions-IT-Systemen ermöglicht es Prozessspezialisten heute, Trends frühzeitig zu erkennen, Fehlerquellen zügig aufzuspüren und deren Ursachen zu beseitigen.

Data Analytics wird so für alle Mitarbeiter, auch für diejenigen ohne explizite IT-Expertise, verständlich.

Matthias Schindler | Product Owner für Künstliche Intelligenz | BMW Group

 

Produktionsmitarbeiter fordern zunehmend Lösungen, die sie intuitiv bedienen und im Self Service gestalten können.

Digitale FabrikZur Optimierung der Instandhaltungsstrategie wenden wir sowohl statistische Methoden als auch Verfahren des Maschinellen Lernens an, um Muster zu erkennen, die beispielsweise auf Verschleiß oder einen drohenden Ausfall hinweisen. Wir konzentrieren uns dabei auf Komponenten, deren Ausfall sich besonders deutlich auf das Produktionssystem auswirken würde.

Der Einsatz von Deep Learning und neuronalen Netzen

Darüber hinaus setzen wir auf Advanced Methoden wie Deep Learning.

Ein Beispiel:

Deep Learning nutzen wir zur Verkürzung der Qualitäts-Regelkreise. Ziel ist es, Qualitätsüberprüfungen direkt in den Montageprozess zu integrieren. Daher setzen wir leichtgewichtige Kameratechnik und tiefe neuronale Netze ein, welche die Auswertung von Bildern übernehmen. Die Bildauswertung darf nicht durch Schwankungen bei  Beleuchtung, Fokussierung, Fahrzeugpositionierung, Fahrzeugfarbe beeinträchtigt werden, um nur einige mögliche Einflussfaktoren zu nennen. Daher erzeugen wir über kontrollierte Lernverfahren ein neuronales Netz, welches die Auswertung mit hoher Präzision leistet. Die Grundlage dafür stellt ein großer Trainingsdatensatz aus gelabelten Fotos dar.

Digitalisierung im Bereich Automobilindustrie

Welche Schritte sind jetzt die nächsten für die deutsche Automobilindustrie?

Die wichtigsten nächsten Schritte in der Produktion lauten stabilisieren und integrieren. Neuronale Netze sind nicht-deterministische IT-Komponenten. Das heißt, die Ausführung desselben neuronalen Netzes auf denselben Daten führt nicht zwangsläufig zu einem Ergebnis mit 100 Prozent Übereinstimmung. Stabilisieren bedeutet, dass Testprozeduren zur Abnahme solcher Netze entworfen werden müssen. Um die Qualität von neuronalen Netzen beurteilen zu können, benötigen wir informationstechnische Kennzahlen. Außerdem müssen wir Kriterien für den Test vor einem operativen Einsatz in der Produktion entwickeln und mit den entsprechenden Qualitätsexperten abstimmen. Der Aspekt der Systemintegration betrifft die robuste Anbindung informationstechnischer Bestandssysteme in der Produktion. So leisten neuronale Netze die Auswertung von unstrukturierten Daten wie Bildern. Der Soll-Ist-Vergleich muss allerdings auf Grundlage der Fahrzeugkonfiguration des jeweiligen Kunden erfolgen – wir haben einen sehr hohen Anteil individuell konfigurierter Fahrzeuge. In gleicher Logik sind etwaige Triggerpunkte zur Aufnahme eines Fotos oder die Anbindung von Qualitätssystemen zu gestalten, welche die Überprüfung protokollieren.

Wo geht die Reise hin?

Wir sehen weiteres Potenzial für den Einsatz Künstlicher Intelligenz zur Auswertung von Fotos. Innovative Analytics-Anwendungen werden uns eine noch punktgenauere Instandhaltung und weiteren Qualitätsgewinn bringen – denn wir wollen sie noch stärker in die Breite bringen, an allen Standorten und in allen Fertigungsbereichen.

Die deutsche Automobilindustrie im internationalen Vergleich

Im internationalen Vergleich hört man oft, dass Deutschland in diesem Bereich den USA und China hinterherhinkt. Wie sehen Sie das: Sind wir gut aufgestellt?

digitale zukunftRichtig ist, dass die Hardware und die leistungsfähigen Software-Frameworks, die wir momentan schwerpunktmäßig einsetzen, aus den USA kommen. Viele Startups entstehen in China und in den Vereinigten Staaten. Allerdings zeichnen sich unsere Mitarbeiter durch fundiertes Anwendungs-Fachwissen aus, gerade in Deutschland. Besonders wichtig ist die Expertise in der Integration neuer Anwendungen. Der Erfahrungsschatz unserer Qualitäts- und Prozessspezialisten ist hier nicht hoch genug einzuschätzen.

Woran hapert es in Deutschland aktuell noch?

Wir würden uns mehr Startups mit Produktionsbezug wünschen. Gerade für indirekte oder vorgelagerte Bereiche wie die Planung gibt es noch zu wenige KI-Lösungen.

Production Systems: KI, Deep Learning und Co. in der Praxis

Hören Sie den Vortrag von Matthias Schindler bei der Konferenz Production Systems 2019 in Stuttgart und lernen Sie aus erster Hand, welche Einsatzgebiete für Künstliche Intelligenz in der Produktion existieren. Es erwarten Sie viele weitere spannende Vorträge u. a. von thyssenkrupp Academy, Festo AG und Boehringer Ingelheim microParts GmbH.
Rückblick Production Systems 2019

Rückblick Production Systems 2019

Kommen Sie mit uns auf eine spannende Reise mit dem Rückblick zur Konferenz Production Systems 2019 und blicken Sie hinter die Kulissen von Vorreiter-Unternehmen, die den Sprung in die Moderne zu Industrie 4.0 bereits erfolgreich gemeistert haben.
Jetzt herunterladen!

Claudia Blum

Bei Management Circle bin ich für die Personal-, Produktions- und Soft Skills-Themen zuständig. Ich betreue außerdem den Blog zu den Iran-Veranstaltungen. In diesen Portalen informiere ich Sie stets über alle Trends und Entwicklungen. Ich freue mich auf Ihre Anregungen und einen guten Wissensaustausch.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Back To Top

Künstliche Intelligenz: Mythen, Daten & Fakten

Welche KI-Mythen sind wahr? Lernen Sie beim Lesen oder Filmeschauen die neusten Debatten zur Künstlichen Intelligenz kennen und erweitern Sie Ihren Horizont!

Jetzt mehr erfahren!

Download: KI kann auch unterhaltsam sein!

Rückblick Production Systems 2019: Wie digitale Technologien und KI die Produktion verändern

Kommen Sie mit uns auf eine spannende Reise mit dem Rückblick zur Konferenz Production Systems 2019 und blicken Sie hinter die Kulissen von Vorreiter-Unternehmen, die den Sprung in die Moderne zu Industrie 4.0 bereits erfolgreich gemeistert haben.

Jetzt herunterladen!

Download: Rückblick Production Systems 2019