Wie funktioniert Deep Learning?
Deep Learning muss man sich als großes Netz in mehreren Lagen vorstellen mit vielen Knoten und Verbindungen. Die Anzahl dieser Knoten und Verbindungen entscheidet über die Intelligenz des Systems. Trainiert wird es über Bilder. Ein gutes Beispiel dafür ist eine KI, die auf das Erkennen von Hautkrankheiten trainiert wurde und die inzwischen jeden Hautarzt schlägt – und das bei über 2000 bekannten Hautkrankheiten. Das System kann einfach in unglaublicher Geschwindigkeit Bilder vergleichen und ist über eine Wahrscheinlichkeitsrechnung umso besser in der Trefferquote, je mehr es zum Einsatz kommt und je mehr Fotos von definierten Hautkrankheiten es kennt. Eben weil es bei jedem neuen Bild, das es mit den vorhandenen vergleicht, lernt. Dabei reden wir übrigens von mehr als einer Million Bilder. Solche Systeme funktionieren erstaunlich gut, obwohl wir gar nicht so richtig wissen, wie sie wirklich funktionieren. Die kausale Abhängigkeit wie beim Programmieren gibt man auf. Diese Blackbox ist wohl die Ursache für das Unbehagen bei der Sache.
Das Beispiel der Erkennung von Hautkrankheiten funktioniert natürlich auch in der Produktion, insbesondere wenn es um die Qualitätssicherung geht. Nach dem gleichen logischen Prinzip lassen sich zum Beispiel Schweißnähte erfassen. Je mehr Bilder von korrekten Schweißnähten die KI kennt, umso besser wird sie fehlerhafte Nähte erkennen. Das eröffnet gigantische Möglichkeiten und unsere Aufgabe ist es, das auszubauen.
Heute muss ein Mensch noch regelmäßig auf Windkraftanlagen klettern, um die Beschaffenheit der Rotoren zu begutachten. In Zukunft werden Drohnen Fotos der Rotoren machen und eine KI wird diese Bilder dann auswerten. Q-DAS, ein von mir gegründetes Unternehmen, das seit 2018 zur Hexagon-Gruppe gehört, hat eine noch klassische Software entwickelt, über die Motoren begutachtet werden, ehe sie in die Massenfertigung gehen. Da sie verbindliche im QM-System der Auto-Industrie vorgeschrieben wird, ist jedes Fahrzeug auf der Welt dadurch schon mit uns indirekt in Kontakt gekommen. Die Software wurde inzwischen weiter entwickelt und durch ein neuronales Netz ersetzt, weil das eben noch schneller und effektiver Fehler findet. Durch aufwändige Studien und Vergleiche haben wir festgestellt, dass diese Qualitäts-KI einfach besser ist als unsere traditionelle Q-DAS Software. Jetzt sind wir dabei, das unseren Kunden klar zu machen. Und es müssen natürlich Normen und Dokumente geändert werden und auch die Mitarbeiter, die bisher mit der Software gearbeitet haben, müssen neu trainiert werden. Extrem wichtig ist dabei, Vertrauen zu schaffen, damit sich auch die Kunden auf die KI, also unser neuronales Netzwerk ebenso verlassen wie bisher auf unsere Software.
Wie kommt nun Hexagon ins Spiel?
Hexagon ist ein führender Informationstechnologieanbieter, der durch seine Produkte die Qualität und Produktivität in Unternehmen steigert. Der Technologiekonzern ist ein an der schwedischen Börse notierter strategischer Investor, der 2001 mit dem Kauf von Messmaschinenbauern wie LEITZ, DEA und Brown & Sharpe startete. Hauptanteilseigner ist eine schwedische Familie. Nach und nach kamen Sensorik-Hersteller hinzu und in den letzten Jahren konzentrierte man sich auf den Zukauf von Software-Spezialisten. Man hatte erkannt, welches Potenzial die Digitalisierung und KI haben. Zu Hexagon gehört auch Hexagon Manufacturing Intelligence in Wetzlar. Die bauen die genauesten Messmaschinen der Welt und können selbst komplexe Schneckenradgetriebe vermessen. Hexagon hat bereits große Erfahrung im Erfassen, Analysieren und aktiven Nutzen von Messdaten. Dank des Knowhows von Q-DAS kann man die jetzt in aussagekräftige Informationen verwandeln und schneller und besser erkennen, wo es in einem Produktionsprozess innerhalb der Linie möglicherweise hakt und diesen Fehler dann beheben.
Gehen wir nochmals einen Schritt zurück und denken wir an eine klassische M+E-Produktion. Bohren, Drehen und Fräsen ist das eine. Das andere ist die Beurteilung, wie gut oder schlecht dabei die vorgegebenen Ziele erreicht werden. Und natürlich wird das auch genau dokumentiert. Genau das funktioniert über das reine Erkennen im System und wird in Zeiten von Traceability, also der Rückverfolgbarkeit zur Fehlerbehebung, wie sie beispielweise die Automobilindustrie verlangt, immer wichtiger. Der Komplexitätsgrad ergibt sich aus den vielen möglichen Varianten der Produkte. An genau dieser Komplexität arbeiten wir, durch das Kennenlernen von Produkten und Prozessen, durch das kontinuierliche Hinzunehmen weiterer Daten und Fakten über den Prozess. Kein Mensch will mehr ausschließlich am Ende des Prozesses messen und dann feststellen, wieviel Ausschuss er produziert hat – auch wenn es vielen Fällen noch gar nicht anders geht.
Und wie sorgt Hexagon für mehr Qualität bei gleichzeitiger Kostensenkung?
Wer Qualität will, muss präventiv denken. Wir tasten uns mit unserer Arbeit Schritt für Schritt an die neuralgischen Punkte im Prozess heran. Aktuell läuft beispielsweise ein Forschungsvorhaben, wie man die Anzahl von Stichproben herunterfahren kann, ohne die Aussagekraft der Stichproben zu schwächen. Ich gehe davon aus, dass wir in den nächsten 3 bis 5 Jahren dem Kunden sagen können: Wir bauen Dir ein individuelles Netz auf, und Du sparst Prüfaufkommen.
Bisher laufen Anwendungen von Hexagon noch so: Bauteil rausnehmen aus dem Prozess, vermessen, Messergebnisse auswerten und dann entscheiden, ob alles so bleibt oder im Produktionsprozess nachtariert werden muss. Wir wollen aber noch näher ran, am liebsten mit unseren Maschinen direkt in den Prozess hinein und die Messung inklusive Analyse als direkten Teil des Produktionsprozesses ablaufen lassen. Zum Teil gelingt das sogar schon, aber die Mess-Toleranzen sind dafür noch relativ grob. Wir arbeiten daran, das auch in sehr feinen Toleranzen hinzubekommen. Wir investieren deshalb sehr stark in Software, Robotik und Steuerungstechnologie, um die Messtechnik mehr in die Fertigungslinie hineinzubringen.
Wie schätzen Sie den Plattformwettbewerb ein?
Ohne Plattformen wird es in Zukunft gar nicht mehr gehen. Auch HEAXAGON arbeitet an einer internen Plattform für die Unternehmen innerhalb des Konzerns. In Zeiten von Supply-Chain-Management betrachtet man Lieferketten als Ganzes. Man muss wissen, was wo wie läuft. OEMs werden deshalb in Zukunft noch mehr Einblick in die Prozesse ihrer Zulieferer verlangen und darauf dann auch mehr Einfluss nehmen wollen. Also werden Zulieferer ihre Daten auf gemeinsame Plattformen von OEM und Zulieferer stellen, so dass man auch wechselweise Zugriffe bekommt. Dadurch werden konstantere Partnerschaften entstehen. Ein Einkauf, wie wir ihn bisher kennen und der sich in erster Linie am Preis orientiert, weniger an den technischen Möglichkeiten, wird sich dann allerdings ändern müssen. Denn er muss die Leistung des Zulieferers als Ganzes berücksichtigen. Auch die Anwendung Künstlicher Intelligenz wird gerade im Hinblick auf Supply-Chain-Management immer mehr Bedeutung bekommen. Viel wichtiger als die Plattformen ist m. E im Moment allerdings das Thema Schnittstellen. Alles muss ja zueinander passen. Also müssen wir, Unternehmen und Verbände wie der VDI, gemeinsam Standards für Schnittstellen erarbeiten und definieren. Es ist schon jetzt unglaublich viel möglich – aber wir haben auch noch unglaublich viel zu tun. Hier sind wir in Deutschland ja mit dem DIN-Institut gut unterwegs, müssen diese aber natürlich ausweiten auf KI-Möglichkeiten.
Je komplexer die Dinge werden, umso mehr wird man auch auf Analysen und Simulationen zurückgreifen. Nehmen Sie das Beispiel Autonomes Fahren: Es wird nur funktionieren, wenn ich die Welt beschreibe, in der sich das Auto bewegen soll. Und die muss simuliert werden. Langfristig wird die klassische Messtechnik tendenziell an Bedeutung verlieren und die Simulation immer mehr an Bedeutung gewinnen. Und natürlich kommt hier auch wieder KI und Deep Learning ins Spiel. Noch stehen wir da am Anfang, aber diese Technologie hat ein Riesenpotenzial. Denken Sie an eine virtuelle Produktion mit einem digitalen Zwilling. Dieser Gesamtprozess ist heute unser Credo bei Hexagon und ich denke, dass das in wenigen Jahren schon Realität sein kann. Dank Simulationssoftware können wir schon jetzt ein komplettes Getriebe simulieren, ohne überhaupt ein Getriebe zu bauen. Wir wollen durch Simulation eine komplette Produktion ablaufen lassen und erst wenn in der digitalen Welt alles reibungslos funktioniert, der digitale Zwilling steht, wird produziert. Das ist das Ziel.
Das Unternehmen
Hexagon ist ein schwedischer Konzern und führender Informationstechnologieanbieter, der für mehr Qualität und Produktivität in georäumlichen und industriellen Unternehmensanwendungen sorgt. Die Gruppe beschäftigt weltweit 20.000 Mitarbeiter in 50 Ländern bei einem Nettoumsatz von etwa 3.8 Milliarden Euro. Zur Gruppe gehört unter anderem Hexagon Manufacturing Intelligence in Wetzlar (500 Mitarbeiter), deren Wurzeln auf die ehemalige Leitz Messtechnik zurückgehen. Das Unternehmen fertigt die genauesten Messmaschinen der Welt und hilft dabei, die Messergebnisse für die Optimierung von Produktionsprozessen zu nutzen. Seit vergangenem Jahr gehört Q-DAS, ein führender Anbieter von Software und Dienstleistungen für die Qualitätssicherung in der industriellen Produktion, zu Hexagon Manufacturing Intelligence.
[Dr. Edgar Dietrich, HEXAGON MANUFACTURING INTELLIGENCE] Zur Person
Dr. Edgar Dietrich wurde 1951 in Birkenau im Odenwald geboren. Er ist verheiratet und hat zwei Kinder sowie vier Enkelkinder. Er studierte an der TU Darmstadt Elektrotechnik und promovierte im Fachbereich Maschinenbau. Nach verschiedenen Tätigkeiten in Wirtschaft und Wissenschaft – u.a. hatte er 5 Jahre eine Professur an der Hochschule Mannheim – gründete er 1988 Q-DAS, einen inzwischen führenden Anbieter von Software und Dienstleistungen für die Qualitätssicherung in der industriellen Produktion. Das Unternehmen verkaufte er 2015 an HEXAGON. Dr. Dietrich ist zudem Lehrbeauftragter am Werkzeugmaschinenlabor WZL der RWTH Aachen und Vorsitzender des ISO/TC 69, das weltweit für die Normierung statistischer Begriffe und Verfahren zuständig ist.
