Machine Learning und Robotik

Die intelligenten Roboter kommen
Machine-Learning macht Künstliche Intelligenzen erst intelligent. Doch zahlreiche deutsche Unternehmen haben das Thema bis dato verschlafen. Sind sie bereit für eine Aufholjagd?
TEXT: Michael Zeller

Roboter und Künstliche Intelligenzen erobern den Alltag. Zuerst in Erscheinung getreten sind sie als charmanter „Personal Robo“ Pepper, der mit Menschen interagiert und sie mit Informationen versorgt. Oder als Schachcomputer Deep Blue, der von IBM entwickelt wurde und in den neunziger Jahren Großmeister Garri Kasparow besiegte. Nach Schach galt das Brettspiel Go aufgrund seiner höheren Komplexität lange Zeit als eine große Herausforderung für eine Künstliche Intelligenz (KI). Das von Google Deepmind entwickelte Programm Alpha Go meisterte auch diese Hürde und konnte seit 2015 mehrere Turniersiege gegen die weltbesten Profispieler verbuchen.

Das größte Potential intelligenter Roboter liegt jedoch in ihrem Einsatz in der Industrie. Bereits heute bewältigen relativ einfach, aber exakt programmierte Roboter zuverlässig einen Großteil der Handgriffe in Produktionsstraßen der Automobilindustrie. Und auch in den OP-Sälen so mancher Krankenhäuser führen sie chirurgische Eingriffe weitaus präziser durch, als ein Arzt das jemals könnte. Damit sie auch wesentlich komplexere Tätigkeiten absolvieren können, müssen sie aber dazulernen. Machine- Learning, also maschinelles Lernen, ebnet den Weg zu Szenarien, in denen Roboter komplexe Aufgaben erledigen – und zwar ohne menschliche Intervention und ohne exakt vordefinierte Bewegungsabläufe. Machine- Learning-Algorithmen und -Modelle bilden die Basis für die „Intelligenz“ in KI. Sie können mit Hilfe von gesammelten Daten komplexe Zusammenhänge erlernen, etwa um aus Sensordaten den Ausfall einer industriellen Anlage vorherzuberechnen. Experten erwarten, dass sich Unternehmen, die auf Daten- und KI-getriebene Technologien setzen, Wettbewerbsvorteile verschaffen können. Zudem dürften auch agile Start-ups den etablierten Unternehmen aller Branchen ihre Position streitig machen.

Machine-Learning-Algorithmen bilden die Grundlage für adaptives oder autonomes Verhalten. Sie werden künftig Industrieroboter befähigen, Aufgaben zu erlernen und dann selbständig auszuführen. Bereits heute kommen sie in zahlreichen Szenarien zum Einsatz. Das Ziel: die Produktivität zu steigern oder die Flexibilität der Anwendungsmöglichkeiten zu erhöhen. Mit intelligenten, adaptiven Algorithmen lassen sich beispielsweise Fertigungsprozesse optimieren. Unternehmen können dank Predictive Maintenance – der intelligenten Auswertung von Sensordaten – präzise vorhersagen, ob, wann und welche Probleme bei einer Maschine auftreten können.

Ein weiteres Beispiel ist die Qualitätskontrolle, bei der Maschinen mit Hilfe von intelligenter Bildverarbeitung sehr komplexe Entscheidungen treffen können, für die in der Vergangenheit immer das Urteilsvermögen eines Menschen gefragt war. Das größte Potential – zumindest in der nahen Zukunft – wird in Fertigungsvorgängen liegen, bei denen Menschen und intelligente Roboter Hand in Hand zusammenarbeiten. Auch das Thema autonomes Fahren ist von KI-Technologie geprägt und ohne Machine-Learning nicht denkbar. Die Entwicklung von Bildverarbeitungssystemen auf der Basis von Deep Learning ist eine fundamentale Voraussetzung für autonome Fahrzeuge. Zu den Vorreitern im Bereich Machine-Learning gehören die Automobilhersteller und ihre Zulieferer sowie etliche Maschinenhersteller – also Unternehmen aus Branchen, deren Innovationskraft die deutsche Wirtschaft seit Jahrzehnten prägt. Dennoch sind sie etwas zögerlich in das Rennen um die KI-Vorherrschaft gestartet. Die USA und China liegen deutlich an der Spitze, gemessen an der Anzahl an Publikationen und Patenten für Machine-Learning.

DER ERSTE SCHRITT IST BEREITS GEMACHT

Die Voraussetzungen für eine Aufholjagd am Standort Deutschland sind allerdings gut, denn die technischen Grundlagen für den erfolgreichen Einsatz von intelligenten, adaptiven Algorithmen können viele Unternehmen relativ einfach schaffen. Die wichtigste Voraussetzung für Machine-Learning sind Daten – und diese werden in allen Unternehmen bereits kontinuierlich generiert. Wer sie sammelt, bei Bedarf durch Sensoren um weitere Informationen ergänzt und analysiert, verfügt über eine solide Basis. Viel schwieriger wird es auf organisatorischer Ebene sein, die nötige Kompetenz für Machine-Learning im Unternehmen aufzubauen und geeignete Experten zu finden.

Schon jetzt übertrifft der weltweite Bedarf an Entwicklern im Umfeld von KI, Machine-Learning und Data-Science das Angebot um ein Vielfaches. Die Nachfrage dürfte weiter steigen, je mehr KI zur Mainstream-Technologie wird. Gleichzeitig sollten die Firmen sich aber der allgegenwärtigen Gefahr durch eigentlich branchenfremde Wettbewerber bewusst sein: Innovative, disruptive IT-Unternehmen fordern in zahlreichen Branchen die etablierten Player heraus und greifen ihre Marktposition an – und das häufig mit großem Erfolg. Es sollte uns zu denken geben, dass einige der aktiven Vorreiter im Bereich autonomes Fahren nicht aus dem Automobilsektor kommen: Wer hätte gedacht, dass Google, Apple, Uber und Baidu innerhalb kürzester Zeit zu ernsten Konkurrenten der traditionellen Fahrzeughersteller werden?

KI hat den Wandel vom reinen Forschungsgegenstand hin zu einer Anwendertechnologie vollzogen und ist praktisch in jeder Branche zu einem zentralen Element der Innovation geworden. Sie wird die Digitale Transformation weiter beschleunigen. Nun müssen Unternehmen in KI investieren und intelligente Technologien und Anwendungen in wirtschaftlichen Mehrwert verwandeln, um sich den entscheidenden Wettbewerbsvorteil zu verschaffen und zukunftsfähig zu bleiben.

MICHAEL ZELLER verantwortet als Senior Vice President AI Strategy & Innovation der Software AG das Thema Künstliche Intelligenz. Zuvor war er CEO und Mitgründer von Zementis, einem führenden Softwareanbieter für Predictive Analytics. Zeller ist Vorstandsmitglied beim Verband Tech San Diego und bei ACM SIGKDD, einer weltweit führenden Organisation für Data-Science.