FAQ - Begriffe

Künstliche Intelligenz (KI), englisch: Artificial Intelligence (AI), bezieht sich auf den Versuch die menschliche Intelligenz nachzubilden.
Anders gesagt, soll ein computerbasiertes System, mit vorhandenen Informationen bzw. Eingabedaten Erkenntnisse gewinnen oder diese automatisch erkennen, sortieren und im Anschluss Entscheidungen treffen.

Machine Learning (ML) ist der Lernprozess der KI, zu deutsch: maschinelles Lernen. Gemeinsam mit der gestiegenen Rechenleistung in den letzten Jahren, bietet es die Grundlage für die Fortschritte im Bereich der Künstlichen Intelligenz.
KI-Modelle lernen aufgrund von ML selbstständig über mathematische Grundlagen und Modelle die den jeweiligen Modellen individuell vorgegeben werden.

Es gibt verschiedene ML-Lernansätze, um Daten zu durchdringen:

• Überwachtes Lernen (engl.: supervised learning): Dem Modell wird die Lösung bereits anhand von Beispielen vorgegeben, bspw. werden auf Bildern konkret die relevanten Bereiche markiert und Kategorien zugeordnet. Das Modell lernt anhand dieser Vorgabe die verschiedenen Ausprägungsformen und kann diese auch auf andere Daten übertragen.
• Unüberwachtes Lernen (engl.: unsupervised learning): Im Gegensatz zu vorigem Ansatz, werden beim unüberwachten Lernen Daten ohne vorherige Kennzeichnung in ein Modell gegeben, dieses sucht eigenständig nach Mustern und Strukturen in den Daten und gruppiert ähnliche Datenpunkte.
• Verstärkendes Lernen (engl.: reinforcement learning): Das verstärkende Lernen zeichnet sich durch ein Belohnungs- und Bestrafungssystem von Entscheidungen aus, im Endeffekt werden Gewichtungen vergeben und beschwert oder zurückgenommen. Eine Belohnung ist hier gleichzusetzen mit der richtigen Entscheidung und führt somit zu einer Verstärkung und höheren Gewichtung der Merkmale die zu der „Belohnung“ geführt haben.

Deep Learning ist ein Teilbereich von KI und somit auch von ML. Dieser zeichnet sich insbesondere dadurch aus, dass künstliche, neuronale Netze erzeugt werden die viele verborgene Schichten besitzen. Diese lernen aus großen Datenmengen wie bspw. Bildern oder Texten Merkmale und ordnen sie über eine hierarchische Struktur ein. Somit können sie komplexe Aufgaben wie Objekterkennung, Sprachübersetzung oder Vorhersagen mit hoher Genauigkeit lösen.
Deep Learning kann die zuvor beschriebenen ML-Ansätze verfolgen und diese je nach Anforderung und Anwendungsfall sogar kombinieren.

Grundsätzlich ist es eine leistungsstarke Weiterentwicklung des ML und ermöglicht uns neue Anwendungsfälle schneller und effizienter zu erarbeiten. 

Ein KI Modell ist das anhand von Daten trainierte Ergebnis eines zuvor festgelegten und angepassten Algorithmus oder der Kombination mehrerer. Letztendlich ist es ein Programm, also eine Software, das in der Lage ist eigenständige Entscheidungen zu treffen. 

Grundsätzlich ist ein Algorithmus nichts anderes als ein schrittweises Vorgehen bzw. deren Anleitung zur Lösung einer Aufgabe. Bekannter sind sie aus der Informatik oder der Mathematik oder auch durch verschiedene Portale im Internet wie Google, LinkedIn oder auch Facebook. Sie bestimmen maßgeblich wer mehr oder weniger sichtbar ist.

Erst die Kombination aus Daten, Algorithmus und Training führt zu einem verwendbaren Softwareprogramm, das eigenständig Entscheidungen treffen kann.  

Insbesondere im Zusammenhang mit KI wird oftmals auf die Robustheit eines Modells verwiesen. Dies beschreibt die Zuverlässigkeit und Fehleranfälligkeit eines trainierten KI-Modells.
Die Robustheit ist vor allem in sicherheitskritischen Bereichen enorm wichtig, um korrekte Entscheidungen oder Vorhersagen im Verkehr oder der Medizin sicherstellen zu können. 

Es gibt verschiedene Methoden die entsprechende Robustheit über Tests zu validieren, ein wichtiger Aspekt hierbei ist die Anpassungsfähigkeit an sich ändernde Gegebenheiten. 

Die Erfassung und nachgelagerte Analyse von Bilddaten ist ein essenzieller Bestandteil von  Automatiserungen in Industrie und Logistik.
Der Einsatz von KI vereinfacht die allgemeine Anwendung, die Erkennungsqualität und führt somit zu einer Reduktion des Pseudoausschuss. Außerdem sorgt KI dafür, dass Anpassungen schneller und unkomplizierter vorgenommen werden können als in der traditionellen Bildverarbeitung, dies ermöglicht weitere Vorteile wie Flexibilität, schnellere Reaktionszeiten, geringere Zykluszeiten, leichtere Einbindung neuer/weiterer Produkte. 

Bildverarbeitung oder auch Computer/Machine Vision genannt ist bereits in den 60-er Jahren aufgekommen, wurde jedoch erst 15 Jahre später für den Einsatz in der Industrie in Betracht gezogen. 

KI ermöglicht endlich eine Weiterentwicklung von einer regelbasierten Anwendung zu einem dynamischen Modell. Dies senkt Kosten, Aufwand, sowie die Abhängigkeit von individuellen Entwicklern, da die Systeme bzw. Anpassungsschritte einer universelleren Logik als zuvor folgen. 

Mithilfe von Bildverarbeitungsverfahren werden bereits seit längerem in der Produktion und Industrie automatisierte Verfahren angewendet um eine standardisierte, optische Prüfung von Produkten vornehmen zu können.

Dabei gibt es verschiedene Möglichkeiten die Anwendung finden. Der Einsatz von künstlicher Intelligenz ermöglicht dabei neue, flexiblere und schlankere Anwendungsmöglichkeiten.

Eine Variante der AOI ist die automatisierte Prüfung per Röntgenstrahlungen (X-Rays), die Informationen über innere Strukturen, wie bspw. Kontakte, Anschlussdrähte oder Lötstellen liefern. 

Die zerstörungsfreie Prüfung (engl.: non-destruction testing/inspection, NDT/NDI) wird insbesondere zur Materialprüfung verwendet ohne dabei das Produkt oder Material, wie der Name bereits sagt, zu zerstören. Hier werden verschiedene Verfahren für unterschiedliche Produkte angewendet, um eine umfangreiche Prüfung sicherzustellen.