Liebe Leserinnen und Leser,

der IKKI-Newsletter im November 2022 resümiert einen Vortrag von Herrn Olenberg und Herrn Dr. Obermeier von der Krones AG, den Sie im Rahmen einer Vorlesung hielten. In unseren Interviewreihen stellt sich Prof. Dr. Neumann vor und Herr Dr. Heining gibt einen Einblick in die KI-Nutzung bei up2parts. Außerdem geht es um KI zur Sortierung: Einerseits von Recycling-Müll, andererseits in Amazon-Lagern.

Ergänzend dazu möchten wir Sie mit einem Save-the-Date auf das nächste EMI-Forum aufmerksam machen: Am Dienstag, den 24. Januar erwarten Sie ab 18 Uhr spannende Vorträge rund um das Thema „Künstliche Intelligenz in der industriellen Produktion” mit Referenten aus Wirtschaft und Wissenschaft, unter anderem mit Dr. Tilman Becker, dem Leiter des Research and Innovation Centre on Advanced Industrial Production (RICAIP) der TU Prag.
Weitere Informationen dazu finden Sie demnächst auf der OTH-Homepage.

Die Newsletter-Themen im Überblick:

  • Rückblick zum Vortrag der Krones AG
  • Interview mit Prof. Dr. Neumann
  • Interview mit Dr. Heining von up2parts
  • One man’s trash is another man’s training data
  • Wie Amazon Robotern das Aufräumen beibringt

Viel Spaß beim Lesen!


Krones-Vortrag zum Einsatz von (wissensbasierter) KI in der Abfüll- und Verpackungstechnologie

Die Krones AG mit Hauptsitz in Neutraubling ist Weltmarktführer im Bereich der Abfüll- und Verpackungstechnologie. Statistisch wurde weltweit jede vierte Flasche von einer Krones-Anlage verarbeitet. Die Stärke im Bereich der Forschung & Entwicklung lässt sich beispielsweise an der hohen Anzahl der Patente ablesen.

Im Rahmen der Vorlesung „Ausgewählte Themen der Künstlichen Intelligenz” im Master-Studiengang "Künstliche Intelligenz" an der Fakultät Elektrotechnik, Medien und Informatik referierten Philipp Olenberg und Dr. Martin Obermeier aus dem Bereich Krones.digital über den Einsatz von Künstlicher Intelligenz bei Krones. Ein eindrucksvoller Anwendungsfall ist die vollautomatische Regelung für Steckblasmaschinen, die Trinkflaschen aus Rohlingen formen. Aufgrund der hohen Anzahl an Prozessparametern ist die händische Steuerung sehr herausfordernd. Krones konnte erfolgreich einen Reinforcement Learning Agenten einsetzen, der an einem Digitalen Zwilling trainiert wurde. Das System „Contiloop AI” überwacht im Betrieb diverse Qualitätsmetriken der Produkte. Die Regelung kompensiert Produktionsstörungen und vermindert so beispielsweise Ausfallzeiten.

Ein besonderer Fokus des Vortrags lag auf der Nutzung von wissensbasierter KI. Diese kann auch als „klassische KI” betrachtet werden, da vor dem Durchbruch des Machine Learnings, das aktuell die Trends beherrscht, wissensbasierte bzw. symbolische KI im Zentrum der Forschung stand. Symbolische KI hat für das Unternehmen den Vorteil, dass beispielsweise die Einhaltung von rechtlichen Vorgaben und Regularien formal bewiesen werden kann. Herr Obermeier präsentierte anhand einer Live-Demo die eingesetzte Technologie des „Answer Set Programming” an bekannten Informatik-Aufgaben wie dem Traveling Salesman-Problem. Schließlich wurden vier Anwendungsbereiche vorgestellt, in denen die Krones AG auf wissensbasierte KI setzt. Diese hat im Vergleich zum Machine Learning auch Vorteile, wenn zwar viel (Domänen-)Wissen vorhanden ist, jedoch wenige Daten, die für ein Modelltraining nötig wären.

Die Firma Krones AG ist auch Mitglied im PartnerCircle der OTH Amberg-Weiden.


Interview mit Prof. Dr. Neumann

Nachstehend finden Sie einen Auszug aus dem Interview mit Herrn Prof. Dr. Christoph P. Neumann. Das ganze Interview finden Sie auf unserer IKKI-Website.


Wie sieht ihr Werdegang aus und wie kamen Sie dazu, mit KI zu arbeiten?

Bereits in meiner Diplomarbeit im Studiengang Informatik, vor 17 Jahren, beschäftigte ich mich mit KI-nahen Fragestellungen, indem ich für die AUDI AG ein System zur heuristischen Optimierung der Verteilung von Hardware- und Software-Komponenten in Fahrzeugen entwarf. Dabei kamen maschinelles Lernen und genetische Programmierung zum Einsatz. [...] Die KI begleitete meine Dissertation sowie meine weiteren Tätigkeiten in der Industrie.


Auf welche Forschungsgebiete sind Sie spezialisiert?

Mein primäres Forschungsfeld ist Big Data Curation. Dabei geht es um KI-gestützte Verfahren um sicherzustellen, dass relevante Daten auch in Zukunft zuverlässig verfügbar sind, für Forschung und zur Wiederverwendung. Denn „Löschen ist leicht. Bewahren ist hart!“

Darüber hinaus habe ich Forschungsinteresse an Green Big Processing, also nach Kosten optimierte Verfahren, zur Sicherstellung von Relevanz und Ökonomie für die Massendatenverarbeitung in der Cloud. Auch die folgenden, derzeit in der internationalen DB-Community populären Forschungsfelder verfolge ich: Massiv-parallele Programmierung von KI-Verfahren; integriertes maschinelles Lernen in Datenbanksystemen; intelligente Algorithmen und agile Datenintegration mit NewSQL- und NoSQL-Systemen; skalierbare Datenarchitekturen in der Cloud auf modernen und sich weiterentwickelnden Hardware-Infrastrukturen.


Was fasziniert Sie an diesen Themen?

Big Data Curation benötigt einen ganzen Blumenstrauß von Kompetenzen, um die Datenrelevanz-Frage mit hoher Konfidenz beantworten zu können. Spannend für mich ist es, wie wir diese Disziplinen verheiraten und wie wir die Hürden für den Einsatz in praktischen Anwendungen senken können. Bei allen Forschungsinteressen und Lehraufgaben treibt mich eine tiefe Liebe und Leidenschaft für die Informatik.


Weiterlesen...

Interview mit Herrn Dr. Heining von up2parts

Im Folgenden finden Sie einen Auszug aus dem Interview mit Herrn Dr. Heining von up2parts. Das ganze Interview finden Sie auf unserer IKKI-Website.


Um welches Unternehmen geht es konkret?

up2parts ist ein junges Softwareunternehmen aus Weiden mit mittlerweile rund 70 Mitarbeiterinnen und Mitarbeitern. Wir entwickeln Softwarelösungen für die Fertigung, speziell die Zerspanung. Wir unterstützen Fertigungsbetriebe in ihrer täglichen Arbeit dabei, ihre Prozesse, beispielsweise in der Kalkulation von Bauteilen, zu automatisieren und implizites Wissen explizit verfügbar zu machen. Unser Endprodukt ist eine webbasierte Servicelösung, bei der KI ein wichtiger Bestandteil ist.


Welche Bedeutung spielt KI dafür?

Insgesamt ist die Bedeutung groß, aber auch stark abhängig von der jeweiligen Teilaufgabe. Nehmen wir eine Beispielapplikation mit der Aufgabenstellung, aus CAD-Modellen automatisiert Arbeitspläne zu generieren. Es muss also vorhergesagt werden, wie der Artikel gefertigt wird. Dieser Prozess besteht aus vielen Teilproblemen, bei denen auch viel Domänenwissen notwendig ist. Die Inputdaten sind dabei zum Teil aber so komplex und unstrukturiert, dass rein modellbasierte Methoden nicht möglich sind. Insgesamt nutzen wir KI aber nur, wo es nötig ist. Machine Learning ist für uns kein Selbstzweck.


Welchen Mehrwert bietet die KI für den Anwender?

Der größte Mehrwert ist, dass wir es schaffen, das persönliche, implizite Fertigungswissen des Anwenders automatisiert explizit bereitzustellen. Die Anwender, die mit den CAD-Modellen arbeiten, sind meistens echte Fertigungsexperten mit dediziertem Fachwissen. Sie müssen beispielsweise das CAD-Modell verstehen, aber auch, wie die Fertigung vor Ort funktioniert. Wir liefern zwar einen gewissen Kern an Funktionen, aber der Kunde arbeitet primär mit seinen eigenen Daten. Das heißt, dass die KI Vorschläge liefert, diese aber auch vom Kunden editiert werden können. [...] So kann das System in Form von Algorithmen und Automatisierung lernen, wie der Anwender arbeitet. [...] Auf diese Weise stellen wir das Wissen, das im Unternehmen nur implizit vorhanden ist, skalierbar bereit.


Weiterlesen...

One man's trash is another man's traninig data

International wird Deutschland gerne als Weltmeister im Mülltrennen belächelt. Ein Titel, auf den man stolz sein könnte, denn erfolgreiches Recycling kann einen wichtigen Beitrag zur Ressourcenschonung leisten (Reduce – Reuse – Recycle). Jedoch liegt die Fehlwurfquote bei der gelben Tonne (dem gelbem Sack) bei etwa 50% – die Häfte davon gehört dort also eigentlich nicht hin.
CircularNet soll dieses Problem mit KI lösen. Entwickelt wurde es von Google, um die Sortierung in den Müllsortieranlagen zu verbessern. Bei dieser Computer Vision Aufgabe gab es mehrere Hürden: fehlende Trainingsdaten, starke Okklusionen (Überlagerungen) und Deformationen sowie die insgesamt hohe Variabilität des Mülls. Google stellte eine Taxonomie auf und klassifiziert die Objekte so nach Formen, Materialien und Plastikarten und sammelte ausreichend Daten. Für jede der drei Kategorien wurde anschließend ein Modell trainiert.

Der Code und die Modelle wurden veröffentlicht und können sogar über TensorflowHub einfach in der Cloud genutzt werden.

Wie Amazon Robotern das Aufräumen beibringt

Die Weihnachtszeit ist schon ganz nah und sicher wird das auch dieses Jahr zu einem erhöhten Arbeitsaufkommen bei Online-Händlern führen. Der bekannteste, Amazon, wird wohl künftig einen der Arbeitsschritte hochgradig automatisieren: das sogenannte Stowing.

Dabei werden die Produkte in ein regalartiges Boxensystem eingelagert. Was für den Menschen recht einfach ist, birgt für Maschinen viele Hindernisse: Eine große und diverse Produktvielfalt, unterschiedliche Eigenschaften wie Zerbrechlichkeit und Gewicht und in diesem Fall auch, dass mehrere Objekte in ein Fach gelegt werden sollen. Das spart viel Platz, erfordert aber auch, zu erkennen, in welchem Fach das aktuelle Produkt noch Platz hat – wenn nötig, indem man andere Objekte darin „manipuliert”, sie also zur Seite schiebt oder dreht.

Die Anforderungen sind so komplex, dass die Ingenieure zunächst davon ausgingen, dass die Aufgabe nicht mit einem Roboterarm erledigt werden kann. Nach einiger Entwicklungszeit hat es aber doch geklappt: Das Produkt wird von einem zangenähnlichen Greifer bestehend aus zwei Miniatur-Fließbändern aufgenommen und vor das richtige Fach gehalten. Wenn nötig werden die anderen Objekte darin zur Seite geschoben und das Produkt dann in das Fach gedrückt.

Machine Learning Modelle erkennen dafür, was sich in dem Fach befindet, wie viel Platz übrig ist, und wie dieser durch die Bewegung vorhandener Objekte optimiert werden kann. Ein positiver Nebeneffekt davon ist, dass erkannt werden kann, wann ein Regal absolut voll ist. Dieses kann dann automatisiert weggefahren und durch ein leeres ersetzt werden.

Den ganzen Bericht inklusive Videos, die das System zeigen, finden Sie in diesem Amazon-Blog-Eintrag.


Vielen Dank für’s Lesen!