Austausch von Daten zwischen waveware® und maschinell lernenden Systemen. Zum Beispiel zur Prognose künftiger Entwicklungen oder zur Steuerung von Prozessen.
Mit ARTIFICIAL INTELLIGENCE lassen sich Daten zwischen waveware® und maschinell lernenden Systemen austauschen. Die in den KI-Systemen angereicherten Daten lassen sich zum Beispiel zur Prognose künftiger Entwicklungen oder zur Steuerung von Unternehmensprozessen einsetzen.
Im Zeitalter der Digitalisierung und des Internet of Things (IoT) ist ein besonders wertvolles Gut ins Zentrum der Betrachtungen vieler Unternehmen gerückt: Daten. Im privaten Umfeld treiben insbesondere Smarthome, Smartphones, Social Media und vernetzte Fahrzeuge die Entwicklungen voran. In der Unternehmenswelt sorgen vernetzte Sensoren und Maschinen für einen stetig anwachsenden Datenstrom. Dank immer leistungsfähigeren und cloudbasierten IT-Systemen wachsen parallel die Möglichkeiten, die riesigen Datenmengen (Big Data) auszuwerten und weiterzuverarbeiten. Beispielsweise werden Daten dazu verwendet, um künstlich denkende Systeme zu trainieren. Die Technologie des Maschinellen Lernens (ML) ermöglicht der Künstlichen Intelligenz (KI), Muster und Gesetzmäßigkeiten zu erkennen und anschließend das Gelernte auf neue Daten zu transferieren.
Künstliche Intelligenz (engl. Artificial Intelligence) wird häufig als Oberbegriff für sämtliche Technologien verwendet, die sich mit der künstlichen Nachahmung und Weiterentwicklung menschlichen Denkens beschäftigen.
Maschinelles Lernen (engl. Machine Learning) ist ein Teilbereich der KI und befasst sich mit Techniken, die es Maschinen beziehungsweise Systemen ermöglichen, aus Erfahrungen eigenes Wissen zu generieren.
Deep Learning ist ein Teilbereich des Maschinellen Lernens, in welchem Künstliche Neuronale Netze (KNN) eingesetzt werden, um besonders komplexe Konzepte maschinell zu erlernen.
Stark vereinfacht besteht der entscheidende Schritt zur Künstlichen Intelligenz darin, Systemen das Lernen beizubringen, Gelerntes zu bewerten und sich dadurch eigenständig zu verbessern. Künstliche Neuronale Netze bestehen wie ihr natürliches Vorbild aus mehreren Schichten einzelner Neuronen. Jedes Neuron arbeitet ähnlich wie ein Filter, indem es (zufällig gewichtete) Eingangswerte verarbeitet und daraus eine Aktivierungsfunktion ableitet. Hintereinandergeschaltet kann sich das System damit vom Groben ins Feine der Aufgabenstellung vorarbeiten. Das System liefert zunächst Werte mit hohen Abweichungen (Fehler). Die Höhe der Abweichungen wird anschließend berechnet und die Ergebnisse beeinflussen die Einstellung des Systems. Die Werte werden zurückgeleitet und erneut durch die Neuronen gefiltert. Die Abweichungsfehler nehmen ab, das KI-System lernt. Laufen die Trainingsdaten zu oft durch das Neuronale Netz, kann dies dazu führen, dass sich das KI-System zu stark an die bekannten Werte anpasst und diese auswendig kennt. Um dieses sogenannte Overfitting zu verhindern, stören Dropout-Layer das System während der Trainingsphase und schalten zufällig einen großen Teil der Neuronen ab. Diese werden so „stimuliert“, dass sie sich auch auf unbekannte Zustände und Daten einlassen.
Über einen Webservice ermöglicht ein lokaler oder cloudbasierter KI-Server die Verknüpfung lernfähiger Systeme wie beispielsweise das Microsoft Cognitive Toolkit mit der waveware® Plattform. Dies eröffnet eine Vielzahl von Anwendungsszenarien. Künstliche Intelligenz lässt sich zum Beispiel zur Prognose von Entwicklungen mithilfe des waveware® DASHBOARDS nutzen: Daten werden in Form von Listen, Auswertungen, Objekten, Bewegungen etc. in das KI-System übermittelt, wo sie mittels KI-Techniken angereichert und anschließend wieder in waveware® zurückgeführt werden. Ergebnisse werden in Anzeigeelementen (Cockpits) oder auf Wunsch über Alarme und Benachrichtigungen dargestellt. Ferner bietet Künstliche Intelligenz die Unterstützung oder Steuerung von Prozessen: Dank der offenen Softwarearchitektur von waveware® können mithilfe des waveware® DESIGNERS und waveware® CONSTRUCTORS leichtgängig Eingriffe in den Programmablauf vorgenommen werden. Hierdurch lassen sich bestehende Abläufe durch spezielle KI-Methoden sinnvoll erweitern.
Es gibt unterschiedliche Ansätze, sogenannte Frameworks, welche sich mit waveware® koppeln lassen, um maschinell lernende Systeme zu konzipieren, zu trainieren und zu evaluieren. Drei dieser KI-Systeme sind das Microsoft Cognitive Toolkit, Google TensorFlow (2.0) und Keras.
Das Microsoft Cognitive Toolkit (früher CNTK) entstand, um komplexe Problemstellungen bei der Bild- oder Spracherkennung schneller zu lösen. Das Framework lässt sich jedoch für viele weitere Anforderungen nutzen. Als Open-Source-Lizenz frei zugänglich, ermöglicht das KI-System das Konzipieren, Trainieren und Evaluieren von Künstlichen Neuronalen Netzen (KNN). Es ermöglicht dem System das sogenannte Deep Learning, bei welchem sich hochkomplexe Konzepte erlernen lassen, indem sie durch mehrere einfachere Ansätze zusammengesetzt werden.
Googles TensorFlow bildet auf Open-Source-Basis eine umfangreiche Plattform für Maschinelles Lernen. Es ermöglicht die Verteilung von Neuronalen Netzen auf mehreren Systemen. Zudem lassen sich Prozesse hintereinanderschalten. Das Machine-Learning-Framework bekommt 2019 mit TensorFlow 2.0 eine neue Hauptversion. Darin wird unter anderem Keras als zentrale API noch stärker eingebunden. Wie das Framework Cognitive Toolkits von Microsoft ist TensorFlow (2.0) für verschiedenste Anwendungsbereiche vielseitig einsetzbar.
Keras ist ein Teil der TensorFlow Core API, führt seine Python-Bibliothek jedoch eigenständig mit weiteren Schnittstellen zu den KI-Backends Microsoft Cognitive Toolkit und Theano. Keras bietet durch seine einfache und konsistente Struktur einen benutzerfreundlichen Einstieg für den schnellen und experimentellen Einsatz Künstlicher Neuronaler Netze. Die modular erweiterbare Open-Source-Bibliothek ermöglicht die Erstellung und Konfiguration der Künstlichen Neuronalen Netze, ohne sich mit dem dahinterliegenden Backend beschäftigen zu müssen.
In waveware® integrierbare KI-Systeme lassen sich für zahlreiche aktuelle und zukünftige Einsatzgebiete anwenden. Beispielsweise unterstützen sie die automatisierte Verarbeitung wiederkehrender Unternehmensprozesse. Hierzu gehört zum Beispiel das automatisierte Auslesen, Klassifizieren, Priorisieren und die Weiterverarbeitung von unstrukturierten Daten. In Kombination mit der Anwendung DASHBOARD bereitet waveware® die angereicherten Daten auf und stellt diese visuell ansprechend dar. Mit der aufbereiteten Datenbasis lassen sich außerdem Prognosen und Vorhersagen über künftige Entwicklungen errechnen. Nicht zuletzt bietet die Kombination mit der Anwendung ESCALATION die Möglichkeit, ein Eskalationsmanagement zu integrieren. Dies beinhaltet eine automatisierte Benachrichtigungsfunktion, sollten beispielsweise kritische Grenzwerte überschritten werden.
Durch den Einsatz des KI-Pakets profitieren Sie im täglichen Betrieb bei der automatisierten Abarbeitung Ihrer individuellen Prozesse. Mithilfe speziell entwickelter KI-Bausteine ermöglicht die Entwicklungsplattform von waveware® einen tiefgreifenden Eingriff in die Programmlogik der Unternehmenssoftware. So können beispielsweise schwach strukturierte Daten (z.B. in Form von Textmeldungen) automatisiert ausgelesen, klassifiziert, priorisiert und weiterverarbeitet werden. Die hochmoderne Technologie von waveware® ist durch ihre innovative Entwicklungsplattform für viele weitere aktuelle und künftige Einsatzmöglichkeiten von Maschinellem Lernen gerüstet.
ARTIFICIAL INTELLIGENCE (AI) nutzt das Paket DASHBOARD, welches eine zentrale Rolle einnimmt. Mit dem DASHBOARD können waveware® Daten nach individuellen Wünschen verdichtet, visualisiert, historisiert und in Form von Listen und Auswertungen dargestellt werden. Es lassen sich aussagekräftige KPIs (Key Performance Indikatoren) erstellen. In sogenannten Cockpits werden Ergebnisse grafisch dargestellt. In Verbindung mit dem Paket AI lassen sich die mithilfe des DASHBOARD erstellten KPIs als Datenquelle für KI-Systeme nutzen. Dies ist eine innovative Möglichkeit, um die Entwicklung von KPIs beziehungsweise deren zugrundeliegenden Daten zu prognostizieren.
Bei der Verknüpfung von ARTIFICIAL INTELLIGENCE mit der Anwendung ESCALATION stehen weitere hilfreiche Automatismen zum Einsatz bereit. Werden individuell frei definierbare Grenzwerte tatsächlich oder laut Prognose wahrscheinlich überschritten, löst das System automatisierte Nachrichten aus. Damit bleiben Anwender stets auf dem neusten Stand und verpassen dank des Eskalationsmanagements weder Termine noch kritische Entwicklungen. Dabei können alle Grenzwerte und Benachrichtigungen, die automatisiert erfolgen, individuell an die Anforderungen jedes Unternehmens angepasst werden.
Leistungsanalysen und -prognosen von Solarkraftwerken wie zum Beispiel von Photovoltaikanlagen sind sehr komplex, denn die Menge der erzeugten Energie ist von vielen Faktoren (Ausrichtung, Wetterverhältnissen, Infrastruktur, Alterungsprozess etc.) abhängig. Aussagekräftige Prognosedaten ermöglichen bereits in der Planungsphase eine Einschätzung der zu erwartenden Solaranlagen-Leistungsfähigkeit. In der Betriebsphase lassen sich automatisierte Alarme einrichten, die beispielsweise warnen, sobald das System nicht mehr die berechnete Leistung erbringt. In waveware® überführt eine Schnittstelle die Daten in das KI-System. Dieses liefert Prognosedaten an waveware® zurück, welche sich für verschiedene Zwecke nutzen lassen.
In waveware® können nahezu alle Objekte oder Bewegungen als Datenquellen für Maschinelles Lernen genutzt werden, sofern sie im DASHBOARD zur Verfügung stehen. Beispielsweise lassen sich die Objektfelder „Aktuelle Leistung“ oder „Leistung pro Tag“ einer Photovoltaikanlage über einen Zeitraum hinweg auswerten und per Webservice-Schnittstelle in das KI-System übertragen. Die historischen Werte dienen dem Training des KI-Systems.
In Abhängigkeit des gewählten KI-Systems (z.B. Microsoft Cognitive Toolkit, Keras oder TensorFlow) stehen verschiedene Netztopologien zur Verfügung. Für das Beispiel der Photovoltaikanlage lässt sich ein einfaches Künstliches Neuronales Netz (KNN) wählen. Dieses besteht aus drei Schichten, den sogenannten LSTM-Neuronen (Long short-term memory):
In der sogenannten Trainingsphase werden die Messwerte in Trainingsdaten und sogenannte Validierungs- beziehungsweise Testdaten aufgeteilt. Die KI-Software nutzt die Trainingsdaten, um die eigenen Neuronalen Netze zu trainieren und so beispielsweise eine Weiterentwicklung der eingespeisten Daten zu prognostizieren. Nach dem Training des KI-Systems werden die getroffenen Prognosen mit den noch unbekannten Testdaten abgeglichen. Je geringer der Unterschied ausfällt, desto höher ist die Qualität der getroffenen Vorhersagen der KI-Software. Die Ergebnisse des Trainings werden grafisch in mehreren Diagrammen dargestellt.
Nach der Rückübertragung der KI-Prognosewerte können diese wie alle Datensätze in waveware® umfangreich analysiert, ausgewertet und weiterverarbeitet werden. Am Beispiel der Photovoltaikanlage bietet sich die Möglichkeit, einen grafischen Vergleich von Prognose und aktueller Entwicklung anzustellen. Optional können automatisierte Alarme bei Überschreitung der Grenzwerte mit dem Eskalationsmanagement eingerichtet werden.
Zukünftig mögliche Einsatzgebiete für Künstliche Intelligenz und Maschinelles Lernen gibt es unendlich viele. Zunächst werden Szenarien untersucht, die mit dem aktuellen Stand der Technik umsetzbar sind. Zum Beispiel kann KI die sogenannte vorausschauende Wartung (engl. Predictive Maintenance) von Maschinen und Produktionsanlagen unterstützen. Auf diese Weise können Produktionsausfälle minimiert und damit Kosten gesenkt werden. Ticketmanagementsysteme (Helpdesk) profitieren von KI, indem diese die von den Anwendern verfassten Textmeldungen automatisiert klassifizieren und weiterverarbeiten. Beim Building Information Modeling (BIM) bieten sich vielerlei Ansatzpunkte, da in vielen Bereichen sehr große Datenmengen zur Verfügung stehen. Optimierungsmöglichkeiten ergeben sich beispielsweise in der Planung von Varianten, der Klassifizierung von Mängeln und der Kostenprognose.
Wenn Maschinen oder ganze Produktionsstraßen zum Stillstand kommen, verlieren Hersteller oft Millionen. Die vorausschauende Wartung (engl. Predictive Maintenance) besitzt eine gewaltige Bedeutung, wenn dadurch Produktionsausfälle vermieden werden können. Das KI-System kann große Mengen an Maschinendaten (z.B. über Sensorik) analysieren und für das Training der eigenen Algorithmen verwenden. Das Maschinelle Lernen ermöglicht daraufhin Fehlerprognosen und -vorhersagen. Kritische Komponenten können so präventiv gewartet oder ausgetauscht werden, bevor diese ausfallen.
Der Einsatz von Maschinellem Lernen (ML) ermöglicht beispielsweise eine KI-basierte Klassifizierung menschlich erzeugter Meldungen. Diese werden über eine Ticketmaske oder als unstrukturierte E-Mail ins System gespeist und weisen ein unterschiedlich ausgeprägtes Informationsniveau auf. Das KI-System wird anhand dieser Daten trainiert und lernt die korrekte Klassifizierung und effiziente Weiterverarbeitung der Anfragen. So kann die Anfrage „In Raum 405 wird es nicht warm“ durch das KI-System automatisiert der Heizungstechnik zugeordnet und weitergeleitet werden.
Building Information Modeling (BIM) steht für die digitale Modellierung, Kombination und Erfassung aller relevanten Bauwerksdaten. Das BIM-Modell dient dabei als zentrale Datenschnittstelle, die alle Beteiligten (Bauherr, Architekt, Bauleiter, Handwerker etc.) mit Informationen versorgt. Die Datenfülle prädestiniert die Baubranche für den Einsatz von KI-Technologien. Ob bei der Variantenplanung, der Klassifizierung von Baumängeln oder der Prognose von Kosten: Die Einsatzmöglichkeiten sind vielfältig.
