Interview: Michael Corban und Johannes Gillar, Chefredaktion elektro AUTOMATION
KEM Konstruktion: Herr Atiya, steht das Thema der Künstlichen Intelligenz zurecht ganz oben auf der Agenda?
Dr. Sami Atiya: Das Thema eröffnet neue Möglichkeiten. Für ABB – in der Regelungs- und Automatisierungstechnik zuhause – ergeben sich gerade in Verbindung mit der Robotik enorme Chancen. Technisch präziser würde ich dabei von Machine Learning oder maschinellem Lernen anstelle von Künstlicher Intelligenz sprechen. Interessant ist, dass wir bereits während meines Studiums an probabilistischen Ansätzen, an Fuzzy-Logic-Systemen gearbeitet haben mit dem Ziel, in einer Datenmenge Muster zu erkennen. Diese Ansätze waren korrekt, aber erst vor fünf Jahren hat der Brite Geoffrey Hinton das Thema in Verbindung mit neuronalen Netzen deutlich nach vorne gebracht – was unter anderem zu Ansätzen wie dem Deep Learning führte und der Technologie zahlreiche Einsatzmöglichkeiten eröffnet. Spannend ist zudem, dass am Ende ein neuronales Netz eine Approximation einer Funktion ist – mit zwei Ausprägungen: Entweder man setzt wie beim kindlichen Lernen auf das Supervised Learning und gibt Hinweise, was richtig oder falsch ist, oder man lässt eine Interpretation zu. Basierend auf der Analyse einer Vielzahl von Bildern von Katzen kann dann nicht nur eine Katze beschrieben, sondern das Bild einer ‚neuen‘ Katze erkannt werden. Übertragen auf die Robotik bedeutet das: der Roboter wird trainiert oder er ‚erlernt‘ selbstständig, wie sich eine Aufgabe lösen lässt. Beide Themen stehen sehr stark im Fokus und sind für die Robotik natürlich ohne Frage hochinteressant.
KEM Konstruktion: Welche Schwierigkeiten sind denn beim Einsatz solcher Machine-Learning-Ansätze noch zu überwinden?
Atiya: An erster Stelle ist hier die Robustheit der Systeme zu nennen. Nehmen Sie beispielsweise den berühmten ‚Griff in die Kiste‘: Klappt das bei 30 unterschiedlichen Objekten, nicht aber beim 31., ist das System nicht industrietauglich. Hier sollte es wenigstens bei 10.000 Objekten fehlerlos arbeiten. Wir werden die neuronalen Netze noch weiter ‚tunen‘ müssen, damit sich Prozesse auch wiederholt fehlerfrei ausführen lassen. Stellt man dann noch die Anforderung, dass ein System verschiedene Aufgaben lösen können muss, wird klar, dass dies noch eine Weile dauern wird. Verlässlich und industrietauglich sind aber bereits alle Einsätze, die strukturiert vorgegeben sind – etwa sich wiederholende Aufgaben beim Laserschweißen. Hier erreichen wir schon lange höchste Präzision; denken Sie etwa an mehrere parallel arbeitende Roboter in der Automobilindustrie. Forschungsbedarf besteht dagegen vor allem beim Einsatz in unstrukturierten Umgebungen – und genau hier kann die Künstliche Intelligenz helfen. Ein 3D-Kamerasystem, das sich Objekte ‚anschauen‘ und ‚entscheiden‘ kann, welches zu greifen ist, könnte man in diesem Sinne als Vorstufe bezeichnen. Erste Beispiele gibt es bereits, ihre Zahl wird zunehmen.
