Suchen

Lernende Systeme

Hinter den Kulissen von IBMs Supermaschine Watson IoT

Seite: 3/4

Firmen zum Thema

„Entscheidend ist, dass Watson jeden Tag lernt und besser wird.“

Zurück zum Beispiel der lackierten Türgriffe: Es gibt unterschiedliche Qualitätsmerkmale. Man muss diese ganzen Merkmale aus unterschiedlichster Perspektive aufnehmen und dann in das System einspielen, damit das System die Fehler entdecken kann?

Ja, genau. Es gibt sicherlich eine ganze Menge an Qualitätsmerkmalen, die nicht visuell interpretiert werden können. Nehmen wir Motorhauben: Hier muss man sich vorstellen, dass nach der Lackierung Menschen nicht nur mit dem Auge, sondern auch mit der Hand prüfen, ob der Lack gut oder schlecht ist.

Der Mensch ist für diese visuelle (und taktile) Inspektion mit dem Auge und der Hand nicht bestens geeignet. Es steckt sehr viel Aufwand in einer Inspektion – da können solche Lösungen den Menschen unterstützen.

Bildergalerie

Bildergalerie mit 5 Bildern

Nehmen wir an, wir haben eine automatisierte visuelle Inspektion, etwa in der Elektronikfertigung. Wo liegt denn nun der Vorteil, diese mit Watson zu verknüpfen?

Die lernende Komponente ist hier das Entscheidende. Das Charakteristische an einem solchen Watson-System ist, dass es lernt und jeden Tag besser wird. Wenn eine klassische visuelle Inspektion genutzt wird, muss bei jedem neuen Produkt eine Adjustierung vorgenommen werden. Dies kann einige Wochen dauern. Mit Watson-Lösungen kann die Etablierung des Prozesses auf einige Tage reduziert werden und ermöglicht so eine höhere Flexibilität.

Welche Philosophie steckt hinter Watson? Wie arbeitet der Algorithmus?

Es gibt nicht den einen Algorithmus. Unsere Platform-as-a-Service-Lösung nennt sich Bluemix, innerhalb dieser gibt es Tausende von Services für Analytics und Dutzende von Watson APIs. Es gibt sehr unterschiedliche APIs, die für verschiedene Teile der Watson-Intelligenz zuständig sind.

Aber die meiste Zeit läuft es auf irgendeine Art der Mustererkennung hinaus?

Genau, auf Mustererkennung in strukturierten und unstrukturierten Daten, die für den Menschen vom Umfang zu groß sind und wo ein Mensch Abhängigkeiten vielleicht vermutet, aber nicht belegen kann.

Das System muss also mit möglichst vielen relevanten Mustern gefüttert werden – es muss intelligent gefüllt werden.

Entsprechendes Domain-Know-how im Bereich Fertigung, Qualitäts-, Produktions- und Designdaten, die alle einen Einfluss auf das Ergebnis haben, und auch externe Daten müssen berücksichtigt werden. Zum Beispiel Wetterdaten: Anhand der Luftfeuchtigkeit lässt sich bestimmen, wie lange ein Produkt zum Trocknen brauchen wird.

Wenn jetzt ein kleines Unternehmen seinen Fertigungsprozess besser verstehen möchte und die Qualität seiner Produkte verbessern will – wäre das im Prinzip aus Ihrer Sicht schon interessant oder ist das zu gering?

Die Größe der Unternehmen spielt keine Rolle. Die Lösungen sind alle komplett Cloud-fähig und als Software-as-a-Service (SaaS) als Testpaket erhältlich. Es muss also kein Mindestvolumen vorhanden sein, damit sich die Anwendung lohnt – Unternehmen können auch mit vergleichsweise kleineren Losgrößen starten, um Erfahrungen zu sammeln.

Es geht natürlich auch um die Komplexität des Unternehmens: Kann ich mit menschlicher Kompetenz noch zufriedenstellend Daten vergleichen oder brauche ich hier bereits ein automatisiertes System?

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 44773904)