26 Swarovski SPAR TRANSPARENZ VON KI SYSTEMEN Wie können Aussagen und versteckte Logik von maschinellen Lernalgorithmen besser nachvollziehbar und erklärbar ge macht werden Deep Learning bietet dank der Forschung der letzten Jahre bereits jetzt eine breite Palette von Anwendungs möglichkeiten in der Industrie Allerdings sind die Entschei dungen der KI meist nicht nachvollziehbar und stoßen bei Mitarbeiterinnen und Mitarbeitern daher auf Skepsis Diese mangelnde Erklärbarkeit sowie die Frage wie sich Vorhersagen der KI in konkrete Instandhaltungsmaßnahmen umsetzen lassen und das Fehlen von Pilotstudien mit realen Daten be hinderten bisher die breite Anwendung dieser Methode Der Mensch möchte verstehen was passiert Wenn er weiß wie eine Empfehlung zustande kommt ist er eher bereit sie zu befolgen erklärt Tanja Nemeth die bei Fraunhofer Austria die Projektleitung innehat Ausfälle verhindert Qualität gesichert In zwei verschiedenen Use Cases einem Hochregallager bei SPAR im Logistikzentrum in Ebergassing sowie in der Qualitäts sicherung bei Swarovski in Wattens will das Forschungskon sortium nun KI in instandhaltungsbezogenen Anwendungen erproben und zugleich nachvollziehbar machen Bei dem Logistikzentrum in Ebergassing handelt es sich um ein topmodernes stark automatisiertes Großhandelsverteilzent rum Für das vollautomatische Hochregallager will das Team mithilfe von KI in Zukunft die Fehler erkennen die zu einem Stillstand und zu einem aufwändigen Eingriff führen würden Auf einem Förderband gelangen die Paletten vom Warenein gang in den Lagerbereich Dort übernimmt ein fahrerloses Transportsystem die Waren und lagert sie in das vollautomati sche Hochregallager ein Zwar wurden zuvor bereits wesent liche Werte zu Gewicht und Maßen der Paletten automatisch überprüft dennoch kam es gelegentlich zu Störungen Nun fotografiert ein neu entwickeltes Kamerasystem jede ankom mende Palette Eine KI soll in Zukunft prognostizieren ob eine Palette in den Wareneingang zurückgeschickt werden muss Bilderkennung mit KI Wir haben mit dem Kamerasystem bis jetzt bereits tausende Fotos gesammelt beschreibt Jakob Giner der bei Fraunhofer Austria für die Datenanalyse in diesem Use Case zuständig ist den Status des Projekts Diese werden nun von Menschen annotiert die Bilder von schadhaften Paletten kennzeichnen Man kann davon ausgehen dass die KI nur solche Fehler erkennen kann die auch vom menschlichen Auge auf den Bil dern entdeckt werden fügt er hinzu Im nächsten Schritt soll die KI anhand der erstellten Daten lernen schadhafte Paletten selbstständig zu erkennen Fraunhofer Austria bringt dabei vor allem praxisorientierte Instandhaltungserfahrung mit Es gibt vier Typen von Fehlern im Hochregal mechanische elektrische Paletten und Folienfehler Alle können Stillstände verursachen aber in Instandhaltungskosten können in Produktion und Logistik bis zu 40 der Gesamtkosten ausma chen Deep Learning Algorithmen sind zum Beispiel durch Anwendung zur Warnung vor Ma schinenausfällen oder in der Qualitätssicherung ein vielversprechender Ansatz zur Vermeidung dieser Kosten Wie sich die Entscheidung einer KI erklären und verif izieren lassen kann sodass die Akzeptanz beim Menschen erhöht wird ist jedoch noch eine offene Forschungsfrage Im Pro jekt Cognitus stel lt s ich das Forschungskonsortium unter der Leitung des Austrian Institute of Technology AIT dieser Herausforderung Fraunhofer Austria l iefert dabei die nötige Expertise in der Instandhaltung und Datenanalyse

Hinweis: Dies ist eine maschinenlesbare No-Flash Ansicht.
Klicken Sie hier um zur Online-Version zu gelangen.