Qualitätskontrolle in den letzten 20 Jahren - Was hat sich verändert und welche Rolle spielt dabei künstliche Intelligenz?
Folge 1
Autorin: Hanna Nennewitz
Nach meiner kurzen Vorstellung steigen wir jetzt in den inhaltlichen Teil dieses Blogs ein. Dabei betrachten wir zuerst die Veränderungen der verschiedenen Lösungen für visuelle Qualitätskontrolle in den letzten 20 Jahren. Wie sehen diese Lösungen aus? Seit wann ist künstliche Intelligenz relevant? Und vor allem, wie unterscheidet sich die Funktionsweise künstlicher Intelligenz von der klassischer Lösungen?
Um mehr darüber zu erfahren, spreche ich mit Dr. Wieland Brendel. Er ist Mitgründer von Maddox AI und trägt dort als Lead Machine Learning Advisor zur stetigen Produktweiterentwicklung von Maddox AI bei. Daneben ist Wieland auch in der Forschung verhaftet. Bereits seit 2014 forscht er rund um das Thema KI und leitet seit neustem eine Forschungsgruppe zu Robust Machine Learning am Max-Planck-Institut für Intelligente Systeme in Tübingen.
Zu Beginn der Timeline visueller Qualitätskontrolle steht natürlich wie bei allen Dingen der Mensch. Es standen und stehen auch heute noch Prüfer:innen am Fließband, welche die einzelnen Teile auf Fehler untersuchen. Der erste Automatisierungsschritt in der visuellen Qualitätskontrolle erfolgte dann vor ca. 30 Jahren durch regelbasierte Systeme. Wieland erklärt sie wie folgt: “Wenn ich von einem regelbasierten System spreche, geht es um ein System, das im Kern auf von Menschen definierten Regeln basiert.”
Der Programmierungsprozess sieht vereinfacht ungefähr so aus: Wenn man z.B. die Anzahl an gestanzten Löchern in einem Blech überprüfen möchte, überlegt sich als erstes eine Gruppe an Programmierer:innen, woran genau das System Löcher in einem Blech erkennt. Aus diesen Überlegungen entstehen Regeln, mit denen man das System programmiert. Regeln können zum Beispiel so lauten: Wenn du 10×10 weiße Pixel siehst, dann ist dort ein Loch. Auf jedem Blech sollten 20 Löcher sein. Damit das System gut funktioniert, müssen die Regeln klar aufstellbar sein und immer zu 100% gelten. Nach der Programmierung kann das System sofort beginnen, Objekte zu klassifizieren, ohne vorher Beispielbilder zu sehen. Bei der Klassifizierung orientiert es sich an den vorher vom Menschen aufgestellten immer geltenden Regeln.
“Maschinelles Lernen ersetzt die Regeln, die wir bei regelbasierten Systemen aufgeschrieben haben, durch einen Lernprozess.”
Das Überprüfen von komplexeren Problem in der visuellen Qualitätskontrolle stellt jedoch für regelbasierte Systeme ein Problem dar. Damit regelbasierte Systeme gut funktionieren, müssen die aufgestellten Regeln immer zu hundert Prozent gelten. Für Löcher sind solche Regeln leicht aufzustellen, für Kratzer aber zum Beispiel nicht. Diese weisen durch unterschiedliche Tiefe oder anderes Aussehen eine hohe Variabilität auf. Dadurch fällt es schwer eindeutig geltenden Regeln aufzustellen. Mit diesen Komplexitäten und der Variabilität können KI-basierte oder genauer ML-basierte Systeme, wie z.B. Maddox AI, deutlich besser umgehen. Doch was versteht man unter KI? Und was versteckt sich hinter dem Kürzel ML?
Am besten erklärt das wieder Wieland: “KI ist ein weit gefasster Oberbegriff, der viele verschiedene Systeme unter sich vereint. Eine einheitliche Definition gibt es nicht wirklich. Grob gefasst beschreibt künstliche Intelligenz alles, wo Maschinen Menschen kognitive Fähigkeiten oder Aufgaben abnehmen. In den letzten Jahren hat sich der Begriff künstliche Intelligenz noch mehr verengt. Oftmals wird er synonym mit maschinellem Lernen (ML) benutzt, was eigentlich klassisch gesehen nur ein Teilgebiet der künstlichen Intelligenz darstellt. Aber maschinelles Lernen ist DAS Feld, warum wir heute überhaupt über KI reden.”
Bei maschinellem Lernen geht es im Endeffekt um Folgendes: Die Maschine durchläuft einen Lernprozess. Das Lösen der Aufgabe wird nicht mehr durch das vorherige Definieren von exakten Regeln an die Maschine herangetragen, sondern maschinelles Lernen ersetzt dieses Aufstellen von Regeln durch einen Lernprozess. Man gibt der Maschine Beispiele, durch die sie die Regeln zum Lösen der Aufgabe selbst erlernt. Das macht den entscheidenden Unterschied und Vorteil gegenüber regelbasierten Systemen aus. Wenn der Mensch versucht Regeln für komplexe Sachverhalte festzulegen, klappt das oft nicht gut. Er vergisst Dinge oder es ist sehr schwer den Sachverhalt überhaupt in Worte zu fassen, geschweige denn an jedes wichtige Detail zu denken. Nehmen wir als Beispiel nochmal die Kratzer: Versuchen Sie einmal, sich Regeln zu überlegen, woran man immer einen Kratzer erkennt. Sie werden schnell zu der Erkenntnis kommen, dass dies schier unmöglich ist, weil Kratzer so verschieden sein können. Eine hundert Prozent geltende Regel kann man für sie einfach nicht aufschreiben. Wenn das System wie im Machine Learning aber selbst lernt, umgeht man dieses Problem. Das System stellt sich die Regeln selbst auf und der Mensch muss nichts mehr beschreiben und kann dementsprechend auch nichts mehr vergessen.
Doch wie sieht der Lernprozess im Machine Learning aus? Am Anfang stehen viele Bilder, auf denen zum Beispiel genau markiert ist: Das ist ein Kratzer, das ist nochmal ein Kratzer und das eine Schlagstelle. Von diesen gelabelten Bildern zeigt man dem System nicht nur zehn, nicht hundert, sondern teilweise tausend, zehntausend oder auch Millionen. Während des Trainingsprozesses lernt das System die gewünschte Funktion und passt sich immer wieder an die Trainingsdaten an. Und irgendwann hat die Maschine verstanden und erkennt auf neuen Bildern: Das ist ein Kratzer, das ist ein Riss, das ist eine Schlagstelle usw.
“Fakt ist jedoch, es funktioniert und dabei in vielen Fällen besser als der menschliche Prüfer.”
Es ist laut Wieland nicht ganz klar, was genau in dem System passiert: “Was das System genau lernt, wissen wir nicht. Wir verstehen es zwar besser als noch vor ein paar Jahren, im Wesentlichen stellt es aber immer noch eine Blackbox dar. Wir wissen nicht wirklich, wie die Modelle Objekte erkennen bzw. klassifizieren. Damit müssen wir vielleicht auch einfach leben. Ich verstehe als Mensch auch nicht ganz genau, wie ich einen Kratzer erkenne. Es ist zwar unbefriedigend, dass ich das bei der Maschine auch nicht weiß, Fakt ist jedoch, es funktioniert und dabei in vielen Fällen deutlich besser als der menschliche Prüfer.”
Machine Learning bedeutet also, dass die Maschine selbst einen Lernprozess durchläuft und dadurch mit sehr viel komplexeren Anwendungsfälle umgehen kann als regelbasierte Systeme. Damit eröffnen ML-basierte Systeme wie Maddox AI produzierenden Unternehmen ganz neue Möglichkeiten in der Qualitätskontrolle und treibt deren Automatisierung weiter voran. Einer genaueren Beschreibung dieser Möglichkeiten und worin die Vor- und Nachteile regelbasierter Systeme und ML-basierter Systeme liegen, wende ich mich in der nächste Folge zu.
Wenn Sie darauf allerdings nicht warten wollen, sondern gleich die neuen Möglichkeiten, die Machine Learning für die visuelle Qualitätskontrolle bietet, im eigenen Unternehmen erleben wollen, melden Sie sich bei uns. Unser Team nimmt sich gerne Zeit, Ihnen die Anwendung von Maddox AI genauer zu erklären und die mögliche Installation in Ihrem Unternehmen zu prüfen.
Visuelle Qualitätskontrolle - regelbasierte Systeme vs. ML-basierte Systeme
Folge 2
