Jan Stefan Zernickel leitet die Forschung und Entwicklung bei InSystems Automation, Berlin. Er beschäftigt sich im Verbundprojekt „CrESt“ aktuell mit Trends und Zukunftsfragen rund um kollaborierende eingebettete Systeme.
KI liefert oder verspricht Systeme, die menschliche Fähigkeiten nachbilden inkl. Adaption im Sinne von lernenden Systemen. Wo sehen Sie für sich bzw. Ihr Unternehmen oder Forschungseinrichtung die größten Potenziale für solche KI in den nächsten Jahren? Kurz gesagt, welche Anwendungsprobleme lösen Sie in Berlin oder planen Sie in nächster Zukunft mit KI zu lösen?
KI ist im Zusammenhang mit Produktion und Logistik vor allem in der Disponierung von Agenten zur Lösung von Transportproblemen hilfreich. Hier forschen wir bei InSystems Automation daran, wie wir Logistikanforderungen mit Hilfe von intelligenteren Systemen einerseits leistungsoptimiert, andererseits angepasst an sich verändernde Umgebungen optimieren können.
Das größte Potenzial sehen wir konkret darin, dass die Planung eines Logistiksystems immer weniger Aufwand benötigt, da dieser Prozess weitgehend automatisiert werden kann. Mit Hilfe von Kundendaten werden unsere Transportroboter in der Lage sein, das optimale Verhalten selbst zu lernen, ohne dass ein Entwickler oder Manager dieses explizit vorgeben muss. Dadurch erhoffen wir uns einerseits flexiblere Flotten für unterschiedliche Fabrikumgebungen und andererseits geringere Aufwände bei der Planung, Umsetzung und Rekonfiguration von Logistiksystemen mit autonomen Fahrzeugen.
Die Vision ist, dass unsere Roboter nicht (bzw. weniger) an jeden Kunden angepasst werden müssen, sondern „Plug-and-Play“-Systeme sind.
Ist es noch die Digitalisierung, mit der wir uns beschäftigen oder gehen Sie schon weitere Schritte, hin zu intelligenter Produktion? Gibt es Beispiele aus Berlin, von denen Sie Berichten können?
Für unsere Fahrzeuge wird ein weitgehend digitalisierter Betrieb einerseits vorausgesetzt, da die Fahrzeugdisponierung mit Anbindung an ein ERP-System die meiste Autonomie und somit die höchste Leistungssteigerung und Kosteneinsparung im Vergleich zum klassischen System bietet. Andererseits erschließen sich viele Vorteile, wie etwa die automatische lückenlose Nachverfolgung der Produktion (Stichwort Prozesszuverlässigkeit, transparenter Materialfluss) erst in Verbindung mit einer digitalisierten Produktion.
Allgemein haben wir in Berlin eine ganze Reihe Kunden, die unsere Transportroboter seit mehreren Jahren erfolgreich einsetzen. Dazu zählen Kunden aus der Kosmetik-, Druckerei- oder Hygieneartikelbranche. Unsere Logistikkonzepte passen gut in Prozesse der intelligenten Produktion und versorgen die Maschinen und Arbeiterinnen je nach Auftragslage. Wir gehen über die Digitalisierung hinaus und setzen sie als gegeben voraus. Wir benötigen Produktionsdaten, um unseren Robotern einen Kontext zur Verfügung zu stellen, in dem sie agieren.
Die Leistung von KI-Systemen hängt im Wesentlichen von der Menge und Qualität der Daten ab, mit denen diese Systeme trainiert werden. Wo sehen Sie hier Probleme und wie lösen Sie diese? Wie sehen Sie Vergleiche, auch international, zu anderen Regionen hinsichtlich der Verfügbarkeit von Daten?
Durch die Natur unserer Projekte, die für jeden Kunden individuell gestaltet werden, haben wir Zugriff auf sehr spezifische Datensätze, die die jeweiligen Kunden uns zur Verfügung stellen. Wir wissen, welche Umgebung und Produktionszeitpläne wir zu erwarten haben. Deswegen haben wir bezüglich der Beschaffung der Datensätze eher wenige Probleme.
Probleme sehen wir eher in der Vollständigkeit der Szenarien, die typische Produktionsdaten in immer flexibleren Fabrikumgebungen abbilden. Um Abweichungen von der „normalen“ Produktion abzufangen, planen wir „Corner Cases“ bei der Entwicklung unserer Systemstrategien abzubilden – also Ausnahmefälle, die auftreten können und vom System noch bearbeitbar sein müssen. Dadurch hoffen wir, Randbedingungen von Situationen, die im Betrieb auftreten können, zum geplanten Normalbetrieb abzufangen. Als Beispiel gelten hier Produktions- oder Anlieferungsspitzen, die zu einer ungewöhnlichen Tageszeit auftreten können und trotzdem zuverlässig von der Flotte bearbeitet werden müssen. Weiterhin überlegen wir, Produkte auf selbstgenerierten Datensätzen trainieren zu lassen. Daran forschen wir jedoch noch nicht aktiv.
Immer wieder tauchen Meldungen über KI-Systeme auf, die nicht nachvollziehbare Entscheidungen treffen. Woran das Lernen von neuronalen Netzen fest zu machen ist, bleibt im Dunkeln. Wie begegnen Sie diesem Problem?
Wir forschen, unter anderem im Projekt CrESt (Collaborative Embedded Systems), in Zusammenarbeit mit dem BMBF und dem DLR, wie das Systemverhalten vom Designprozess ausgehend voraussagbar entwickelt werden kann. Neuronale Netze kommen bei uns noch nicht zum Einsatz – bei adaptivem Verhalten setzen wir jedoch Constraints ein, die Fehlerverhalten und Fehloptimierungen vermeiden sollen. Bei Constraints handelt es sich um programmierte Bedingungen, die zwingend von einem System eingehalten werden müssen.
Als oberste, prüfende Instanz steht jedoch immer noch der Mensch, der die Leistung des Systems überprüft, bewertet und Entscheidungen über Veränderungen trifft.
Herr Zernickel, wir danken für das Gespräch.
