Künstliche Intelligenz - Anforderungen und Einsatzmöglichkeiten - Künstliche Intelligenz
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
DGUV Forum 10/2021 Schwerpunkt Künstliche Intelligenz
Künstliche Intelligenz – Anforderungen
und Einsatzmöglichkeiten
Key Facts Autoren
• Künstliche Intelligenz ist eine Schlüsseltechnologie der Zukunft Moritz Schneider
• Der Fortschritt auf dem Gebiet der künstlichen Intelligenz ermöglicht völlig neue Dr. André Steimers
Konzepte, die zu innovativen Anwendungen und Dienstleistungen führen und
viele Geschäftsmodelle vollkommen verändern werden
• Der Einsatz künstlicher Intelligenz kann auch die Sicherheit und Gesundheit bei
der Arbeit erhöhen
Der Bereich der künstlichen Intelligenz (KI) ist in den vergangenen Jahren stark gewachsen und es
ist zu beobachten, dass bereits heute viele Anwendungen, die uns im privaten Leben, aber auch in
der Arbeitswelt begegnen, auf dieser Technologie basieren. Einige dieser Anwendungen werden
in diesem Beitrag dargestellt, um die Möglichkeiten dieser Technologie zu veranschaulichen.
Einleitung angemessenen Güte zu erstellen, sondern Obgleich KI als eine der wichtigsten Tech-
auch zu einem Boom verschiedener Open- nologien der Zukunft bezeichnet wird, ist
Künstliche Intelligenz ist im Allgemeinen Source-Initiativen, woraus Frameworks[1] sie auch schon heute ein fester Bestand-
als Sammelbegriff für eine Vielzahl unter- und Programmbibliotheken[2] wie Tensor- teil im Alltag vieler Menschen. So erfreuen
schiedlicher Methoden und Algorithmen Flow oder PyTorch entstanden. Hierdurch sich beispielsweise intelligente persönli-
zu verstehen, deren Gemeinsamkeit darin wurde es einem breiteren Kreis von An- che Assistenten wie Apples HomePod,
besteht, dass sie eine Wissensrepräsenta- wendern und Anwenderinnen ermöglicht, Alphabets Google Home, Amazons Echo
tion in Form eines Modells erstellen und die entsprechenden Verfahren zu nutzen. oder Microsofts Smart Speaker einer zu-
anwenden können, um eine definierte und Als dritte wichtige Säule für den Erfolg des nehmend wachsenden Beliebtheit. Auch
vorgegebene Aufgabe zu lösen. maschinellen Lernens in den vergangenen im Bereich der Navigation und Routenpla-
Jahren ist der inzwischen relativ preisgüns- nung kommt KI schon lange zum Einsatz.
Heute wird dieser Begriff jedoch meist auf tige Zugang zu hohen Rechenleistungen in Doch auch im Bereich der Arbeitswelt fin-
die Methoden des maschinellen Lernens Form von Grafikprozessoren sowie die ein- den wir bereits eine Vielzahl verschiedener
und speziell des Deep Learnings bezogen. fache Möglichkeit, Berechnungen auf die- Anwendungen der KI. Vollautomatisierte
Diese Methoden basieren auf rechnerge- se auszulagern, zu nennen. Hierzu hat die Systeme und Roboter, die mittels smarter
stützten Prozessen, die ein System in die Einführung der Compute Unified Device Algorithmen Prozesse steuern, oder Syste-
Lage versetzen, aus Daten zu lernen, um Architecture (CUDA)[3] durch die N VIDIA me zur automatisierten Bearbeitung von
überwiegend automatisiert das wissens- Corporation im Jahr 2007 wesentlich bei- trivialen Verwaltungsfällen sind nur zwei
repräsentierende Modell zur Lösung einer getragen. Beispiele hierfür.
bestimmten Aufgabe zu erstellen.
Es ist jedoch nicht zu vernachlässigen, Im Jahr 2020 veröffentlichte das Unterneh-
Dieser Fokus entstand durch die großen dass auch andere Gebiete der KI, wie men Deloitte das Ergebnis einer global an-
Fortschritte auf diesen Gebieten in den beispielsweise die symbolische künst- gelegten Befragung von insgesamt 2.737 Or-
vergangenen Jahren, die durch mehrere liche Intelligenz[4], ebenfalls noch eine ganisationen (davon 201 aus Deutschland),
Faktoren begünstigt wurden. So führte starke Bedeutung haben. Gerade das Zu- die das Ziel hatte herauszufinden, wie stark
der allgemeine Trend der Digitalisierung sammenspiel verschiedener Methoden KI bereits in den Organisationen eingesetzt
nicht nur zu größeren Datenmengen, die erlaubt es oftmals erst, ein System zur wird (Ammanath, 2020). Die Studie kam zu
es maschinellen Lernverfahren erst ermög- Lösung einer komplexen Aufgabe zu ent- dem Ergebnis, dass bereits 26 Prozent der
lichen, eine Wissensrepräsentation in einer wickeln. befragten Organisationen KI intensiv ein-
3DGUV Forum 10/2021 Schwerpunkt Künstliche Intelligenz
Obgleich KI als eine der wichtigsten Technologien
der Zukunft bezeichnet wird, ist sie jedoch auch
schon heute ein fester Bestandteil im Alltag vieler
Menschen.“
setzen und 47 Prozent erste Anwendungen Klassische Beispiele für den Einsatz des schaft zu analysieren, um auf Basis dieses
KI im Einsatz haben. Die restlichen 27 Pro- Natural Language Processing sind somit erweiterten Informationssatzes eine ange-
zent gaben an, zumindest erste Pilotpro- die Spracherkennung und Sprachsyn- messene und somit zufriedenstellende Ant-
jekte starten zu wollen. these, wie sie beispielsweise für Mensch- wort formulieren zu können.
Maschine-Schnittstellen zur Ein-, aber
Eine strukturelle Analyse aktueller An- auch Ausgabe genutzt werden kann. Wei- Das kann auf Basis adaptierter Convolutio-
wendungsbeispiele von KI im Bereich der terhin sind auch simultane maschinelle nal Neural Networks (CNN oder ConvNet)
Arbeitswelt ergibt, dass sich diese meist Übersetzungen von natürlichen Sprach- erreicht werden, mit deren Hilfe nun auch
in einer der folgenden sechs Hauptkate- nachrichten möglich, die entweder als Text die semantische Bedeutung des Kunden-
gorien bewegen: oder abermals durch künstlich erzeugte ausdrucks interpretiert werden kann
Sprache vermittelt werden können. (Zhou, 2018). Durch diese Maßnahme lässt
• Natural Language Processing sich nicht nur die Leistung des Systems bei
• Computer Vision Ein gutes Beispiel hierfür ist eine Anwen- Spracherkennung verbessern, sondern vor
• Automated Vehicles dung, die die Inklusion sprach- und hör- allem auch eine Klassifizierung der Stim-
• Predictive Maintenance geschädigter Mitarbeiter und Mitarbei- mung sowie der Intensität der Sprachnach-
• Fraud Detection terinnen am Arbeitsplatz vereinfachen richt der Kundschaft erreichen. Diese wer-
• Prediction and Optimization kann. Mithilfe sogenannter Sequenz-zu- den dann genutzt, um eine Reaktion zu
Sequenz-Modelle erkennt sie Gebärden- erzeugen, die insgesamt als menschlicher
Im Folgenden werden diese Hauptkate- sprache, übersetzt diese und gibt sie in na- und freundlicher wahrgenommen wird.
gorien näher beschrieben und Beispielan- türlicher Sprache wieder aus (Ko, 2019).
wendungen aus diesen Bereichen genannt, Ebenso ist der umgekehrte Weg möglich, Computer Vision
um die Möglichkeiten der künstlichen In- wobei dann natürliche Sprache in Bilder
telligenz für die Arbeitswelt exemplarisch oder Text umgewandelt wird, was ebenfalls Computer Vision oder auch Machine Vision
zu beleuchten. eine nahtlose Konversation über Barrieren beschäftigt sich mit der Verarbeitung und
hinweg ermöglicht. Analyse digitaler Bilder, um daraus Infor-
Natural Language mationen zu gewinnen. Diese Informatio-
Processing Auch der Einsatz in der Kundenbetreuung nen können von der Extraktion geometri-
und im First-Level-Support ist schon heu- scher Strukturen bis zum Verstehen des
Natural Language Processing beschäf- te in Form von Chatbots häufig zu finden Bildinhaltes reichen. Dementsprechend
tigt sich mit der Verarbeitung natürlicher und ermöglicht, die Arbeitslast von Call- sind die am weitesten verbreiteten Pro-
Sprache und kann dazu genutzt werden, center-Beschäftigten zu reduzieren und blemstellungen der Computer Vision die
übermittelte Sprachinformationen eines ihnen mehr Zeit zur Bearbeitung schwie- Segmentierung und Klassifizierung. Bei
Menschen zu analysieren, um daraus Infor- rigerer Fälle zu geben. In der Vergangen- der Segmentierung werden inhaltlich zu-
mationen zu extrahieren, auf deren Basis heit waren diese Systeme jedoch oftmals sammenhängende Regionen eines Bildes
Wissen oder aber künstliche Sprachnach- unbeliebt, weil sie nicht empathisch auf identifiziert und gekennzeichnet. Insbe-
richten erzeugt werden können, um einem den Kunden oder die Kundin eingehen sondere die semantische Segmentierung,
Menschen Informationen auf natürliche konnten. Hierzu ist es notwendig, neben bei der einzelne Objekte erkannt und an-
Weise zu übermitteln. der Sprache auch die Emotionen der Kund- schließend alle zu diesem Objekt gehören-
4DGUV Forum 10/2021 Schwerpunkt Künstliche Intelligenz
Eine 2020 veröffentlichte Studie des Unternehmens Deloitte
kam zu dem Ergebnis, dass bereits 26 Prozent der befragten
Organisationen KI intensiv einsetzen und 47 Prozent erste
Anwendungen KI im Einsatz haben. Die restlichen 27 Prozent
gaben an, zumindest erste Pilotprojekte starten zu wollen.“
de Pixel oder Voxel zusammengefasst wer- vollständig zu automatisieren. Ebenso ist matisiert werden konnten. Hierzu zählen
den, hat eine große Bedeutung bei allen mit angepassten Modellen natürlich auch beispielsweise einige auf den ersten Blick
Aufgabenstellungen, in denen es darum eine Qualitätskontrolle anderer Produkte vermeintlich einfache Aufgaben in der
geht, Aussagen über eine Szene treffen zu möglich und wird insbesondere im Bereich Montage wie das Zusammenfügen zweier
können. Klassifikationsprobleme beschäf- der Elektronikfertigung schon seit vielen Werkstücke. Hierzu ist es notwendig, zuerst
tigen sich damit, Objekte einer Klasse, wie Jahren eingesetzt. zwei Teile aufeinander abzustimmen und
beispielsweise Mensch, Tier, Werkzeug, anschließend durch eine gewisse Kraft-
zuzuordnen. Oftmals folgt einer semanti- Weiterhin ist Computer Vision ein hilf- einwirkung miteinander zu verbinden. Im
schen Segmentierung eine Klassifizierung, reiches Werkzeug, um die Digitalisierung Idealfall sind diese Teile perfekt geformt,
die dann schließlich den als inhaltlich ähn- voranzutreiben. So liegen bis heute viele liegen immer in einer vorher definierten
lich identifizierten Objekten eine genaue Formulare und Dokumente nur in hand- Lage vor und können dann mit der spezi-
Klasse zuordnen kann. Hiermit werden Ob- schriftlicher Form vor. Diese zu digitalisie- fizierten Kraft zusammengeführt werden.
jekte nicht nur räumlich, sondern auch in- ren ist oftmals eine sehr eintönige Arbeit Aufgrund der Unvollkommenheit einzelner
haltlich klar identifiziert und können somit oder erfordert den Einsatz von Fachperso- Produktionsschritte, Oberflächentoleran-
lokalisiert und benannt werden. nal. So liegen Industrieinspektionsblätter zen und anderen Faktoren wie der Flexibili-
heute oftmals noch immer nur in hand- tät der Teile kann dieses Verfahren jedoch
Computer Vision spielt bei vielen Anwen- schriftlicher beziehungsweise handmar- komplex und unvorhersehbar werden. In
dungen eine große Rolle, sei es bei der Ge- kierter Form vor. Diese Inspektionsblätter solchen Fällen benötigt ein Roboter sehr
sichtserkennung, der medizinischen Dia- werden regelmäßig ausgefüllt, um Mängel detaillierte und umfangreiche Programm-
gnostik oder im Bereich selbstfahrender zu erkennen und schwere Maschinen zu anweisungen, um die Aufgabe einschließ-
Fahrzeuge. Sehr beliebt ist jedoch auch warten. Die Inspektionsblätter enthalten lich der erforderlichen Anpassung an die
der Einsatz bei der Qualitätssicherung in allerdings viele unstrukturierte Informatio- physikalische Welt ausführen zu können.
der Produktion. So wird beispielsweise nen und erfordern daher den Einsatz von Das kann eine Automatisierung der Auf-
in der Sanitärindustrie ein Supportvek- Fachleuten, um sie zu lesen und zu digita- gabe schnell umständlich oder unwirt-
tor-Maschinenklassifikationsmodell[5] be- lisieren. Mithilfe tiefer neuronaler Netze in schaftlich machen. Regelalgorithmen, die
nutzt, um Fehler auf der Oberfläche von Form von Convolutional Neural Networks[7] auf maschinellem Lernen basieren – ins-
Wasserhähnen zu identifizieren und an- kann jedoch ein Informationsextraktions- besondere solche, die das Verstärkungsler-
schließend zu inspizieren (Kuhlenkötter, system für Maschineninspektionsblätter nen nutzen –, erlauben jedoch alternative
2006). Hierzu wird das Klassifikations- umgesetzt werden, das diese automatisiert Lösungen, mit denen sich der Automati-
modell mit einer Kombination von Gabor- digitalisiert (Swati, 2017). sierungsgrad in der Fertigung einfach er-
Merkmalen[6], statistischen Merkmalen und weitern lässt (Vecerik, 2018).
Graustufenmerkmalen gespeist, um einzel- Die ortsaufgelösten Daten von Bildsenso-
ne Fehlertypen zu identifizieren. Mithilfe ren können natürlich auch eine wichtige Automated Vehicles
dieses Bildverarbeitungssystems werden Informationsgrundlage von Steuerungen
vergleichbare Leistungen zu menschlichen aller Art darstellen. Insbesondere in der Der Bereich der fahrerlosen Fahrzeuge
Bewertungen erzeugt, wodurch es möglich Produktion existieren viele wiederkehren- (englisch: Automated Vehicles) beschäf-
ist, den Qualitätskontrollprozess der Pro- de Aufgaben, die ohne den Einsatz von tigt sich damit, Fahrzeuge aller Art zu voll-
duktion ohne menschliches Eingreifen KI bisher durch Roboter noch nicht auto- automatisieren, womit es ihnen möglich
5DGUV Forum 10/2021 Schwerpunkt Künstliche Intelligenz
Das Institut für Arbeitsschutz der DGUV (IFA) arbeitet an
Konzepten, um nicht nur die Sicherheit und Gesundheit
bei der Arbeit beim Einsatz von Technologien der künst-
lichen Intelligenz zu erhalten, sondern auch durch deren
Einsatz zu fördern.“
ist, ohne eine manuelle Steuerung durch reits in den kommenden Jahren ein ähn- se in ähnlicher Form auch selbstfahrende
den Menschen unfallfrei ein Ziel anfahren liches Level erreichen. Gepäckwagen realisieren (Buechel, 2018).
zu können.
Weitere teilautomatisierte Fahrzeuge lassen Ein weiteres Einsatzgebiet mit stark ein-
Teilautomatisierte Systeme wie Parkassis- sich beispielsweise auf Flughäfen in Form geschränkter Streckenführung und somit
tenten oder Systeme zum automatisierten von selbstfahrenden Flugzeugschleppfahr- gut geeignet für teilautomatisierte Fahr-
Fahrspurwechsel existieren schon seit län- zeugen finden (Morris, 2016). Diese Anwen- zeuge ist der Bahnverkehr. Im Personen-
gerer Zeit. Hinzugekommen sind Systeme, dung eignet sich besonders für auf Teil- verkehr kann mithilfe der künstlichen In-
die das Fahrzeug in bestimmten Fahrsitu- automation basierende selbstfahrende telligenz der unbeaufsichtigte Betrieb von
ationen selbstständig steuern können. Ein Fahrzeuge, da die Routen zwischen den Zügen nach Fahrplan ermöglicht werden.
Beispiel hierfür ist der von Tesla vertrie- Gates zu den Start- und Landebahnen und Das System ist dann verantwortlich für
bene Autopilot, der jedoch lediglich ein von den Start- und Landebahnen zu den die Beschleunigung, das Bremsen, die
teilautomatisiertes System der Stufe 2 dar- Gates in der Regel vorgegeben sind. Daher Geschwindigkeitsregelung, die Abfahrt
stellt. Ein Fahrsystem der Stufe 2 erwartet, gibt es kaum oder gar keine Möglichkei- des Zuges, das Öffnen und Schließen der
dass sich der Fahrer oder die Fahrerin zu ten für alternative Routen, was zu einer Türen, die Hinderniserkennung sowie das
jeder Zeit über die Fahr- und Verkehrssitu- erheblichen Einschränkung des Einsatz- Management von Gefahrenzuständen und
ation im Klaren ist und jederzeit die Kont- gebietes der Anwendung führt und des- Notfallsituationen. Komplizierte Fälle, die
rolle über das Fahrzeug übernehmen kann. sen notwendige Komplexität erheblich das Bordsystem nicht korrekt verarbeiten
Von einer vollständigen Automatisierung verringert. Weiterhin wird der selbstfah- kann, werden von der Leitwarte übernom-
der Stufe 5, bei der das Fahrzeug zu jeder rende Flugzeugschlepper von menschli- men, die auch den Fahrbetrieb überwacht.
Zeit komplett vom System gesteuert wird chen Vorfeldkontrollpersonal, Fluglotsen Dabei kann jedoch ein Zugführer oder eine
und der Fahrer oder die Fahrerin lediglich und Fluglotsinnen, Piloten und Pilotinnen Zugführerin der Leitwarte mehrere automa-
als Reisende teilnehmen, ist Teslas Auto- sowie dem Bodenpersonal überwacht. Die tisierter Züge gleichzeitig überwachen und
pilot also noch weit entfernt. Lotsen und Lotsinnen stellen den Schlep- gegebenenfalls kontrollieren. Drei selbst-
pern Routeninformationen zur Verfügung, fahrende Rangierlokomotiven sind derzeit
Dennoch werden auch auf diesem Gebiet wobei sie von einem automatischen Rou- beispielsweise auf dem Rangierbahnhof
bereits große Fortschritte erzielt. So schaf- tenplanungssystem unterstützt werden. Luzhskaja in Moskau, Russland, in Betrieb
fen es die Testfahrzeuge des Herstellers Das Planungssystem und die Tower- und und der parallele Einsatz für Personenzüge
Waymo inzwischen bereits, durchschnitt- Bodenlotsen und -lotsinnen arbeiten mit wird derzeit auf dem Moskauer Zentralring
lich über 17.800 Kilometer zurückzulegen, den Schleppern zusammen, um während getestet (Smagin, 2018).
bis ein Eingriff durch einen Testfahrer oder des Betriebs taktische Entscheidungen tref-
eine Testfahrerin notwendig wird. Dies fen zu können, was ein sicheres Fahren Predictive Maintenance
liegt zwar aktuell noch hinter der tatsäch- gewährleistet.
lichen Leistungsfähigkeit einer menschli- Bei der vorausschauenden Instandhaltung
chen Person am Steuer, sollte die kontinu- Diese Bedingungen gelten gleichfalls auch (englisch: Predictive Maintenance) werden
ierliche Verbesserung der Qualität dieser für weitere Fahrzeuge im Bereich der Flug- Bedingungen identifiziert, die auf einen
Systeme jedoch anhalten, dürften sie be- hafenlogistik, so lassen sich beispielswei- bevorstehenden Ausfall einer Maschine
6DGUV Forum 10/2021 Schwerpunkt Künstliche Intelligenz
Es wird eine gesellschaftliche Debatte darüber zu führen sein,
wie das Arbeiten mit KI-basierten Systemen wie beispiels-
weise kollaborierenden Robotern genau ausgestaltet werden
muss und ob alles, was theoretisch technisch umsetzbar wäre,
auch ethisch gewünscht beziehungsweise legitim ist.“
oder Anlage hindeuten. Es geht somit um Ausfallzeiten von Fertigungsmaschinen heitssystem zu umgehen. Maschinen sind
die Fähigkeit, bestehende Datenmengen um 30 bis 50 Prozent reduzieren und die wesentlich besser darin, große Datensätze
zu nutzen, um potenzielle Probleme zu Lebensdauer von Maschinen um 20 bis zu verarbeiten, als Menschen. Das Erken-
erkennen und zu beheben, bevor sie zu 40 Prozent erhöhen. Somit können Her- nen von Täuschungen durch maschinelles
Ausfällen in Prozessen oder Systemen im steller außerdem ihre Abläufe verbessern Lernen basiert darauf, mehr Muster aus Da-
Betrieb führen. Im Gegensatz hierzu steht und ihre Lieferketten intakt halten. ten zu extrahieren, als es durch das Erstel-
die vorbeugende Instandhaltung (englisch: len von Regeln möglich wäre. Das Modell
Preventive Maintenance), bei der die In- Fraud Detection wird anhand historischer Daten beispiels-
standhaltung auf der Lebenserwartung weise zum Verbraucherverhalten trainiert,
von Komponenten basiert (zum Beispiel Bei der Erkennung von Täuschungen (eng- von denen bekannt ist, dass sie entweder
die mittlere Zeit zwischen Ausfällen). Beide lisch: Fraud Detection) geht es um die Ana- betrügerisch oder normal waren. Ein gro-
sind Arten der planmäßigen Wartung. Die lyse von Dokumenten, Nachrichten und ßer Vorteil von tiefem Lernen ist die Mög-
vorbeugende Wartung beinhaltet jedoch Vorgängen, um Fälschungen und betrü- lichkeit, mehrere Datentypen zu kombinie-
allgemeine beste Praktiken für die Pflege gerische Absichten frühzeitig erkennen ren. So kann ein Modell beispielsweise den
von Komponenten, ohne dass der genaue und abwehren zu können. Hierzu zählt die Text analysieren, den ein Kunde oder eine
Verwendungszweck dieser bekannt sein Identifikation von gefälschtem Geld oder Kundin in einem Versicherungsantrag ge-
muss. Die vorausschauende Wartung nutzt gefälschten Dokumenten, gestohlenen Kre- schrieben hat, und ihn in Kombination mit
die tatsächlich gemessene Nutzung, die Be- ditkarten, betrügerischem Schriftverkehr einfacheren Eingabedaten verwenden, um
triebsbedingungen und das Feedback der oder gestohlenen Identitäten. eine genaue Vorhersage zu treffen.
Anlagen und Komponenten, um individu-
elle Vorhersagen über bevorstehende Pro- In der Vergangenheit wurde die Betrugser- Vorhersage und Optimierung
bleme zu erstellen. Die Implementierung kennung durch regelbasierte Algorithmen
von vorausschauenden Wartungsdiensten durchgeführt, die typischerweise kompli- Auf Grundlage der Auswertung großer Da-
ermöglicht es Unternehmen, potenziellen ziert zu konstruieren sind, aber oftmals tenmengen ist es möglich, Vorhersagen zu
Ausfällen oder Störungen einen Schritt vo- dennoch keine schwierig zu umgehende verschiedenen Fragestellungen zu treffen.
raus zu sein und diese proaktiv anzugehen, Hürde darstellen. Bei diesen Techniken be- Hierzu werden in der Regel Regressions-
anstatt auf Probleme zu reagieren. steht die Gefahr, dass viele betrügerische modelle eingesetzt, die auf Basis nume-
Aktivitäten übersehen werden oder dass es rischer Effektvariablen eine numerische
Dies führt einerseits zu einer Senkung der zu einer übermäßigen Anzahl von falsch Zielvariable vorhersagen. Auf diese Weise
Kosten durch weniger ungeplante Ausfall- Positiven kommt, bei denen die Karten der können Aussagen zur wahrscheinlichen
zeiten, weniger redundante Inspektionen Kundschaft aufgrund eines falsch identifi- Entwicklung von Verläufen getroffen und
und ineffektive präventive Wartungsmaß- zierten verdächtigen Verhaltens abgelehnt Trends vorhergesagt werden.
nahmen und andererseits ergeben sich Ein- werden. Traditionelle Modelle sind auch
sparungen durch erhöhte Produktivität sehr unflexibel, was zu einem Problem in Eines der wichtigsten Elemente der heu-
und geringere Arbeits- und Materialkosten. einer Anwendung werden kann, da be- tigen Entscheidungsfindung, sowohl im
Nach Angaben von McKinsey (2017) kön- trügerische Benutzerinnen und Benutzer öffentlichen als auch im privaten Sektor, ist
nen vorausschauende Wartungstools die ständig neue Wege finden, um das Sicher- die Vorhersage. In den letzten Jahrzehnten
7DGUV Forum 10/2021 Schwerpunkt Künstliche Intelligenz
sind ökonometrische Prognosen auf der vative Assistenzsysteme, die neue Funktio-
Weitere Informationen
Grundlage von Modellen im privaten und nalitäten mit sich bringen oder bestimmte
öffentlichen Entscheidungsprozess sehr Funktionen erst ermöglichen.
Vertrauenswürdige künstliche
beliebt geworden. Wenn die Vorhersage
Intelligenz
auf der Grundlage von Zeitreihendaten Rückfahrassistenten, die Hindernisse
www.dguv.de/ifa/fachinfos/
erfolgt, zum Beispiel von Ereignissen, die hinter einem Fahrzeug erkennen und bei
kuenstliche-intelligenz
sich in einem bestimmten Zeitintervall er- einer Annährung ein akustisches Warn-
eignen, spricht man von Zeitreihenprogno- signal ausgeben, oder Rückfahrkameras
sen. Die Zeitreihenprognose ist der Prozess sind schon lange auf Fahrzeugen verschie-
der Vorhersage zukünftiger Ereignisse auf dener Art im Einsatz. Für die besonderen
der Grundlage historischer Daten. Anforderungen der Arbeitswelt sind diese möglich. Wurde die Hand erkannt, muss
Systeme jedoch nicht ausgelegt und bie- jedoch auch unterschieden werden, ob es
Zeitreihenprognosen werden schon seit ten daher dort oftmals keinen Vorteil. So sich bei der Bewegung dieses Körperteils
geraumer Zeit in verschiedenen Bran- erzeugt ein Rückfahrassistenzsystem auf um eine normale der Aufgabe entsprechen-
chen eingesetzt. Sie werden verwendet, um einem Flurförderfahrzeug durch die be- de Bewegung handelt oder diese anormal
künftige Entscheidungen zu treffen; zum engten Raumverhältnisse in den schmalen ist, wie es beispielsweise bei einem Ab-
Beispiel sind im Einzelhandel Umsatzpro- Korridoren von Warenlagern fast fortwäh- rutschen der Hand der Fall wäre. Nur so
gnosen sehr wichtig, damit die Rohstoffe rend Warnungen, die folglich nach kurzer kann ein rechtzeitiges Stillsetzen und Ab-
entsprechend beschafft werden können. Zeit vom Bedienpersonal ignoriert werden. senken des Sägeblatts eingeleitet werden,
Das bekannteste Beispiel ist die Wetter- Hierfür bieten KI-basierte Systeme, wie um Verletzungen zu verhindern. Zur Vor-
vorhersage, bei der auf der Grundlage der das Assistenzsystem Blaxtair des franzö- hersage der Bewegung kann abermals ein
Muster in der Vergangenheit und der jüngs- sischen Herstellers Arcure eine einfache tiefes neuronales Netz verwendet werden.
ten Veränderungen die Zukunft vorherge- Lösung. Dieses System führt eine Klassi-
sagt werden kann. Diese Vorhersagen sind fikation seiner Umgebung durch und kann Ausblick
sehr wichtig und stellen in der Regel den so zwischen Objekten und Personen unter-
ersten Schritt zur Lösung anderer Probleme scheiden. Dies ermöglicht die Definition Obgleich bereits viele Beispiele für den
dar. Maschinelles Lernen kann aber nicht zweier Schutzbereiche. Im weiter gefass- Einsatz von KI im Bereich der Arbeitswelt
nur zur Vorhersage, sondern auch zur Opti- ten Schutzbereich werden nur Warnungen existieren, wird der Sektor in den kommen-
mierung verwendet werden. Optimierungs- erzeugt, wenn es sich beim Hindernis um den Jahren auch weiterhin schnell an Be-
probleme erfordern häufig den Einsatz von eine Person handelt, im enger gefassten deutung für verschiedene Branchen und
Optimierungsmethoden, die die Minimie- Schutzbereich erzeugen jedoch auch Ob- somit insbesondere für den Bereich der
rung oder Maximierung bestimmter Ziel- jekte einen Warnhinweis. Hierdurch lässt Sicherheit und Gesundheit bei der Arbeit
funktionen ermöglichen. Gelegentlich sind sich die Häufigkeit der Warnmeldungen gewinnen – und damit auch für die gesetz-
die zu optimierenden Probleme jedoch we- wesentlich verringern, wodurch diese ihre liche Unfallversicherung.
der linear noch polynomial[8] und können Wirksamkeit beibehalten.
nicht genau gelöst werden. In diesen Fällen So geht beispielsweise eine Studie davon
ist es notwendig, Heuristiken – also ana- Weiterhin existieren auch heute noch aus, dass sich 2025 die Wirtschaftskraft die-
lytische Vorgehensweisen – anzuwenden, Tätigkeiten, die sich durch herkömmli- ses Sektors (automatisierte Roboter und
die in der Lage sind, diese Art von Prob- che technische Schutzeinrichtungen wie Fahrzeuge sowie Datenanalyse) zwischen
lemen zu lösen. Insbesondere künstliche beispielsweise Lichtschranken nicht ab- 6,5 und 12 Billionen Euro pro Jahr bewegen,
neuronale Netze können zur Annäherung sichern lassen. Ein Beispiel hierfür ist dürfte.[9] Eine weitere Studie, basierend auf
der Zielfunktion bei Optimierungsproble- die Arbeit an Formatkreissägen. Die nor- einem makroökonomischen Modell für
men verwendet werden. male Tätigkeit an diesen Maschinen ver- 12 Länder und 16 Wirtschaftszweige mit
langt, dass ein Werkstück mit der Hand künstlicher Intelligenz als zusätzlichem
Assistenzsysteme zum Sägeblatt geführt und mit diesem in Produktionsfaktor, untersuchte den mög-
Kontakt gebracht werden muss. Um diese lichen Einfluss auf das Bruttoinlandspro-
Auch für den Bereich der Sicherheit und Tätigkeit absichern zu können, müssen dukt (Purdy & Daugherty, 2017). Diese Stu-
Gesundheit bei der Arbeit bieten Verfahren abermals verschiedene Objekte vonein- die prognostiziert für das Jahr 2035 eine
der KI viele Möglichkeiten. Insbesondere ander unterschieden werden können. In zusätzliche Bruttowertschöpfung durch KI
die technische Unfallprävention profitiert diesem Fall das Werkstück, welches das von 1,6 Prozent pro Jahr für Deutschland.
von der Fähigkeit der KI, auch komplexe Sägeblatt berühren darf, und die mensch- Zum Vergleich: Die Steigerung der globa-
Aufgabenstellungen in nicht vollständig liche Hand, bei der ein Kontakt verhindert len Bruttowertschöpfung durch den Ein-
definierbaren Umgebungen lösen zu kön- werden muss. Dies ist durch eine Klassi- satz von Industrierobotern lag bei gerade
nen. Das ermöglicht beispielsweise inno- fikation auf Basis tiefer neuronaler Netze einmal 0,4 Prozent.
8DGUV Forum 10/2021 Schwerpunkt Künstliche Intelligenz
Es wird eine gesellschaftliche Debatte darü- Das Institut für Arbeitsschutz der DGUV das IFA an der internationalen Normung
ber zu führen sein, wie das Arbeiten mit KI- (IFA) arbeitet daher an Konzepten, um zu KI auf europäischer und globaler Ebe-
basierten Systemen wie beispielsweise kol- nicht nur die Sicherheit und Gesundheit ne und führt eigene Forschungsarbeiten
laborierenden Robotern genau ausgestaltet bei der Arbeit beim Einsatz von Technolo- in diesem Bereich durch. ←
werden muss und ob alles, was theoretisch gien der künstlichen Intelligenz zu erhal-
technisch umsetzbar wäre, auch ethisch ge- ten, sondern auch durch deren Einsatz zu
wünscht beziehungsweise legitim ist. fördern. In diesem Rahmen beteiligt sich
Literaturangaben
Ammanath, B.; Hupfer, S.; Jarvis, D.: Thriving in the era of pervasive AI, Deloitte Insights, 2020
Buechel, M.; Knoll, A.: Deep Reinforcement Learning for Predictive Longitudinal Control of Automated Vehicles, 21th IEEE International
Conference on Intelligent Transportation, 2018
Daugman, J. G.: Vollständige diskrete 2-D-Gabor-Transformationen durch neuronale Netze zur Bildanalyse und -komprimierung. In: IEEE-
Transaktionen zu Akustik, Sprache und Signalverarbeitung 36 (7), S. 1169–1179, 1988
Dilda, V.; Mori, L.; Noterdaeme, O.; Schmitz, C.: Manufacturing: Analytics unleashes productivity and profitability, McKinsey Corp., 2017
Ko, S. K.; Kim, C; J., Jung, H.; Cho, C.: Neural Sign Language Translation Based on Human Keypoint Estimation. In: Applied Sciences Volume
9/2019, S. 2683 ff.
Kuhlenkötter, B.; Zhang, X.; Krewet, C.: Quality Control in Automated Manufac-turing Processes – Combined Features for Image Processing.
In: Acta Polytechnica Volume 46 No. 5/2006
Morris, R.: Planning, Scheduling and Monitoring for Airport Surface Operations, Workshop of the 13th AAAI Conference on Artificial
Intelligence: Planning for Hybrid Systems, 2016
Purdy, M.; Daugherty, P.: Why AI is the future of growth, Accenture Plc., 2016
Purdy, M.; Daugherty, P.: How AI boosts industry profits and innovation, Accenture Plc., 2017
Smagin Y.; Popov, P.: The technology and operating concept for driverless shunting locomotives at Luzhskaya Marshalling Yard. In:
Signalling Datacommunication, Eurail Press, DVV Media Group, no. 12/2018 (110), S. 30–38
Swati, G. G.; Sharma, M.; Vig, L.: Information Extraction from Hand-Marked Industrial Inspection Sheets, 14th IAPR International Conference
on Document Analysis and Recognition (ICDAR), S. 33–38, 2017
Vecerik, M.; Sushkov, O.; Barker, D.; Rothörl, T.; Hester, T.; Scholz, J.: A Practical Approach to Insertion with Variable Socket Position Using
Deep Reinforcement Learning, arXiv:1810.01531v2, 2018
Zhou, L.; Gao, J.; Li, D.; Shum, H.: The Design and Implementation of XiaoIce, an Empathetic Social Chatbot, arXiv:1812.08989, 2018
Fußnoten bearbeiten zu lassen. im Bild in bestimmten Richtungen vorhanden
[4] Symbolische künstliche Intelligenz ver- ist, extrahiert. Diese Merkmale haben sich
[1] Ein Framework ist ein unvollständiges wendet menschenlesbare Symbole und Logik, als besonders geeignet für die Darstellung
Programm, das für andere Programme eine um reale Konzepte in Form von Regeln dar- und Unterscheidung von Texturen erwiesen
wiederverwendbare, gemeinsame Struktur zur zustellen. Hierdurch werden menschliche (Daugman, 1988).
Verfügung stellt. Wissens- und Verhaltensregeln explizit in [7] Ein Convolutional Neural Network ist ein
[2] Eine Programmbibliothek ist eine Samm- Computerprogramme eingebettet. künstliches neuronales Netz, das in der Bild-
lung von Unterprogrammen und beinhaltet [5] Eine Support Vector Machine ist ein Ver- erkennung und -verarbeitung verwendet wird
meist Hilfsmodule zur Lösung thematisch fahren des maschinellen Lernens. Das Ver- und speziell für die Verarbeitung von Pixel-
zusammengehörender Problemstellungen. fahren unterteilt eine Menge von Objekten daten ausgelegt ist.
[3] CUDA ist eine Schnittstellentechnologie so in Klassen, dass um die Klassengrenzen [8] Eine Polynomfunktion, oder auch ganzra-
und Berechnungsplattform, mit der sich herum ein möglichst breiter Bereich frei von tionale Funktion, besteht aus einem Polynom,
Grafikprozessoren ansprechen und auch für Objekten bleibt. also aus einem Term, in dem mehrere Variab-
nicht grafikspezifische Berechnungen nutzen [6] Gabor-Merkmale werden aus einer Tex- len mit verschiedenen Exponenten vorkom-
lassen. Hierdurch ist es möglich, bestimmte tur-Analyse, bei der analysiert wird, ob in men und dabei mit einem +/- voneinander
Programmteile neben der CPU von einem oder einem lokalisierten Bereich um den Punkt getrennt sind.
mehreren Grafikprozessoren parallelisiert der Analyse ein bestimmter Frequenzinhalt [9] Vgl. Purdy & Daugherty, 2016
9Sie können auch lesen
