SIEMENS

Sie arbeiten in Kraftwerken, Lagerhallen und Krankenhäusern. Man findet sie in Überwachungszentren, Finanzabteilungen und bei der Postsortierung. Manche hämmern auf glühendes Metall, andere fliegen wie kleine Hubschrauber durch Fabrikhallen, wieder andere helfen, riesige Mengen Strom zu erzeugen. Sie alle gehören zu einer neuen Generation von Systemen: den lernenden Maschinen. Die Fähigkeit, aus Erfahrung zu lernen, macht aus Maschinen Systeme, die sich erinnern, selbstständig entwickeln und die uns nicht selten überraschen – sei es dadurch, dass sie die Effizienz der weltgrößten Turbine noch steigern können oder dass sie die Anatomie des Herzens automatisch erkennen, was entsprechende Eingriffe sicherer und für den Patienten schonender macht. Ist das ein Paradigmenwechsel oder der Beginn einer Revolution? Ganz gleich wie man es nennt, maschinelles Lernen beschleunigt den Wissenserwerb und wird zu einem entscheidenden Wettbewerbsfaktor.

„Lernen ist das Tor zur Intelligenz“, sagt Tomaso Poggio, Professor im Fachbereich Gehirn- und Kognitionswissenschaften am Labor für Künstliche Intelligenz des Massachusetts Institute of Technology (MIT, siehe Artikel „Lernen als Tor zur Intelligenz“). „Die Komplexität und die Spezialisierung unserer Gesellschaft nehmen immer weiter zu. Maschinelles Lernen eignet sich hervorragend, all die gesammelten Daten zu verarbeiten und Optimierungsmöglichkeiten zu erkennen. Deshalb ist es bereits heute die einzige Lösung, um hochkomplexe Prozesse zu beherrschen.“

Die Welt mathematisch abbilden. Was könnte komplexer sein, als beispielsweise die Entwicklung der Strom- oder Kupferpreise vorherzusagen, die von tausenden Variablen abhängen? Genau für solche und ähnliche Aufgaben hat Siemens das lernende System „Software Environment for Neural Networks“ (SENN) entwickelt (siehe Artikel „Die Wissenschaft der Prognosen“). Schon jetzt unterstützen die Vorhersagen von SENN Siemens beim Einkauf von Strom in Deutschland und von großen Kupfermengen weltweit. Dr. Hans-Georg Zimmermann, der SENN maßgeblich mitentwickelt hat und die meisten Patente an der Software hält, erklärt: „Die Prognostik ist ein Rennen zwischen der sich steigernden Komplexität der Welt und unserer zunehmenden Fähigkeit, mit den Möglichkeiten der Informationstechnologie die Welt mathematisch abzubilden.“

Ein weiteres gutes Beispiel für den Zusammenhang von Komplexität und IT-Lösungen sind Verfahren, die statt Operationen am offenen Herzen einen Katheter verwenden. Um sie durchführen zu können, muss der behandelnde Arzt jedoch praktisch in den Patienten hineinsehen können. Hierfür entwickeln Wissenschaftler Bildverarbeitungssysteme, die sie mit tausenden Bildern menschlicher Herzen trainieren. Diese Computersysteme können dann beispielsweise selbsttätig die Umrisse einer Aortenklappe auf flimmernden Angiographie- und Ultraschallbildern identifizieren. Sie erkennen auf beiden die entsprechenden anatomischen Punkte und kombinieren diese Bilder anschließend zu einer Hybridansicht (siehe Artikel „Verstecktes Wissen nutzen“).

Anders als beim menschlichen Lernen, bei dem umso weniger nützliche Informationen extrahiert werden können, je größer die Datenmenge ist, entfalten künstliche Systeme ab einem bestimmten Komplexitätsgrad erst ihr volles Potenzial. So haben sie bereits erstaunliche Erkenntnisse in Versuchen geliefert, in denen mögliche Beziehungen zwischen verschiedenen Bereichen des menschlichen Genoms erkannt werden sollten – eine unlösbare Aufgabe für das menschliche Gehirn (siehe Artikel „Maschinen lernen Lernen“). „Wenn die Software erst einmal auf diesem Gebiet trainiert wurde“, erklärt Prof. Dr. Bernhard Schölkopf, Direktor des Max-Planck-Instituts für intelligente Systeme in Tübingen und Stuttgart, „werden die Ergebnisse immer präziser, je mehr Daten eingespeist werden.“

Dasselbe gilt für den Zusammenhang von lokalen Wetterbedingungen und der Vorhersage der Leistung eines Windparks – hier müssen große Datenmengen in Echtzeit verarbeitet werden (siehe Artikel „Aus Erfahrung gut“). Wissenschaftler von Siemens haben dafür ein autonomes lernendes System entwickelt, das vor Ort Sensordaten zu Windgeschwindigkeit, Turbulenzen, Temperatur und Druck sammelt. Die Software erfasst schrittweise den Zusammenhang zwischen Inputvariablen und Output des Windparks und passt dann Parameter wie den Anströmwinkel der Rotorblätter an, um die Leistung zu optimieren. Da es im Betrieb immer mehr Erfahrungen sammelt, kann das System mit der Zeit eine wesentliche Verbesserung der Gesamtleistung eines Windparks erzielen.

Auch bei der Wartung von Windparks können wir von maschinellem Lernen profitieren. Ein Beispiel: Nach einem schweren Sturm möchte ein Betreiber Türme und Propeller auf Schäden überprüfen lassen. Dafür ist eine direkte visuelle Inspektion besser als eine Prüfung mit Fernglas. Warum nicht fliegende Roboter verwenden? Genau so etwas sollen künftig die Quadcopter leisten können, die Wissenschaftler von Siemens Corporate Technology (CT) in Princeton und dem MIT in Boston konstruieren – kleine fliegende Videoplattformen, die mithilfe von Lasern und optischen Sensoren Inspektionen durchführen und 3D-Modelle ihrer Umgebung erstellen (siehe Artikel „Maschinenauge sei wachsam“). Die Geräte wurden bereits in Tests zur Überprüfung großer Industrieanlagen eingesetzt, wo sie detaillierte digitale Karten vom Inneren der Anlagen erstellten, um Modernisierungsmaßnahmen zu unterstützen. Sie könnten auch darauf trainiert werden, Schäden bei Windparks genau zu erkennen und zu lokalisieren.

Was haben Briefumschläge, Nummern- und Straßenschilder, Pharmaprodukte und Supermarktregale gemeinsam? Buchstaben, Zahlen und den Bedarf an Systemen, die diese automatisch lesen und zuordnen können. Auch hierfür liegt der Schlüssel im maschinellen Lernen (siehe Artikel „Sehen heißt verstehen“). Siemens ist weltweit führend bei Adresslesesystemen für Postverteilzentren. Dank einer ausgeklügelten Schrifterkennung können 90 bis 95 Prozent aller handgeschriebenen Texte fehlerfrei gelesen werden. So etwas hilft bei der Nummernschild-Erkennung, die für Mautsysteme ebenso wichtig ist, wie bei Systemen, die speziell gekennzeichnete Gefahrguttransporte identifizieren – es ist ein Markt mit einem riesigen Potenzial weltweit.

Maschinelles Lernen erobert sogar Werkzeugmaschinen wie Hochleistungsbohrer und -drehbänke. So wurde 2008 im Technology-to-Business-Center von Siemens in Berkeley, Kalifornien, unter Leitung von Dr. Sarah Peach ein Programm ins Leben gerufen und vor kurzem an CT in Princeton zur weiteren Entwicklung übergeben. Dabei arbeiten die Forscher Dr. Linxia Liao und Zack Edmonson zusammen mit der Geschäftseinheit Motion Con trol an der Feinabstimmung einer Software namens „Plug and Prognose“ (PnP). Dank dieses Programms können Werkzeugmaschinen kontinuierlich von Sensordaten wie Vibrationen, Strömung, Drehmoment, Drehzahl und Temperatur lernen und ihre Leistung so anpassen, dass sie den optimalen Werten entspricht. Um die Maschinen zu testen, muss sie dann kein Spezialtechniker mehr außer Betrieb setzen. Die Software bezieht auch die nötige Flexibilität der Produktionslinie in die Berechnungen mit ein. „Wenn etwa ein neuer Auftrag hereinkommt, bei dem dickere Aluminiumplatten durchbohrt werden müssen, kommuniziert PnP mit der Maschinensteuerung und passt die entsprechenden Parameter an“, erklärt Liao. „Der PNP-Algorithmus ändert sich automatisch ohne Zutun des Bedieners. Kurz: Die Maschine lernt aus Erfahrung.“

Generell kann maschinelles Lernen jede erdenkliche Technologie vorantreiben: ob in der Medizintechnik, der Energieversorgung, der Automatisierung, bei Sicherheitsanwendungen oder der Vorhersage von Preis- und Absatzentwicklungen. Trotzdem gibt es einige grundlegende Aufgaben, die damit noch nicht gelöst werden können: zum Beispiel zu interpretieren, was auf einem Foto von Personen auf einer Party gerade geschieht. „Ich denke, das wäre eine der größten intellektuellen Herausforderungen für eine Maschine“, sagt Poggio. „Es gibt Systeme wie Watson von IBM, die Antworten auf komplexe Fragen finden. Es gibt Systeme, die Menschen oder Autos auf einem Bild zählen können. Aber zu erkennen, was auf einem Bild geschieht? Bis ein künstliches System dazu fähig ist, werden wahrscheinlich noch mindestens 20 weitere Jahre vergehen.“