RAKI - abgeschlossen

Rapide Erklärbare Künstliche Intelligenz für Industrieanlagen

Technologiebereich: (Mathematische) Optimierung & Planung; Machine Learning

RAKI kombiniert verschiedene Ansätze des maschinellen Lernens, um die Analyse großer Mengen an Industriedaten zu verbessern und so die Kosten für die Optimierung von Anlagen zu senken. Gleichzeitig stellt RAKI sicher, dass die Lernergebnisse der Künstlichen Intelligenz (KI) für den Menschen nachvollziehbar (erklärbar) sind.

Herausforderung
Der Maschinen- und Anlagenbau macht einen großen Teil der deutschen Exporte aus, doch der Wettbewerb mit anderen Industrienationen nimmt zu. Um auf diesem Markt bestehen zu können, müssen deutsche Produkte effizienter und effektiver gefertigt werden. Ein vielversprechender Ansatz besteht darin, Industriedaten mithilfe von Künstlicher Intelligenz auszuwerten, um Anlagen und Prozesse zu optimieren. Allerdings fallen sowohl in der Fertigung als auch beim Betrieb von Maschinen enorme Datenmengen an. Klassische Optimierungsverfahren geraten hier schnell an ihre Grenzen – sie dauern zu lange und sind damit unwirtschaftlich.

Umsetzung
Im Projekt wurden zunächst Konzepte und Software-Prototypen entwickelt, damit die Fachleute für die jeweilige Anwendungsdomäne eigenständig tabellarisch strukturierte Daten in aussagekräftige und auswertbare semantische Modelle konvertieren können. Diese semantischen Modelle sind Grundlage für das folgende maschinelle Lernen, wobei RAKI erstmals Induktives logisches Programmieren (ILP) und Reinforcement Learning (RL) kombiniert. ILP bezeichnet ein Verfahren, das besonders gut geeignet ist, um Menschen in den Lernprozess einzubinden und die Ergebnisse in eine natürliche, für Menschen verständliche Sprache zu übersetzen. Hierzu wurde ein neuartiges Verbalisierungsverfahren entwickelt, das semantische Technologien mit Deep-Learning-Methoden kombiniert. Reinforcement Learning funktioniert nach dem Prinzip „Trial-and-Error“, das System lernt selbstständig und wird durch Feedback verstärkt, wodurch sich der Lernprozess beschleunigt. In der Kombination der beiden Ansätze gelingt es, auch extrem große Datenmengen zu analysieren und nachvollziehbare datengestützte Entscheidungen in kurzer Zeit zu treffen. Durch die Fertigstellung eines Software-Prototypen, der die Basisfunktionalitäten der beschriebenen methodischen Ansätze bereitstellt und diese zu einem gebrauchsfähigen Gesamtsystem zusammenführt, konnte die durchgängige Machbarkeit aller Konzepte und Komponenten gezeigt werden.

Anwendung und Nutzen
RAKI beschleunigt die maschinellen Lernprozesse bei der Verarbeitung von großen Mengen an Industriedaten und verspricht damit erhebliche Kostenersparnisse. Die Lösung ist branchenoffen angelegt und ermöglicht damit auch die Entwicklung von Anwendungen und intelligenten Services in anderen Wirtschaftszweigen, zum Beispiel in der Biomedizin, der Energiewirtschaft oder im Gesundheitssektor. Zwei sehr heterogene Anwendungsfälle werden zur Evaluation herangezogen und bearbeitet: Beim „Skill Description Learning/Skill Matching“ geht es darum, die individuellen Funktionalitäten von komplexen Produktionsanlagen zunächst automatisiert in semantischen Modellen zusammenzufassen und diese dann den konkreten Prozessabläufen zuzuordnen. Im Anwendungsfall „Intrusion Detection for Cybersecurity“ lassen sich ungewöhnliche Vorkommnisse in einer IT-Infrastruktur erkennen und beschreiben. So lässt sich schnell erkennen, ob es sich dabei tatsächlich um einen Cyberangriff handelt. Die gelernten Muster können anschließend zur automatischen Klassifizierung von Ereignissen als Angriff oder reguläres Ereignis genutzt werden.

Konsortium
AI4BD Deutschland GmbH, Universität Paderborn, Siemens AG, Universität Leipzig