Kognitive Maschinen

Schrauben, Bohren, Schweißen oder Kleben: Der am Fraunhofer IFF entwickelte mobile Assistenzroboter ANNIE erlaubt eine direkte Kooperation von Mensch und Maschine.

Kognitive Systeme/Maschinen: Maschinen das Lernen lehren

Service-Roboter

Maschinen erobern immer mehr Einsatzbereiche und helfen Menschen, bessere Entscheidungen zu treffen. Die International Data Corporation (IDC) rechnet mit weltweiten Ausgaben für kognitive Lösungen in Höhe von über 40 Mrd US-Dollar bis zum Jahr 2020. Fraunhofer will die Aktivitäten in den relevanten Forschungsfeldern stärker bündeln und zielgerichtet vorantreiben.

Einkaufsassistent Paul vom Fraunhofer IPA fragt Kunden nach ihren Wünschen und begleitet sie zum entsprechenden Regal.
© Foto Saturn

Einkaufsassistent Paul vom Fraunhofer IPA fragt Kunden nach ihren Wünschen und begleitet sie zum entsprechenden Regal.

Über »Affective Computing« ermöglicht das Fraunhofer IIS ein maschinelles Erkennen von Emotionen.
© Foto Fotolia

Über »Affective Computing« ermöglicht das Fraunhofer IIS ein maschinelles Erkennen von Emotionen.

Service-Roboter Paul begrüßt neuerdings als Einkaufsassistent die Kunden in einem Elektronik-Fachmarkt in Ingolstadt, fragt nach ihren Produktwünschen und begleitet sie zum entsprechenden Regal. Auf dem Weg plaudert er übers Wetter und stellt schließlich ein paar Feedback-Fragen, zum Beispiel ob man mit seiner Leistung zufrieden sei. »Er agiert in einer dynamischen Alltagsumgebung, in der er Objekte oder Personen erkennt und darauf reagiert«, erklärt Martin Hägele, Abteilungsleiter Roboter- und Assistenzsysteme am Fraunhofer IPA. Via Sensoren nimmt der Roboter Informationen über seine Umwelt auf, um jederzeit verlässlich zu navigieren und Personen für die Dialogführung zu orten.

In Paul steckt die Roboterplattform Care-O-Bot4®, die vom Fraunhofer IPA ursprünglich zur aktiven Unterstützung des Menschen in Haushalt, Hotel, Pflegeheim oder Krankenhaus entwickelt wurde. Nun soll sie zunehmend in Unternehmen eingesetzt werden.

Umgebungen verstehen, Handlungen planen, auf Hindernisse reagieren, mit Menschen kommunizieren – diese Herausforderungen meistern kognitive Systeme mit Methoden des Maschinellen Lernens. Dabei lernen Maschinen auf Basis von Beispieldaten eine Aufgabe zu lösen und das Erlernte auf neue Situationen zu übertragen. So können sie Prozesse planen und optimieren, Prognosen treffen, Muster oder Auffälligkeiten erkennen sowie Bild- und Sprachsignale analysieren – und bilden die Grundlage für wichtige Zukunftstechnologien wie autonomes Fahren oder autonome Roboter.

Dass Einkaufsassistent Paul sogar die Laune seines Gegenübers erkennen und eigene Gemütszustände zum Ausdruck bringen kann, verdankt er der vom Fraunhofer IIS entwickelten Software SHORE und »Affective Computing». Hier werden Emotionen in Mimik maschinell erkannt, Sensordaten fusioniert und Biosignale wie Puls, Stimme, Gestik oder Bewegung analysiert. So lassen sich Stresslevel von Autofahrenden oder Fabrikarbeitern und -arbeiterinnen ebenso ermitteln wie Kundenwünsche oder -bedürfnisse. »Analysten halten Affective Computing für den kommerziell am schnellsten wachsenden Markt im Themenfeld Maschinelles Lernen«, erläutert Dr. Jens-Uwe Garbas, Gruppenleiter Intelligente Systeme am Fraunhofer IIS.

Unsicherheiten beherrschen

Unterwasserroboter müssen vollkommen autonom agieren.
© Foto karakter Design Studio

Unterwasserroboter müssen vollkommen autonom agieren.

Eine besondere Herausforderung ist es für Roboter, sich ihren Weg durch unbekanntes Terrain zu bahnen. Das Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB entwickelt hierfür probabilistische Verfahren, die Aussagen nicht nur als »richtig« oder »falsch«, sondern mit einer bestimmten Wahrscheinlichkeit bewerten, die den Unsicherheitsgrad der Aussagen angibt. »Die Technik ist hochkomplex, spielt aber eine entscheidende Rolle, um alle möglichen Unsicherheiten zu beherrschen«, erklärt Professor Jürgen Beyerer. So konstruiert der Roboter durch die Beobachtung der realen Welt für sich eine Art »Weltmodell« und kommt über Assoziation, Interpretation neuer Informationen und das Lernen neuer Konzepte zu angepassten Schlussfolgerungen. Diese »mächtige Gedächtnisstruktur« ermöglicht sogar den Einsatz von Robotern in Gefahrenzonen, wie das Fraunhofer IOSB am Beispiel des vollständig autonomen Fahrzeugs »IOSB.amp Q1« gezeigt hat. Es ist in der Lage, auch besonders unwegsames Gelände selbständig zu erkunden. Eine anspruchsvolle Aufgabe, die sich rein logikbasiert nicht lösen ließe.

Den wohl höchsten Autonomiegrad benötigen Unterwasserroboter, die in Tiefen operieren, in die keinerlei Lichtsignale oder Funkwellen mehr dringen. Sie gleiten kabellos durch die Tiefe, sammeln Beobachtungsdaten und kehren von allein zum Forschungsschiff zurück. Der Wettbewerb Shell Ocean Discovery XPRIZE fordert Teams weltweit auf, sich an der großflächigen Kartierung des Meeresbodens in Tiefen von bis zu 4000 Metern zu beteiligen. Einziges deutsches Team im Feld sind die Arggonauts vom Fraunhofer IOSB.

Doch auch ohne Roboter erzielen lernende Systeme in vielen Industriebereichen immer mehr Wirkung. So können maschinelle Lernverfahren auch bei der Untersuchung von komplexen Situationen unter realen Bedingungen genutzt werden, was beispielsweise aufwendige Prototypen-Tests ersetzen kann. Am Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI erforscht das Team um Professor Jochen Garcke, Abteilungsleiter für numerische datenbasierte Vorhersage, wie sich die verschiedenen Methoden an konkrete technische Aufgaben anpassen lassen. In der Fahrzeugentwicklung etwa werden numerische Crash-Simulationen genutzt, um Bauteile und Blechdicken bereits während der Entwicklungsphase laufend zu optimieren. »Unsere Verfahren helfen dabei, die große Menge komplexer Daten zu strukturieren«, erklärt Garcke. »Welche Daten sind ähnlich, welche unterschiedlich? Bei 50 verschiedenen Verformungen ist das nicht so einfach zu sehen.« So entstanden innovative Methoden für Entwicklungsingenieure in der Automobilindustrie, die nun Daten vieler Simulationen gleichzeitig und vergleichend analysieren können.

Insbesondere im Ingenieurumfeld taucht bei den Maschinellen Lernverfahren das Schlagwort »Greybox« auf. Während Blackbox-Modelle das physikalische Modell der zu lernenden Problemstellung nicht berücksichtigen, wird es in Whitebox-Algorithmen so genau wie möglich hergeleitet und mitverwendet. Greybox kombiniert die beiden Ansätze: Hier wird ein Daten-Analyse-Modell mit physikalischem Wissen angereichert, um bessere Analysen zu erzielen.

Leben retten mit SENEKA – IOSB.amp Q1 in Aktion

Fünf Fraunhofer-Institute aus unterschiedlichen Fachrichtungen haben sich für dasProjekt »Sensornetzwerk mit mobilen Robotern für das Katastrophenmanagement SENEKA« zusammengeschlossen. Das Ziel: eine schnellere Rettung von Menschen im Katastrophenfall durch ein zuverlässiges und flexibles System aus Sensoren, Kommunikationskomponenten und Robotern.

Verkehr simulieren

Das RODOS®-System ist der erste interaktive Bewegungssimulator auf Basis eines Industrieroboters.
© Foto Fraunhofer ITWM

Das RODOS®-System ist der erste interaktive Bewegungssimulator auf Basis eines Industrieroboters.

Eine Software vom Fraunhofer IAIS lernt, verschiedenste Verkehrsinformationen schneller und effizienter zu erkennen.
© Foto Fraunhofer IAIS

Eine Software vom Fraunhofer IAIS lernt, verschiedenste Verkehrsinformationen schneller und effizienter zu erkennen.

Mit Systemsimulationen zur virtuellen Fahrzeugentwicklung und -absicherung arbeitet auch das Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM. »Zwischen vollständig menschgeführt und autonom gibt es heute verschiedene Level von Assistenzsituationen, es kommen immer mehr Informationssysteme zum Einsatz«, erklärt Dr. Klaus Dreßler, Abteilungsleiter für Mathematische Methoden in Dynamik und Festigkeit am Fraunhofer ITWM. Wie Fahrer und ihre Assistenzsysteme auf äußere Umstände reagieren, untersucht er mithilfe von RODOS, dem ersten interaktiven Bewegungssimulator auf Basis eines Industrieroboters, der weit über die Möglichkeiten eines Standardsimulators hinausgeht. Dies soll künftig Absicherungskonzepte für den Mischverkehr ermöglichen. »Wir fordern die autonomen Fahrzeuge in ihrer Intelligenz und beobachten, wie sie reagieren, wenn sie etwa von einem menschgesteuerten Auto geschnitten werden.«

Eine weitere Herausforderung im Straßenverkehr ist der Baustellenbereich: Fahrer verhalten sich unsicher und automatisierte Fahrzeuge haben Probleme, komplexe Verkehrsführung mit unterschiedlichen Informationen zu Geschwindigkeit oder Spurenverlauf zu verstehen. Anfang Dezember 2016 startete das vom deutschen Wirtschaftsministerium mit knapp zwei Mio Euro geförderte Projekt AutoConstruct, in dem eine echtzeitfähige Umfelderkennung von Baustellen über serientaugliche und kostenoptimierte Kamerasensorik für das hoch- und vollautomatisierte Fahren entwickelt werden soll. Maßgeblich beteiligt ist das Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS, das die Aufgabe der Bilderkennung und -verarbeitung übernimmt. »Mit Deep Learning – einer Schlüsseltechnologie für die Zukunft der Automotive-Branche – bringen wir der Software bei, die klassischen Muster schneller und effizienter zu erkennen«, erklärt Dr. Stefan Eickeler, zuständig für das Thema Objekterkennung am Fraunhofer IAIS.

Deep Learning bezeichnet mehrschichtige künstliche neuronale Netze, die sich in abstrakter Form an den Informationsverarbeitungsprozessen im menschlichen Gehirn orientieren und für die Analyse hochkomplexer Daten eingesetzt werden. Allerdings weiß heute nicht einmal die Forschung genau, wie neuronale Netze zu bestimmten Ergebnissen kommen. Man füttert gewissermaßen eine Blackbox mit Werten und erhält »überraschend« gut verwendbare Ergebnisse. Das Team um Dr. Wojciech Samek, Leiter der Forschungsgruppe für Maschinelles Lernen am Fraunhofer-Institut für Nachrichtentechnik, Heinrich-Hertz-Institut HHI, hat mit der Technischen Universität Berlin eine Software entwickelt, mit der man einem neuronalen Netz beim Denken zuschauen kann. Speist man beispielsweise Erbgutdaten von Patienten und Patientinnen in ein solches Netz ein, kann es analysieren, mit welcher Wahrscheinlichkeit der Patient eine bestimmte genetische Erkrankung hat. »Noch interessanter wäre es aber zu wissen, an welchen Merkmalen das Programm seine Entscheidungen festmacht«, sagt Samek. Das könnte ein bestimmter Gendefekt sein, der Hinweise für eine individuell auf den Patienten zugeschnittene Krebstherapie liefert.

Medizin individualisieren

© Foto istock

Am Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI fokussiert sich die Abteilung Bioinformatik darauf, den Weg von der Wissensgenerierung in die Anwendung für die biotechnologische und pharmazeutische Industrie zu beschleunigen, in erster Linie im Bereich Demenzforschung. Hier müssen sehr unterschiedliche Daten und verteiltes Wissen miteinander kombiniert werden. Das gelingt über Krankheitsmodelle, deren Generierung eine Spezialität der Abteilung ist. »Maschinelle Lernverfahren helfen uns dabei, sowohl Daten als auch Wissen aus der Literatur in einer Größenordnung zu extrahieren, die weit über die kognitiven Fähigkeiten einzelner Wissenschaftler hinausgeht«, hält Professor Martin Hofmann-Apitius fest, Abteilungsleiter für Bioinformatik. »Mithilfe der Maschinen generieren wir ›Modelle der Welt‹, die jenseits menschlicher Leistungsfähigkeit neue Einsichten in die Wirkungsmechanismen von Demenzerkrankungen erlauben.«

Selbstlernende Software für bessere medizinische Diagnosen

© Foto Fraunhofer MEVIS

MRT, CT, Pathologie – Ärzte müssen immer mehr und immer komplexere medizinische Bilddaten berücksichtigen, um Diagnosen zu stellen und Therapien zu überwachen. Eine effektive Unterstützung soll ein neuer Ansatz bieten, an dem das Fraunhofer-Institut für Bildgestützte Medizin MEVIS in Bremen arbeitet.

Im Projekt AMI (Automation in Medical Imaging) sollen selbstlernende Computeralgorithmen die Datenfluten in medizinischen Bilddaten automatisch durchforsten und nach Auffälligkeiten suchen, um dadurch künftig die Treffsicherheit von computergenerierten Diagnosen zu steigern. Beginnend mit der höchsten Auflösungsstufe verdichten diese neuronalen Netze Daten, bis Informationen und Bildinterpretationen entstehen. Diese wiederum helfen Ärzten, Diagnosen schneller und sicherer zu treffen. Korrigieren Mediziner die Computerdiagnose, kann dieses neue Wissen in den selbstlernenden Algorithmus einfließen. Projektpartner ist die niederländische Radboud-Universität Nijmegen mit einer der weltweit führenden Forschergruppen für automatische Bildauswertung.

 

Prozesse optimieren

Ebenfalls immer größere Datenbestände erzeugt in Zeiten von Industrie 4.0 und Internet of Things die industrielle Produktion. »Um die Normalität eines Prozesses zu überwachen und Fehler zu erkennen, setzen wir schon seit 2009 unüberwachte, datengetriebene Lernverfahren ein«, erklärt Christian Frey, Abteilungsleiter Mess-, Regelungs- und Diagnosesysteme am Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB. »Jetzt können wir die Prozesse zudem noch optimieren.« Dabei sucht das System in den Daten nach »Key Perfomance Indices« und bildet diese wiederum auf Qualitäten, Ressourceneffizienz, Material- oder Energieverbräuche und Ähnliches ab. Konkret eingesetzt wird beispielsweise schon ein universelles Tool zur Überwachung komplexer chemischer Prozesse.

Am Fraunhofer-Institut für Offene Kommunikationssysteme FOKUS legt man den Schwerpunkt auf die Nutzung zeitvariabler Strompreise in stromintensiven Prozessen sowie auf »Predictive Maintenance«, die vorausschauende Wartung für verteilte Anlagen und für das Infrastruktur-Management von Smart Cities. »Wir erstellen beispielsweise Prognosen für das ›Load Shifting‹, den Lastenausgleich«, erläutert Dr. Florin Popescu, Projektleiter IT4Energy-Zentrum am Fraunhofer FOKUS. Das Load Shifting soll Energiespitzen in der Produktion verhindern und von zeitvariablen Energietarifen profitieren. Diese Prognose basiert sowohl auf Algorithmen als auch auf der Integration von Big Data und führt dazu, dass die Planung kontinuierlich angepasst werden muss. »Wir schätzen, dass bei einer sorgfältigen Prognose die Betriebskosten von großen energieintensiven Industrien um fünf bis zehn Prozent gesenkt werden können«, so Popescu. »Noch mehr Einsparpotenzial gibt es bei Windparks und anderen fest stehenden Anlagen.«

Kollege Roboter in der industriellen Produktion

Und wenn in der industriellen Produktion Mensch und Maschine direkt nebeneinander arbeiten und miteinander kooperieren sollen? Mobile Assistenzroboter müssen auch die Bewegungen des Werkers erkennen und entsprechend ausweichen können. Sie müssen zudem selbstständig entscheiden, welche Aktion notwendig ist, um vielfältige Aufgaben im Umfeld mit dem Menschen durchzuführen. Forscherinnen und Forscher vom Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF entwickeln den mobilen Assistenzroboter ANNIE sowie das komplexe Softwareframework und die Sensordatenverarbeitung, um Aufgaben wie Schrauben, Bohren, Schweißen oder Kleben flexibel durchzuführen. »Mobile Assistenzroboter müssen fehlertolerantes Verhalten aufweisen, um auch in unvorhersehbaren Situationen handlungsfähig zu bleiben«, sagt Christoph Walter vom Fraunhofer IFF, der die Forschungsthemen zur mobilen Assistenzrobotik am Fraunhofer IFF koordiniert und leitet.

Für den Milliardenmarkt kognitiver Systeme besteht noch hoher Forschungs- und Entwicklungsbedarf, große Investitionen sind erforderlich. Fraunhofer ist hier mit den Kernkompetenzen ein bedeutender Systemanbieter. Ziel ist es, Forschung und Entwicklung kognitiver Maschinen als zukunftsweisendes Themenfeld in Deutschland zu fördern, prominent zu platzieren und in Innovationen umzusetzen. Dazu wurde bereits eine Reihe von Kooperationen und Initiativen ins Leben gerufen. So hat die Fraunhofer-Allianz Big Data eine weitreichende Untersuchung zur Marktentwicklung und zum Innovationspotenzial von Künstlicher Intelligenz als intern gefördertes Projekt initiiert. Auch die Young Research Class, das neue Fraunhofer-Karriereprogramm für Nachwuchswissenschaftler, widmet sich dem Thema Kognitive Maschinen. 2017 soll der Machbarkeitsnachweis für die Idee »selbstbestimmt lernender kognitiver Assistenten« erbracht werden. In einem Kooperationsvorhaben zwischen der Fraunhofer-Gesellschaft und der Max-Planck-Gesellschaft zum Thema Maschinelles Lernen will man gemeinsam große, multidimensionale Machine-Learning-Modelle auf die ereignisrelevanten Parameter reduzieren, ohne dabei nennenswerte Qualitätsverluste in Kauf nehmen zu müssen.

Es gibt noch eine Reihe von Fragen zu klären, etwa wie mit ethischen Aspekten umzugehen ist, oder wie sich mit revolutionären Technologien wie neuromorphen Chips die Effizienz der Verfahren weiter steigern ließe. »Alle notwendigen Disziplinen und Kompetenzen sind bei Fraunhofer in hoher Qualität vorhanden«, fasst Professor Jürgen Beyerer vom Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB zusammen. »Jetzt müssen wir die bisher nicht vernetzten Parallelaktivitäten in visionären, symbiotischen Projektteams zusammenführen.«

»Future Work Lab« – Innovationslabor für Arbeit, Mensch und Technik

Wohin entwickelt sich unsere Arbeit? Wie können wir das Potenzial neuer Technologien optimal für unsere Arbeit einsetzen? Die Digitalisierung über die Produktionshallen hinaus hin zu Prozessen und Dienstleistungen wirft viele neue Fragen auf. Antworten und innovative Ansätze bietet das »Future Work Lab«, das gemeinsam mit Prof. Dr. Johanna Wanka, Bundesministerin für Bildung und Forschung, dem Fraunhofer-Vorstand, den Institutsleitern und rund 150 hochkarätigen Gästen aus Politik, Forschung und Wirtschaft eröffnet wurde. In dem Innovationslabor für Arbeit, Mensch und Technik bündeln die Fraunhofer-Institute für Arbeitswirtschaft und Organisation IAO und für Produktionstechnik und Automatisierung IPA sowie das Institut für Arbeitswissenschaft und Technologiemanagement IAT und für Industrielle Fertigung und Fabrikbetrieb IFF der Universität Stuttgart ihre Kompetenzen rund um die Industrie 4.0.

Brauchen wir einen Ethikrat?

Kurz-Interview mit Professor Ina Schieferdecker, Institutsleiterin Fraunhofer-Institut für Offene Kommunikationssysteme FOKUS

Sie plädieren für die Installation eines Ethikrats zu Digitalisierungsfragen. Warum?

Schieferdecker: Die Digitalisierung unserer Gesellschaft ist nicht nur eine technische Herausforderung, sie hat auch eine moralische Dimension, etwa wenn es um Themen wie autonomes Fahren oder den Einsatz von Operationsrobotern geht.

Welche ethischen Fragen müssen beantwortet werden?

Schieferdecker: Wie bringen wir Maschinen moralisches Verhalten bei? Was dürfen Konzerne mit unseren Daten machen? Wie kann ich mich von der omnipräsenten Digitalisierung distanzieren? Wie regeln wir das digitale Vergessen?

Wer soll dem Ethikrat angehören?

Schieferdecker: Philosophen, Mediziner, Juristen und natürlich Informatiker.

Glossar zu Kognitive Systeme/Maschinen

Die wichtigsten Begriffe zum Thema Kognitive Systeme/Maschinen kurz erklärt.

Kognitive Systeme/Maschinen sind technische Systeme, die digitale Information aus Sensordaten und Netzen aufnehmen und daraus auf Basis von lernenden Algorithmen Schlussfolgerungen, Entscheidungen und Handlungen ableiten und mit ihrer Umgebung im Dialog verifizieren und optimieren. 

Als Maschinelles Lernen werden Verfahren bezeichnet, in denen ein Algorithmus / eine Maschine durch Wiederholen einer Aufgabe lernt, diese bezüglich eines Gütekriteriums immer besser auszuführen.

Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik, das sich damit beschäftigt, Maschinen mit Fähigkeiten auszustatten, die intelligentem (menschlichem) Verhalten ähneln. Dies kann mit vorprogrammierten Regeln oder durch Maschinelles Lernen erreicht werden. Starke bzw. generelle KI bezeichnet Maschinen, die generalisierende Intelligenz- und Transferleistungen erbringen können und somit nicht nur auf sehr begrenzte, vordefinierte Aufgabenfelder beschränkt sind.

Neuronale Netze, Deep Learning: Künstliche neuronale Netze sind eine Basis für Maschinelle Lernverfahren nach dem Vorbild der Nervenzellenvernetzung im Gehirn. Sie bestehen aus Datenknoten und gewichteten Verbindungen zwischen diesen. Durch Änderung verschiedener Parameter im Netz können Maschinelle Lernverfahren realisiert werden. Mit »Deep Learning« werden neuronale Netze mit stark erhöhter Anzahl von Ebenen bezeichnet, mit denen man in neue Problemklassen vorstoßen konnte.

Blackbox-, Greybox-, Whitebox-Modelle unterscheiden sich darin, ob und in welchem Umfang der Algorithmus das physikalische Modell der zu lernenden Problemstellung kennt und in seinen Lernprozess miteinbezieht. Whitebox-Modelle kennen dies möglichst genau, Blackbox-Ansätze berücksichtigen das Modell hingegen nicht. Greybox bezeichnet Kombinationsansätze zwischen beiden.

Neuromorphe Chips sind Mikrochips, bei denen Eigenschaften und Architektur von Nervenzellen auf Hardware-Ebene nachgebildet werden. Diese Neuronen-ähnlichen Bauelemente simulieren die Lern- und Assoziationsfähigkeit des Gehirns, was besonders die Erkennung von Mustern in Bildern oder in Big-Data-Strukturen beschleunigen kann.