Aus Erfahrung zu lernen ist eine unserer wichtigsten Fähigkeiten. Inzwischen haben wir sie auf dem Umweg über Computersoftware auch unserer Umgebung beigebracht, die damit Erstaunliches leistet. Maschinen wurden zu lernenden Systemen, die sich erinnern, sich selbständig entwickeln, Geräte steuern, Prognosen abgeben und vieles mehr. 
„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). Die Komplexität und die Spezialisierung unserer Gesellschaft nehmen immer weiter zu. Maschinelles Lernen eignet sich hervorragend, um all die gesammelten Daten zu verarbeiten und Optimierungsmöglichkeiten zu erkennen. Deshalb ist es bereits heute die einzige Lösung, um hochkomplexe Prozesse zu beherrschen.
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. „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.“
Lernende Systeme sind besonders erfolgreich bei Prognosen. Beim Blick in die Zukunft geht es darum, Muster zu erkennen. Menschen können das auch, scheitern allerdings, wenn es um vielschichtige Modelle geht. Computer können sie erkennen und mit ihrer Hilfe erfolgreichere Vorhersagen treffen. Die Prognosetechniken, die zurzeit bei Siemens entwickelt werden, liefern erstaunlich scharfe Schnappschüsse der Zukunft. 

Von der Wartung bis zum Börsenkurs

Dabei ist es der Software gleichgültig, ob es um Leistung, Verhalten und Wartungsbedarf von Systemen – von der Turbine bis zum Windpark – geht oder um ökonomische Trends wie die Entwicklung von Rohstoffpreisen und Börsenkursen. Schon jetzt wird Siemens beim Einkauf von Strom in Deutschland und für den Kupferbedarf weltweit durch Vorhersagen des lernenden Systems Software Environment for Neural Networks (SENN) unterstützt, ein hochdimensionales, nichtlineares Modellbildungssystem. Dr. Hans Georg Zimmermann, Siemens-Forscher, der die mathematischen Grundlagen für über 60 industrielle Prognosesysteme geschaffen hat, setzt auf neuronale Netze. „Sie kommen mit realen Anwendungen zurecht, egal wie nichtlinear oder hochdimensional das zugrundeliegende Problem ist. Außerdem sind sie ein eleganter Rahmen für die Modellierung temporärer Strukturen“, erklärt er. In einer aktuellen Studie, bei der es um die Vorhersage der Nachfrage für 16 verschiedene Schaltschrankmodelle ging, hat Zimmermanns Team SENN gegen ein lineares Modell ins Rennen geschickt. Die Prognosen waren wesentlich genauer als bei linearen Systemen. „Solche Nachfrageprognosen können bei der Optimierung der Lieferkette helfen und die Kosten reduzieren“, sagt Zimmermann.
Prognosen der Leistung von Windparks werden immer wichtiger, weil mit dem steigenden Anteil von erneuerbaren Energien Energieversorger auch die Liefermengen vorhersagen müssen. Dafür hat Zimmermanns Team ein neuronales Netz entwickelt, das auf den wesentlichen Einflussparametern für die Stromerzeugung durch Windkraft basiert. Sensoren sammeln Daten zu Windgeschwindigkeit, Turbulenzen, Temperatur und Druck. 
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. Für Photovoltaikanlagen werden zurzeit ähnliche Modelle entwickelt.
Der gewöhnliche Ansatz für die Messung von Unsicherheit in dynamischen Systemen ist, die Abweichung zwischen der Vorhersage des Modells und dem, was in der Realität tatsächlich geschieht, in eine Risikoeinschätzung zu verwandeln. Zimmermann und sein Team haben einen alternativen Ansatz entwickelt. Die Prognoseunsicherheit wird dabei quantifiziert, indem man die Verteilung des Eintretens verschiedener Szenarien analysiert. Anstatt einer einzigen zukünftigen Entwicklung bietet diese Methode eine Reihe verschiedener Szenarien, die dann ausgewertet werden können.

Städte bei Investitionen unterstützen

Es gibt aber auch noch viele andere Anwendungsmöglichkeiten moderner Prognosetechniken. Sie könnten bei komplexen Entscheidungen helfen. Ein Beispiel sind Investitionen von Städten und Regionen in den Bereichen Straßenbau, Luftfahrt, Wasser- und Stromversorgung. 
Siemens nutzt dieses Potenzial, um die langfristigen Vorteile verschiedener Standorte zu bestimmen, bevor man neue Fabriken baut. In Zukunft werden wir vielleicht Apps herunterladen, um die Funktionen unserer Häuser, Fahrzeuge, Unternehmen oder Lieferketten zu überwachen, unsere Ernährung oder Fitness zu optimieren und bessere Finanzentscheidungen zu treffen. 
Verfeinerte Prognosetechniken sind aber nur ein Teil der Möglichkeiten, die die neue Lernfähigkeit von Software und Maschinen bietet. Intelligente Roboter können komplexe Aufgaben bei Wartung und Kontrolle übernehmen. Quadcopter nennen sich minihubschrauberähnliche Flugobjekte, die für verschiedene Aufgaben eingesetzt werden können. Mit Lasern tasten sie Wände, Fenster, Schreibtische und Regale ab, sortieren die Datenströme nach Farben, Kontrasten und Kanten. Sie fliegen auf zuvor festgelegten Bahnen, identifizieren Hindernisse und weichen ihnen aus, um letztlich ein präzises 3-D-Modell ihrer Umwelt zu erstellen. 
Entwickelt wurden die Quadcopter im Rahmen des „Fly & Inspect“-Projekts von einem Team um Yakup Genc aus Princeton und dem Robotiker Nicholas Roy vom MIT. Mit dem neuen Flugobjekt sollen digitale 3-D-Modelle komplexer Innenräume geschaffen werden, etwa von Gepäckabfertigungs-, Fabrik- oder Veranstaltungshallen, die dann für die Gebäudeplanung und -inspektion verwendet werden können. 
Mit dem kleinen Helikopter lassen sich auch Beschädigungen von Windkraftanlagen oder Strommasten entdecken und genau lokalisieren. 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.

Herausforderung sehen

Für künstliche Intelligenz ist maschinelles Sehen nach über fünfzig Jahren Forschung weiterhin die größte Herausforderung. Doch Schritt für Schritt bringen Forschergruppen künstlichen Systemen nun das Sehen bei, auch bei Siemens. Gearbeitet wird an Systemen, die Satellitenbilder auf komplexe Muster wie Fabrikanlagen, Gebäude, Straßen und andere Infrastruktur hin untersuchen, auf Röntgenbildern von Gepäck und Containern nach verdächtigen Gegenständen fahnden, im Verkehr Straßenschilder lesen, Menschenmengen überwachen oder schwer zugängliche Orte kartografieren und inspizieren.
Auch in diesem Fall heißt das Zauberwort „lernen“. Computerwissenschaftler füttern die Programme mit Hunderttausenden von Objektbildern, aus denen intelligente Algorithmen charakteristische Merkmale ableiten. So etwas hilft bei der Nummernschilderkennung, die für Mautsysteme ebenso wichtig ist wie bei Systemen, die speziell gekennzeichnete Gefahrguttransporte identifizieren.

Systeme lernen, was normal ist

Inzwischen ist die Technik auch beim Sehen und Erkennen schon wieder einen Schritt weiter. Im Rahmen des Projekts Outlier geht es darum herauszufinden, was normal ist. Das Analyseprogramm lernt in diesem Fall während des Betriebs. Es beobachtet über längere Zeit einen erfassten Bildausschnitt, etwa einen belebten öffentlichen Platz oder eine Straßenkreuzung, und ermittelt daraus, was statistisch normal ist. 
Maschinelles Lernen erobert auch Werkzeugmaschinen wie Hochleistungsbohrer und -drehbänke. Ein neues Programm ermöglicht es Werkzeugmaschinen, ihre Leistung laufend auf Basis von Sensordaten wie Vibrationen, Strömung, Drehmoment, Drehzahl und Temperatur zu optimieren. Um die Maschinen zu testen, müssen sie nicht mehr außer Betrieb gesetzt werden. Die Software passt auch die Parameter an, wenn ein neuer Auftrag hereinkommt. Geradezu revolutionär sind die Veränderungen, die maschinelles Lernen im Servicebereich auslösen wird: Statt zu warten, dass es bei teuren Geräten zu Ausfällen kommt, gibt es nun Softwareprogramme, die Vorzeichen für ein baldiges Versagen erkennen und vorhersagen, wann Anlagen ausfallen werden.

Ungelöst bleibt: Was geschieht?

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 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 zwanzig weitere Jahre vergehen.

Zum nächsten Artikel