ATP!Info
Oliver Niggemann ist Professor an der Hochschule OWL und stellvertretender Leiter von Fraunhofer in Lemgo. Er forscht zum Thema „Maschinelles Lernen“ im Bereich Big Data in der Produktion. Am 12. Und 13. Dezember warer Chair auf der Fachkonferenz „Big Data Technology in the Production Line“ in Düsseldorf. Foto: Fraunhofer IOSB-INA

Lernende Maschinen: Auf dem Weg zur KI

Maschinelles Lernen (ML) und Künstliche Intelligenz (KI) sorgen dafür, dass Maschinen selbstständig werden. Was bedeutet das für die Zukunft der Arbeit und der Gesellschaft? Diese und andere essentielle Fragen wurden in der vergangenen Woche auf der internationalen Konferenz »Big Data Technology in the Production Line« in Düsseldorf gestellt – unter der Leitung des Fraunhofer IOSB-INA aus Lemgo.

Der stellvertretende Leiter vom Fraunhofer IOSB-INA in Lemgo, Professor Oliver Niggemann, arbeitet seit längerem auf dem Gebiet der künstlichen Intelligenz im Produktionsumfeld. Er ist sich sicher: »Lernfähige Maschinen werden die Arbeits- und Produktionsweise flächendeckend neugestalten. Diese Entwicklung hat ein enormes Potential für die deutsche Wirtschaft.«

Auf der diesjährigen Fachkonferenz zu den Themen Big Data und Prozessoptimierung trafen sich in der vergangenen Woche internationale Experten, um sich über den Stand der Forschung auszutauschen und einen Ausblick auf die Produktion der Zukunft zu geben.

Big Data als zentrales Merkmal der Produktion der Zukunft

Big Data – die enormen Datenmengen, die mehr und mehr aus den vernetzten Maschinen und Anlagen erhoben werden, ist vielleicht das zentrale Merkmal, dass die Zukunft der Produktion angebrochen ist. Von Sensor- über Steuerungs- bis hin zu Auftrags- und Prozessdaten erwartet die Unternehmen und die Menschen darin buchstäblich eine Flut von Daten. Diese bergen ein großes, bislang noch nicht erschlossenes Potenzial, um ganze Produktionen flexibler, sicherer und effizienter zu gestalten, vor allem aber, um sie besser verstehen und nutzen zu können, so ein Konsens der Forscher und Unternehmer.

Um Big Data erfassen, kontrollieren und nutzen zu können, braucht der Mensch Unterstützung durch maschinelle Lernverfahren – durch Algorithmen, die die Datenmengen beherrschbar machen. In Fachkreisen werden solche Assistenzsysteme als Wegbereiter der künstlichen Intelligenz in der Produktion angesehen, also selbstständig lernende, agierende und sich optimierende Helfer für den Menschen. Dabei wird in der Forschung wie auch in der Anwendung immer deutlicher, dass der Mensch mit seinen Fähigkeiten unersetzlich in diesem Wandel bleiben wird.

»Bei all den Möglichkeiten, vernetzt und dezentral zu produzieren, große Mengen an Ressourcen zu sparen und dabei kleinste Losgrößen zu erreichen – auch in ferner Zukunft werden menschliche Kreativität, Entscheidungsfähigkeit, handwerkliche Erfahrung und unternehmerisches Denken unverzichtbar sein. Künstliche Intelligenz in der Industrie wird diese einzigartigen Fähigkeiten unterstützen und in neuer Form zur Geltung bringen«, so Niggemanns Fazit.

Verwandte Themen
Leseprobe: Artikel zur IT-Sicherheit von Feldgeräten aus der aktuellen atp edition weiter
ATP-Tube: Cedric präsentiert Themen, die elektrisieren weiter
Digitalisierung: Deutsche Wirtschaft sieht sich auf gutem Weg weiter
IT-Trends 2018 - "Science Fiction" wird dank KI und gemeinsamer IT-Plattformen real weiter
Fertigungsindustrie-Trends 2018 - Zukunftstechnologien treiben Branche voran weiter
Cloud AutoML - Google bietet künstliche Intelligenz für jedes Unternehmen weiter

Relevante Publikationen für Sie:

„Smarte“ Sensoren in der Feldebene Cover

„Smarte“ Sensoren in der Feldebene

Intelligente Überwachung von industriellen Anlagen
Thomas Glock/FZI Forschungszentrum Informatik / Martin Hillenbrand/FZI Forschungszentrum Informatik / Christoph Weiler/Siemens / Michael Hübner/Ruhr-Universität Bochum, FZI Forschungszentrum Informatik

mehr
µPlant: Modellfabrik für vernetzte heterogene Anlagen Cover

µPlant: Modellfabrik für vernetzte heterogene Anlagen

Automatisierungstechnische Konzeption und Realisierung
Andreas Kroll/Universität Kassel / Axel Dürrbaum/Universität Kassel / David arengas/Universität Kassel / Hassan al Mawla/Universität Kassel / Lars Kistner/Universität Kassel / Alexander Rehmer/Universität Kassel

mehr
Zuverlässigkeitsbewertung in frühen Entwicklungsphasen Cover

Zuverlässigkeitsbewertung in frühen Entwicklungsphasen

Ansatz basierend auf rigide definierten Softwarekomponenten
MICHAEL WEDEL/Universität Stuttgart

mehr