Ein ganz normaler KI - Tag

Im Kraftwerk erzeugen Gasturbinen elektrischen Strom. Dabei müssen während des Betriebs bestimmte Einstellungen – etwa die Verteilung des Erdgases auf unterschiedliche Zonen – fortwährend nachreguliert werden, damit die Turbinen emmissionsarm arbeiten. Da zwischen diesen unterschiedlichen Einstell-Parametern komplexe Beziehungen und Wechselwirkungen bestehen, ist es für Menschen – selbst für erfahrene Experten – äußerste schwierig, die für verschiedenste Wetterbedingungen ideale Konfiguration zu finden.  Künstliche Intelligenz, in diesem Fall die aus einem Neuronalem Netz (NN) bestehende Control Policy, ist hingegen sehr erfolgreich. Mittels des bestärkenden Lernens (engl. Reinforcement Learning), also eines Verfahrens mit dem auch Kiki beispielsweise Fahrrad fahren gelernt hat, wurde aus vergangenen Betriebsdaten eine optimale Regelstrategie der Turbine erlernt. Schrittweise findet so die Turbine jeweils ihre optimale Einstellung. Für Gasturbinen lohnt sich das: Im praktischen Einsatz können so die Stickoxidemissionen um rund 10-20% gesenkt werden. Für viele Kraftwerksbetreiber sicherlich ein Grund in KI zu investieren, insbesondere da auch bestehende Turbinen nachgerüstet werden können. (Beispielprojekt)

Navigationssysteme in Autos sind heutzutage Standard, auch solche, die das aktuelle Verkehrsgeschehen in ihre Routenplanung mit einbeziehen. Noch mehr Komfort bringt künstliche Intelligenz – ein neuronales Netz, das gelernt hat, das Schaltverhalten einer Ampel vorherzusagen, das sich abhängig von der Tageszeit, Verkehrslage und der jeweiligen Fahrzeugdichte der Straßen auch ändert.

So „weiß“ das Fahrzeug, wenn es an einer Ampel anhalten muss, in wieviel Sekunden die Ampel auf Grün schalten wird und kann automatisch entscheiden, ob es sinnvoll ist, den Motor in der Wartezeit abzuschalten. In Kombination mit einem Navi, kann das Fahrzeug eine optimale Geschwindigkeit empfehlen, um mit grüner Welle voranzukommen, oder es kann zuverlässiger als bisher schnellere Routen empfehlen. In Wolfsburg, Düsseldorf, Hamburg, Berlin und Wien wurde das System bereits erfolgreich pilotiert. Siemens und Volkswagen kooperieren bei der Weiterentwicklung. (Mehr Infos zu KI für mehr Mobilität)

In der medizinischen Diagnostik müssen Ärzte oft Bildmaterial – etwa Blutproben, histologische Schnitte, CT- und MRT- Aufnahmen – bewerten. Hierbei können Neuronale Netze besonders gut unterstützen, vorausgesetzt sie konnten zuvor an etlichen tausend Trainingsdaten lernen was noch normal und was auffällig ist. Die Patienten profitieren davon, die Diagnose wird genauer, denn Dr. KIkannich kann sich auf alle potentiell problematischen Teile des Blutbildes konzentrieren. Allerdings genügt es nicht, dass ein KI-System eine Diagnose liefert, aber nicht verständlich wird, wie diese zustande kam – kein Arzt darf Therapien einleiten, die auf Ergebnissen einer KI basieren, die er nicht nachvollziehen kann. Nicht nur in der Medizin sondern immer dann, wenn Entscheidungen folgenschwer sein können, dürfen und sollen wir von KI erwarten, dass ihre Entscheidungen nachvollziehbar sind (siehe auch die Ethikrichtlinien der EU).

Die Verantwortung bleibt so bei den Menschen. Die KI-Systeme haben die Rolle eines untergeordneten Gehilfen, der die lästige Datenarbeit abnimmt. Damit die Zusammenarbeit zwischen Menschen und KI-Systemen möglichst gut funktionieret, bemühen sich die Systementwickler darum, sogenannte Digital Companions zur Verfügung zu stellen. Also Systeme, die so konzipiert wurden, dass Menschen möglichst gut und gerne mit ihnen zusammenarbeiten.

Fallen große technische Anlagen, wie Pumpen, Produktionsmaschinen oder Züge aus, dann kommt das die Betreiber oft sehr teuer zu stehen. Insofern haben sie ein großes Interesse daran, Ausfälle unter allen Umständen zu vermeiden. Ihnen hilft, dass sich theoretisch schon Stunden oder auch mehrere Tage im Voraus messbare Auffälligkeiten zeigen. Leider lassen sich selbst mit geeigneten Sensoren und optimal eingestellten Grenzwerten in gängigen Überwachungssystemen nicht alle Ausfälle im Vorfeld erkennen, da sich diese nur im Zusammenspiel aller Sensoren erkennen lassen und diese Muster in den Daten von Gerät zu Gerät verschieden sind. Mit geeigneten Sensoren – etwa für Drücke und Temperaturen – und der richtigen Interpretation des individuellen Maschinenzustands durch künstliche Intelligenz, können allerdings solche Muster erkannt werden, bevor es wirklich zum Ausfall kommt. Experten sprechen von „predictive maintenance“. Ist ein Problem erkannt, müssen die Verantwortlich eine Lösung finden. Und hier ist meist Expertenwissen gefragt etwa, um abzuschätzen, wie schnell reagiert werden muss oder um zu wissen, welche Komponenten ersetzt werden müssen. Erfahrungen von ähnlichen Fällen sind hilfreich, genauso wie das Wissen, wo und wie schnell Ersatzkomponenten verfügbar sind. Im Allgemeinen sind alle wichtigen Informationen in unterschiedlichen verteilten Datenquellen hinterlegt, sie zu finden, kann jedoch äußerst zeitaufwändig sein. Auch hierbei kann künstliche Intelligenz unterstützen, wenn sie gelernt hat, wie verschiedene Datenquellen inhaltlich zusammenhängen. Die bekannteste Technik, Wissen und Zusammenhänge KI-gerecht darzustellen, sind die sogenannten Industrial Knowledge Graphen. Im Service können die Verantwortlichen mit KI so viel lästige Sucharbeit einsparen (ein Anwendungsfall von Mobility).

Während Kiki entspannt, arbeitet die KI im Wasserwerk weiter und schützt die Trinkwasserversorgung. Wasser ist lebensnotwendig.  Dennoch versickert ein hoher Anteil unseres Trinkwassers über Leckagen ungenutzt im Boden. In Regionen, in denen das Wasser knapp ist, kommt es zusätzlich öfter zu Problemen mit Wasserdieben. Weiterhin gibt noch andere Gefahren – etwa möglich Verunreinigungen. Künstliche Intelligenz kann helfen, Anlagen und Leitungen zu überwachen und sofort zu warnen, wenn Auffälligkeiten zeigen.  

2019-01

Aenne Barnard