{"id":33599,"date":"2021-02-04T08:41:20","date_gmt":"2021-02-04T06:41:20","guid":{"rendered":"https:\/\/cm-edgetun.pages.dev\/de-de\/industry\/blog\/?p=33599"},"modified":"2021-03-16T09:51:44","modified_gmt":"2021-03-16T07:51:44","slug":"ki-fur-autonome-systeme-jetzt-einsteigen-und-praxisbeispiele-selbst-ausprobieren","status":"publish","type":"post","link":"https:\/\/cm-edgetun.pages.dev\/de-de\/industry\/blog\/manufacturing\/2021\/02\/04\/ki-fur-autonome-systeme-jetzt-einsteigen-und-praxisbeispiele-selbst-ausprobieren\/","title":{"rendered":"KI f\u00fcr Autonome Systeme: Jetzt einsteigen und Praxisbeispiele selbst ausprobieren"},"content":{"rendered":"

Zuerst gab es mechanische Systeme. Dann automatisierte. Und jetzt: autonome! Entdecken Sie Projekt Bonsai, den Microsoft KI-Ansatz f\u00fcr Autonome Systeme, und erfahren Sie mehr \u00fcber die Vorteile von k\u00fcnstlicher Intelligenz und angelernter Robotik f\u00fcr die Fertigungsindustrie.<\/p>\n

Schon einmal mit einem Autonomen System interagiert? Lernen Sie Moab kennen, ein kleines Kraftpaket mit hoher k\u00fcnstlicher Intelligenz! Was verst\u00e4rkendes Lernen f\u00fcr Robotik-Innovationen in der Fertigungsindustrie bedeutet, warum unser Projekt Bonsai wenig mit empfindlichen Pfl\u00e4nzchen zu tun hat und wieso ein Tischtennisball beim Machine Teaching pl\u00f6tzlich die Hauptrolle spielt, erfahren Sie in unserem neuen Blogbeitrag \u201eKI f\u00fcr Autonome Systeme\u201c.<\/p>\n

<\/p>\n

K\u00fcrzlich ist bei uns ein neues Familienmitglied eingezogen. Es h\u00f6rt auf den eher sperrigen Namen \u201eMoab-Device\u201c. Moab ist ein Open-Source-Kit f\u00fcr Robotik-Hardware, mit dem sich spielerisch erlernen l\u00e4sst, wie man KI-L\u00f6sungen f\u00fcr Autonome Systeme mithilfe der Microsoft Bonsai-Plattform<\/a> trainieren kann. In diesem Artikel erhalten Sie nicht nur einen kurzen \u00dcberblick \u00fcber Microsoft Bonsai, sondern erfahren auch, wie Sie selbst ein Autonomes System in einer virtuellen Umgebung aufbauen und f\u00fcr Ihre Zwecke anlernen k\u00f6nnen.<\/p>\n

 <\/p>\n

<\/p>\n

Was sind Autonome Systeme?<\/h2>\n

Zu den j\u00fcngeren Durchbr\u00fcchen im Bereich der k\u00fcnstlichen Intelligenz z\u00e4hlen vor allem datenbasierte Algorithmen mit rein digitalen Inputs und Ergebnissen. So werten beispielsweise Machine-Learning-Systeme heute medizinische Bilder aus, erkennen betr\u00fcgerische Kreditkartentransaktionen, verfassen realistische Texte, erstellen perfekte Bild- oder Videof\u00e4lschungen und \u00fcbertrumpfen sogar ausgewiesene Weltklasse-Profis in komplexen Brett- und Videospielen.<\/p>\n

Bei Autonomen Systemen muss sich die KI von der Welt der Bits und Bytes nun in die Welt der Atome vorwagen. Hierbei geht es um intelligente Agents, die in physischen Umgebungen handeln k\u00f6nnen. Beispiele sind unter anderem autonome Fahrzeuge, Industrierobotik, die Steuerung komplexer Produktionsprozesse oder Drohnen.<\/p>\n

Datengesteuerte Ans\u00e4tze, wie supervisiertes Machine Learning, reichen in der Regel nicht aus, um diese KI-Systeme erfolgreich auch in der realen Welt einzusetzen. Genau das ist der Ausgangspunkt f\u00fcr die Microsoft Bonsai-Plattform f\u00fcr Autonome Systeme<\/a>. In der folgenden Abbildung sehen Sie einige darauf basierende Use Cases f\u00fcr Optimierungs- und Steuerungsprozesse:<\/p>\n

 <\/p>\n

<\/p>\n

Abbildung mit f\u00fcnf Use-Case-Beispielen f\u00fcr Optimierungs- und Steuerungsprozesse: Motion Control, Smart Buildings, Calibration, Process Control und Industrial Robotics<\/em><\/p>\n

 <\/p>\n

Dabei handelt es sich meist um komplexe, dynamische Steuerungs- oder Optimierungsprozesse mit mehreren Zielen und Einflussvariablen. Verdeutlichen wir das am Beispiel der Produktion: Hier sind ganz klassische Ziele die Senkung von Kosten, die Reduzierung von Abfall, die Beschleunigung von Prozessfl\u00fcssen oder die Verbesserung der Ertragssituation oder Qualit\u00e4tskontrolle (damit die Produkteigenschaften innerhalb der Spezifikationen bleiben). Ein eindrucksvoller Use Case daf\u00fcr ist der Einsatz der Microsoft Bonsai-Plattform bei PepsiCo, um die Qualit\u00e4t bei der Fertigung von Cheetos zu optimieren. In diesem Blogpost<\/a> (auf Englisch verf\u00fcgbar) erfahren Sie mehr dar\u00fcber \u2013 oder sehen Sie sich dieses Kurzvideo<\/strong> an:<\/p>\n

<\/a><\/p>\n

Ein weiterer Einsatzzweck von Autonomen Systemen in der Fertigungsindustrie k\u00f6nnte darin bestehen, die Verwaltungsaufgaben f\u00fcr Ingenieure oder Maschinenf\u00fchrer zu vereinfachen. Denken Sie nur daran, dass es manchmal Jahre oder gar Jahrzehnte in Anspruch nehmen kann, einen hochkomplexen Maschinenkalibrierungsprozess zu meistern. Das Delegieren von Routineaufgaben an Autonome Systeme kann hingegen k\u00fcnftig dazu beitragen, die \u00dcberlastung Einzelner in der Fertigungsstra\u00dfe zu vermeiden.<\/p>\n

Eine g\u00e4ngige Methode, um diese Art von Systemen aufzubauen, wird als verst\u00e4rkendes Lernen (Reinforcement Learning) bezeichnet: Dabei lernen die KI-Agents, indem sie verschiedene Aktionen und Strategien selbst durchprobieren. Der Vorgang beginnt mit der zuf\u00e4lligen Auswahl einer Option unter einer Reihe von m\u00f6glichen Bewegungen. Ein vom Menschen bereitgestelltes Belohnungssystem leitet den Lernprozess, damit die KI die Wirksamkeit ihrer erlernten Handlungen messen kann. So f\u00fchrt beispielsweise der Sieg \u00fcber einen Gegner im Schach zu einer positiven Belohnung. Nach immer wieder neuem Training, oft mit Millionen von Wiederholungen, lernt die KI, die n\u00f6tigen F\u00e4higkeiten zu beherrschen \u2013 und entwickelt manchmal sogar \u00fcbermenschliche F\u00e4higkeiten.<\/p>\n

Das Ziel ist, das endg\u00fcltige Autonome System in der physischen Welt praktisch einsetzen zu k\u00f6nnen. Der Trainingsprozess beginnt dabei immer in einer sicheren, simulierten Umgebung. Das verst\u00e4rkende Lernen hat ein enormes Potenzial und k\u00f6nnte in Zukunft ein entscheidender Baustein f\u00fcr noch viel intelligentere Systeme sein. Zurzeit ist die Entwicklung derartiger Systeme noch immer eine komplexe Herausforderung, auch f\u00fcr Experten. Ein g\u00e4ngiges Sprichwort in der KI-Forschung lautet: Wenn Sie ein bestimmtes Problem durch verst\u00e4rkendes Lernen angehen wollen, haben Sie pl\u00f6tzlich zwei Probleme.<\/p>\n

Die Microsoft Bonsai-Plattform soll nun die Komplexit\u00e4t bei der Entwicklung Autonomer Systeme reduzieren. Fachbereichsexperten wie Maschinenf\u00fchrer oder Ingenieure sollen damit in die Lage versetzt werden, im Lernprozess der KI als \u201eLehrer\u201c zu fungieren. Der Workflow besteht aus folgenden Schritten:<\/p>\n

    \n
  1. Per Machine Teaching wird Fachwissen f\u00fcr ein bestimmtes Themengebiet in den Lernprozess der KI eingebunden.<\/li>\n
  2. Simulationswerkzeuge sorgen f\u00fcr eine schnellere Aufnahme und Skalierung des Trainings.<\/li>\n
  3. Die KI-Engine automatisiert die Generierung und Steuerung neuronaler Netze und DRL-Algorithmen (Deep Reinforcement Learning).<\/li>\n
  4. Die Modelle werden flexibel f\u00fcr die reale Welt bereitgestellt und skaliert.<\/li>\n<\/ol>\n

     <\/p>\n

    Stellen Sie sich vor, Sie m\u00f6chten einem Kind beibringen, wie man Tennis spielt. Sie w\u00fcrden wahrscheinlich damit beginnen, das Spiel zu erkl\u00e4ren, zu zeigen, wie man den Ball mit dem Schl\u00e4ger trifft, und nach und nach immer komplexere Bewegungsmuster vermitteln. Anstatt sich beim Lernen auf das Gehirn des Kindes zu konzentrieren, k\u00fcmmern Sie sich um die tats\u00e4chlichen Kompetenzen und F\u00e4higkeiten, die Sie vermitteln m\u00f6chten. Beim Machine Learning war es in der Vergangenheit nur allzu h\u00e4ufig komplett anders: Viele ML-Experten haben sich prim\u00e4r auf die inneren Abl\u00e4ufe in ihren neuronalen Netzen konzentriert \u2013 und nicht auf das eigentliche Gesch\u00e4ftsproblem. Das Machine-Teaching-Konzept der Bonsai-Plattform l\u00e4utet hier einen Paradigmenwechsel ein: Die Idee dahinter ist, dass die Fachbereichsexperten \u2013 praktisch wie ein Tennistrainer \u2013 den Trainingsprozess anleiten, indem sie Ziele in fachspezifischen Begriffen definieren (beispielsweise Maximierung des Ertrags in einem Produktionsprozess). Diesen Ansatz stellen wir im Folgenden anhand des Moab-Beispiels genauer dar.<\/p>\n

    Simulatoren dienen dazu, die Umgebung zu beschreiben und das KI-Modell beziehungsweise Brain auf sichere Weise zu trainieren, bevor die L\u00f6sung in der realen Welt bereitgestellt wird. Um die Wiederverwendung vorhandener Modelle zu erm\u00f6glichen, unterst\u00fctzt Bonsai h\u00e4ufig verwendete Simulatoren<\/a> wie Anylogic und MathWorks. Da der Trainingsprozess in der Regel sehr rechenintensiv ist, wird einfach die Skalierbarkeit der Azure Cloud auf Abruf genutzt.<\/p>\n

    Wie bereits erw\u00e4hnt, zielt Bonsai darauf ab, die Low-Level-Mechanik des zugrunde liegenden Entwicklungs- und Trainingsprozesses f\u00fcr Machine Learning zu abstrahieren. Dinge wie neuronale Netzwerkarchitekturen oder Belohnungsfunktionen im verst\u00e4rkenden Lernen werden automatisch implementiert und immer wieder neu abgestimmt. Im Idealfall laufen all diese Prozesse automatisiert und ohne weiteres menschliches Zutun ab \u2013 auch wenn manuelle Checks nat\u00fcrlich jederzeit m\u00f6glich sind.<\/p>\n

    Schlie\u00dflich liefert Bonsai auch die Runtime-Funktionen, um das System bereitzustellen und die L\u00f6sung in Ihre weitere Umgebung zu integrieren \u2013 mithilfe der Cloud oder Edge Computing.<\/p>\n

    Praktisches Machine Teaching mit Projekt Moab<\/h2>\n

    Probieren wir nun also unseren Familienzuwachs \u201eMoab\u201c aus: Wir m\u00f6chten dem Ger\u00e4t beibringen, wie man einen Tischtennisball auf einer Platte balanciert. Jetzt \u00fcbernehmen wir die Rolle von Experten im Balancieren von B\u00e4llen, um die KI zu trainieren. Etwaige KI-Vorkenntnisse lassen wir hier bewusst au\u00dfen vor.<\/p>\n

    Tipp: Sie m\u00f6chten das Ganze gleich selbst ausprobieren? Dann nutzen Sie doch unsere virtuelle Umgebung<\/a>, die auch ohne physisches Moab-Ger\u00e4t funktioniert. (Kleiner Hinweis in eigener Sache: F\u00fcr die Hands-on-Umgebung ist ein Azure-Abonnement erforderlich. Sollten Sie noch kein Abonnement haben, k\u00f6nnen Sie einfach unsere kostenlose Testversion<\/a> nutzen.)<\/p>\n

    <\/p>\n

    Animation des Moab-Ger\u00e4ts<\/em><\/p>\n

     <\/p>\n

    Nutzen Sie die\u00a0Moab-Tutorials<\/a>\u00a0mit Schritt-f\u00fcr-Schritt-Anleitungen f\u00fcr die folgenden Szenarien:<\/p>\n

      \n
    1. Balancieren des Balls auf einem virtuellen Moab-Ger\u00e4t<\/li>\n
    2. Schritte, um das Modell robuster zu machen, damit es realen Bedingungen standh\u00e4lt (Domain Randomization)<\/li>\n
    3. Umgehen eines Hindernisses auf der Platte als zus\u00e4tzliche Herausforderung<\/li>\n<\/ol>\n

      Lassen Sie uns das erste Tutorial durchgehen. Es ist ganz einfach und deckt dennoch alle wesentlichen Schritte f\u00fcr das Machine Teaching ab. Rufen Sie den Bonsai-Arbeitsbereich<\/a> auf, um direkt mitzumachen.<\/p>\n

      <\/p>\n

      Screenshot der Startseite von Projekt Bonsai<\/em><\/p>\n

       <\/p>\n

      Nach der Auswahl von \u201eMoab\u201c wird die Umgebung mit den erforderlichen Artefakten f\u00fcr das erste Tutorial gef\u00fcllt. Wir sehen Abschnitte f\u00fcr die Bonsai-Modelle (die Brains), die Simulatoren sowie die Teaching- und Trainingsumgebungen. Die Versuchsspezifikationen sind im Quellcode der Inkling-Sprache enthalten, der im Teaching-Abschnitt zu finden ist. Inkling ist eine Machine-Teaching-Sprache, die entwickelt wurde, damit Sie sich exakt auf Ihre Ziele konzentrieren k\u00f6nnen, w\u00e4hrend sie die zugrundeliegenden Machine-Learning-Details f\u00fcr Sie verarbeitet. Im ersten Tutorial ist es nicht notwendig, den Code anzupassen. Hier finden Sie die folgenden Elemente:<\/p>\n

      <\/p>\n

      Technische Zeichnung des Moab-Ger\u00e4ts<\/em><\/p>\n