Künstliche Intelligenz (KI) und maschinelles Lernen

Durch maschinelle Lernverfahren können große Mengen an Daten schnell und präzise analysiert und verarbeitet werden. Machine Learning und Künstliche Intelligenz (KI) zeigen dadurch in Anwendungsgebieten wie dem autonomen Fahren, der Industrie 4.0 oder der Medizintechnik großes Potential, bringen aber auch neue Herausforderungen für die sichere und verlässliche Anwendung mit sich. Deswegen forscht das Fraunhofer-Institut für Kognitive Systeme IKS daran, Künstliche Intelligenz umfassend abzusichern, damit diese auch in sicherheitskritischen Bereichen eingesetzt werden kann.

Jetzt Kontakt aufnehmen

Was ist Künstliche Intelligenz? Was ist maschinelles Lernen?

Künstliche Intelligenz Definition

Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik. Sie imitiert menschliche kognitive Fähigkeiten, indem sie Informationen aus Eingabedaten erkennt und sortiert. Diese Intelligenz kann auf programmierten Abläufen basieren oder durch maschinelles Lernen erzeugt werden.

In den vergangenen Jahren wurden vor allem im Bereich des maschinellen Lernens große Fortschritte gemacht. Das liegt vor allem an der zunehmenden Verfügbarkeit von großen Datenmengen und hoher Rechenleistung, die eine Grundvoraussetzung für die komplexen Berechnungen von Machine Learning sind.

Bei maschinellen Lernverfahren erlernt ein Algorithmus durch Wiederholung selbstständig eine Aufgabe zu erfüllen. Die Maschine orientiert sich dabei an einem vorgegebenen Gütekriterium und dem Informationsgehalt der Daten. Anders als bei herkömmlichen Algorithmen wird kein Lösungsweg modelliert. Der Computer lernt selbstständig die Struktur der Daten zu erkennen. Beispielsweise können Roboter selbst erlernen, wie sie bestimmte Objekte greifen müssen, um sie von A nach zu B transportieren. Sie bekommen nur gesagt, von wo und nach wo sie die Objekte transportieren sollen. Wie genau der Roboter greift, erlernt er durch das wiederholte Ausprobieren und durch Feedback aus erfolgreichen Versuchen.

Neuronale Netze und Deep Learning

Deep Learning Definition

© iStock.com/chinaface

Ein Untergebiet von maschinellem Lernen sind neuronale Netze. Diese Lernalgorithmen sind von Nervenzellenverbindungen im menschlichen Gehirn inspiriert. Das Gehirn verarbeitet Informationen über Neuronen und Synapsen. Analog dazu bestehen künstliche neuronale Netze aus mehreren Reihen von Datenknoten, die mit gewichteten Verbindungen untereinander vernetzt sind.

Das neuronale Netz wird trainiert, indem ihm immer wieder Daten vorgelegt werden. Durch diese Wiederholung lernt das neuronale Netz die Daten jedes Mal exakter einzuordnen. Das funktioniert, indem die Gewichtung für die einzelnen Verbindungen zwischen den Neuronen-Schichten immer wieder angepasst werden. Das in den Lerndurchläufen erzeugte Modell kann dann auch auf Daten angewandt werden, die die Künstliche Intelligenz im Training noch nicht kennengelernt hat.

Haben neuronale Netze verdeckte Neuronen-Schichten, die nicht direkt an die Eingabe- oder Ausgabe-Schicht gekoppelt sind, werden sie »Deep Neural Networks« genannt. Deep Neural Networks können Hunderttausend oder Millionen Neuronen-Schichten aufweisen. Damit können beim sogenannten »Deep Learning« immer komplexere Probleme gelöst werden.

Vielfältige Anwendungsgebiete von maschinellen Lernverfahren und KI-Algorithmen

Künstliche Intelligenz findet in sehr unterschiedlichen Gebieten Anwendung:

  • Bilderkennung: Mit Machine-Vision-Algorithmen können Bilder erkannt und kategorisiert werden. So können sehr viele Daten blitzschnell verarbeitet werden. Maschinelles Sehen kommt unter anderem in der medizinischen Diagnostik oder bei der Gesichtserkennung zum Einsatz, kann aber auch für die Übersetzung von handschriftlichen Zeichen in Druckschrift genutzt werden. Auch für das autonome Fahren ist die Bilderkennung entscheidend.
  • Spracherkennung: Das Erkennen und Interpretieren von verbaler Sprache kann ebenfalls über maschinelle Lernverfahren erlernt werden. Diese Algorithmen kommen beispielsweise in Sprachassistenzsystemen zum Einsatz.
  • Semantische Spracherkennung: Geschriebener Text kann über maschinelles Lernen semantisch interpretiert werden. Das erlaubt kontextbezogene Übersetzungsanwendungen oder Chatbots, die selbstständig sinnvolle Lösungen generieren.
  • Mustererkennung: Maschinelle Lernverfahren können außerdem dazu eingesetzt werden Muster in Ereignisfolgen zu erkennen, die für den Menschen durch die großen Mengen an Datenpunkten, Variablen und Abhängigkeiten nicht erkennbar sind. Beispielsweise kann KI Fehlermuster der Fahrzeugelektronik aus Daten erlernen und diese Anomalien mit dem Verhalten im Betrieb abgleichen. Anomalien werden dadurch schneller erkannt, wodurch früh entgegengewirkt werden kann. Beispielsweise durch den Austausch eines Bauteils, noch bevor es einen Fehler tatsächlich verursacht.
  • Prozessoptimierung: Die erkannten Muster können auch als Informationsbasis für Optimierungsprozesse genutzt werden. Ein Anwendungsfeld für maschinelle Lernverfahren sind maschinell erzeugte Prozessmodelle, die eine optimierte Prozesssteuerung ermöglichen.

Zukunft der Künstlichen Intelligenz –
KI als Treiber von Innovationen

Automatisierte Maschinen müssen schnell und verlässlich auf ihre Umgebung reagieren können. Diese Fähigkeiten werden durch maschinelles Lernen verstärkt. KI-Anwendungen funktionieren aber nicht per se fehlerfrei. Fehler in der Auswahl geeigneter Trainingsdaten, in der Datengenerierung und -verarbeitung können zu gefährlichen Fehlfunktionen des Systems führen, welche die KI selber nicht erkennen und verhindern kann. Der Fokus des Fraunhofer-Instituts für Kognitive Systeme IKS ist es KI-basierte Technologien durch erweiterte und anpassungsfähige Softwarearchitekturen abzusichern.

Insbesondere bei sicherheitskritischen Anwendungen ist es wichtig, dass das System, in dem die Künstliche Intelligenz verbaut ist, absolut sicher und zuverlässig funktioniert. Die Herausforderungen bei der Absicherung von maschinellem Lernen aus Daten unterscheiden sich stark von den Herausforderungen bei herkömmlich programmierter Software. Die verwendeten Trainingsdaten spielen eine wichtige Rolle für die Qualität des erzeugten Neuronalen Netzes. Sind die Daten nicht repräsentativ für die Fülle der Situationen, mit denen das System später konfrontiert ist, ist das Modell nicht gut genug und trifft schlechte Entscheidungen. Damit das Modell auch für nicht gelernte Daten zutrifft, muss das Modell robust sein und abstrahieren können. Es darf also nicht zu eng an den Trainingsdaten liegen, wodurch ein overfitting entsteht und das Modell nicht abstrakt genug für neue Daten ist. Andererseits darf auch kein underfitting, also ein zu simples Modell entstehen, das die Struktur der Daten nicht ausreichend präzise beschreibt.

Safe AI: Absicherung von KI-Systemen beim autonomen Fahren

© iStock.com/Tom de Waart

Für autonomes Fahren ist beispielsweise eine präzise Datenanalyse und Prozesssteuerung unbedingt notwendig. Die Fahrzeuge müssen in der Lage sein, ihre Umgebung zu erkennen, treffsicher zu interpretieren und daraufhin ihre Handlungen zu optimieren.

Im Unterschied zu klassischen Algorithmen besteht bei maschinentrainierten Programmen das Problem, dass die einzelnen Lernschritte nicht von Menschen interpretiert werden können. Durch die automatische Anpassung der Gewichtungen in neuronalen Netzen bleiben lediglich der Input und das Ergebnis für die menschliche Kontrolle zugänglich. Ein Forschungsziel unter dem Schlagwort »Explainable AI« ist daher, neuronale Netze nachvollziehbar zu konzipieren. Denn da der Entscheidungsweg der KI undurchsichtig ist, kann die Sicherheit und Zuverlässigkeit der KI bisher nicht ohne weiteres bewertet werden.

Jetzt Kontakt aufnehmen

Bisher ist auch das maschinelle Sehen (Perzeption) der KI noch nicht so verlässlich, dass es für den sicherheitskritischen Einsatz in autonomen Fahrzeugen auf öffentlichen Straßen geeignet ist. Zunächst müssen daher Wege gefunden werden, Unsicherheiten der KI quantifizierbar zu machen, um die Perzeption sinnvoll bewerten zu können. Das Fraunhofer-Institut für Kognitive Systeme IKS arbeitet daran, diese Herausforderungen zu lösen und nachweisbar verlässliche Systeme zu schaffen, indem es Unsicherheiten der KI quantifiziert. So kann die bisher intransparente Klassifizierung der KI beherrschbar werden. Denn nur, wenn KI-Systeme für den Menschen nachvollziehbar sind, sind sie sicher genug, um beispielsweise beim autonomen Fahren auf öffentlichen Straßen zum Einsatz zu kommen.

Ein Ansatz des Fraunhofer IKS ist es, die KI um eine erweiterte Softwarearchitektur zu ergänzen. Diese überwacht die Künstliche Intelligenz und prüft die getroffenen Entscheidungen auf Plausibilität. Gleichzeitig wird der KI durch den Ansatz des dynamischen Safety-Managements mehr Freiraum gegeben als durch klassische Safety-Ansätze, die immer vom Worst-Case-Szenario ausgehen. So können die Vorteile der schnellen Datenverarbeitung durch maschinelles Lernen genutzt und gleichzeitig mögliche Fehlentscheidungen abgefangen werden. Das ist insbesondere wichtig, wenn wie beim autonomen Fahren durch Fehlentscheidungen der KI Menschenleben gefährdet wären.  

Maschinelle Intelligenz in der Industrie 4.0

© iStock.com/AleksandarGeorgiev

Auch bei der Digitalisierung der Industrie, der sogenannten Industrie 4.0, erlaubt maschinelle Intelligenz eine optimierte Planung und bessere Voraussagen. Automatisierte und vernetzte Maschinen erkennen ihre Umgebung und können selbstständig ihre Handlungen daran anpassen. Auch die Mensch-Roboter-Kollaboration ohne Schutzzaun wird erst durch maschinelles Lernen und Künstliche Intelligenz möglich. Auch hier müssen KI-basierte Robotern abgesichert werden, um Menschenleben nicht zu gefährden.

Im Gemeinschaftsprojekt »REMORA – Multi-Stage Automated Continuous Delivery for AI-based Software & Services Development in Industry 4.0« arbeitet das Fraunhofer IKS mit weiteren Partnern beispielsweise an der einfachen Integration von KI-Services in die Industrie 4.0. Ziel ist es, die Integration von KI für die Echtzeit-Maschinendaten-Analyse zu vereinfachen und Werkzeuge für qualitativ hochwertige und dynamische Maschinendaten zu erstellen. Erfahren Sie mehr auf unserer Projektseite.

Künstliche Intelligenz in der Anwendung

Referenzen und weitere Informationen

 

Zuverlässige Künstliche Intelligenz

Das Fraunhofer-Institut für Kognitive Systeme IKS macht KI vertrauenswürdig und zuverlässig.

 

Einfache KI-Integration für die Industrie 4.0

Ziel ist es, die Integration von KI für die Echtzeit-Maschinendaten-Analyse zu vereinfachen und Werkzeuge für qualitativ hochwertige und dynamische Maschinendaten zu erstellen.

 

Sichere Künstliche Intelligenz für autonomes Fahren

Das Projekt »KI-Absicherung«, eine Initiative des Verbandes der Deutschen Automobilindustrie (VDA), hat sich das Ziel gesetzt, die Sicherheit von KI-Systemen im Auto nachweisbar zu machen.

 

Die digitale Transformation verändert das Gesundheitswesen.

In Zukunft wird uns die digitale Medizin als Patientinnen und Patienten begleiten: Von der Prävention bis hin zur Nachsorge.

Künstliche Intelligenz in unserem Safe Intelligence Onlinemagazin

 

Automatica 2025 / 12.6.2025

Einfachheit trifft Effizienz: mit dem Kollegen Roboter sicher zusammenarbeiten

Sehen und gesehen werden – das zählt auch bei der Zusammenarbeit von Mensch und Roboter in der industriellen Produktion. Worum es dabei geht, zeigt das Fraunhofer IKS auf der Automatica Ende Juni in München unter dem Motto: »Dinge dürfen einfach sein«.

 

Industrieautomatisierung / 19.5.2025

MBO-KISS: Die Zukunft der Steuerungsanwendungen in der Industrie

Kann KI die Produktionssteuerung revolutionieren? Eine Antwort auf diese Frage soll das Forschungsprojekt MBO-KISS (Methoden zur Bewertung und Optimierung KI-generierter Steuerungsanwendungen basierend auf der physikalischen Simulation von Maschinen und deren Sollverhalten) geben. Das Projekt startete Anfang 2025 mit einer Laufzeit von drei Jahren. Ziel ist es, die Möglichkeiten von Large Language Modellen (LLMs) zur Generierung und sicheren Anwendung von Steuerungsanwendungen in der Industrieproduktion zu untersuchen.

 

Künstliche Intelligenz / 24.4.2025

Generative AI: eine Revolution für das Gesundheitswesen?

Künstliche Intelligenz und vor allem LLMs gelten vielen als Hoffnungsträger für ein überfordertes Gesundheitssystem. Vor allem könnte KI-basierte Automation bei Aufgaben des Wissensmanagements schnell Entlastung bringen. Bis es so weit ist, müssen Probleme mit Security und Safety gelöst sowie rechtliche Anforderungen erfüllt werden. Die Forschung des Fraunhofer IKS nimmt sich beider Themen an.

 

Serie DEEP, Teil 4 / 11.4.2025

Im Prozess führt DEEP Regie

Die vorherigen Teile unserer Serie sind auf die Technologien »unter der Motorhaube« von DEEP, der Machine-Learning-Toolkette des Fraunhofer IKS, eingegangen. Hier folgt mit den Prozessschritten des DEEP-Verfahrens der Blick auf das »große Ganze« – wie man DEEP einsetzen kann, um die Probleme beim Einsatz von Maschinellem Lernen (ML) für zukünftige flexible Qualitätsinspektion in den Griff zu bekommen.

 

Industrie 4.0 / 18.3.2025

Toolbox sorgt für mehr Flexibilität in der Produktion

Die Fähigkeit eines Produktionssystems, sich selbständig an neue Umstände anzupassen, verspricht Effizienzgewinne und damit Kostenvorteile. Das gilt auch für späte Änderungsaufträge im Produktionsprozess – ein Fall für das neue Tool-Set des Fraunhofer IKS für eine flexible und resiliente Produktion.

 

Safe Intelligence
Onlinemagazin

Möchten Sie mehr über die Forschung des Fraunhofer IKS zu Künstlicher Intelligenz erfahren? Dann schauen Sie in unserem Safe Intelligence Onlinemagazin vorbei:

Jetzt Kontakt aufnehmen

Kontaktieren Sie uns unverbindlich über das untenstehende Kontaktformular. Wir freuen uns auf Ihre Anfrage und setzen uns schnellstmöglich mit Ihnen in Verbindung.

Vielen Dank für Ihr Interesse am Fraunhofer IKS.

Wir haben Ihnen soeben eine Bestätigungsmail geschickt. Sollten Sie in den nächsten Minuten keine E-Mail erhalten, prüfen Sie bitte Ihren Spam-Ordner oder schicken Sie uns eine E-Mail an business.development@iks.fraunhofer.de.

* Pflichtfelder

Es ist ein Fehler aufgetreten. Bitte versuchen Sie es erneut oder kontaktieren Sie uns per E-Mail:
business.development@iks.fraunhofer.de

Thematischer Fokus (optional)