Künst­li­che Intel­li­genz soll in Zukunft Indus­trie­an­la­gen über­wa­chen und in Stand hal­ten. Die TU-Wien arbei­tet nun an der Not­wen­dig­keit auch mensch­li­che Texte ver­ste­hen zu können.

Die Kom­ple­xi­tät gro­ßer Fer­ti­gungs­an­la­gen in der Indus­trie nimmt zu. Um indus­tri­elle Fer­ti­gungs­stra­ßen opti­mal in Stand zu hal­ten, über­wa­chen und war­ten, set­zen Unter­neh­men nun zuneh­mend auf künst­li­che Intel­li­genz (KI) und dafür gibt es unter­schied­li­che Stra­te­gien. Dazu zählt Maschi­nen mit Sen­so­ren aus­zu­stat­ten und aus den Sen­sor­da­ten auf den Zustand der Anlage zu schließen. 

Ein gro­ßer Teil der Infor­ma­tion über Maschi­nen und Fer­ti­gungs­an­la­gen exis­tiert jedoch nicht als digi­tale Mess­da­ten, son­dern in Form von Tex­ten, die von Men­schen geschrie­ben wur­den – vom Maschi­nen­prüf­be­richt bis zum Schicht­pro­to­koll mit etwaig auf­ge­zeig­ten Pro­ble­men. Zur Nut­zung all die­ser Daten arbei­tet die TU Wien nun an einem KI-Pro­jekt mit Bestand­tei­len wie „Text Mining“ und „Instand­hal­tung 4.0“.

Der Algo­rith­mus, der lesen kann
Mensch­li­ches Erfah­rungs­wis­sen ist in der Indus­trie extrem wert­voll — und es wird wohl auch künf­tig blei­ben. Wenn nun Mensch und Maschine mit­ein­an­der kom­mu­ni­zie­ren – in wel­cher Spra­che soll das dann gesche­hen ? In der Spra­che der Maschine mit ent­spre­chend lan­gen Tabel­len als Zah­len­codes — oder in mensch­li­cher Sprache ?

„Wenn es uns gelingt, natür­li­che mensch­li­che Spra­che für künst­li­che Intel­li­genz in der Indus­trie ver­steh­bar zu machen, dann eröff­net sich uns ein rie­sen­gro­ßer Schatz an zusätz­li­cher Infor­ma­tion“, sagt Fazel Ansari vom Insti­tut für Manage­m­ent­wis­sen­schaf­ten der TU-Wien. „Stel­len wir uns vor, wie viel Wis­sen man über eine Fer­ti­gungs­an­lage nut­zen kann, aus schrift­li­chen Auf­zeich­nun­gen wie Schicht­bü­chern, Pro­to­kol­len oder End­be­rich­ten der Qualitätskontrolle.“ 

Maß­ge­schnei­derte Lösun­gen für jeden Anlagentyp
Viel umfas­sen­der und prä­zi­ser als jeder Mensch könnte eine künst­li­che Intel­li­genz auto­ma­tisch Mus­ter aus gro­ßen Daten­men­gen erken­nen – etwa typi­sche Pro­bleme, die immer wie­der gemel­det wer­den, bevor es dann zu einem grö­ße­ren Scha­den kommt. In die­sem Fall könnte die künst­li­che Intel­li­genz recht­zei­tig Gegen­maß­nah­men vorschlagen.

Aller­dings ist es nicht ein­fach, mensch­li­che Texte für künst­li­che Intel­li­genz auf­zu­be­rei­ten. Damit eine künst­li­che Intel­li­genz tat­säch­lich „ver­ste­hen“ kann, worum es in den Tex­ten geht, muss sie die Gesamt­si­tua­tion ken­nen : Sie braucht Ver­ständ­nis für die Maschine, der Pro­zesse und zudem Wis­sen über die Rolle der betei­lig­ten Men­schen. Erst wenn die KI die­ses Ver­ständ­nis hat, kön­nen Texte rich­tig ein­ge­ord­net werden. 

Poten­tial für Bran­chen wie Versicherungswesen
Dabei geht es nicht bloß um sta­tis­ti­sche Ana­ly­sen, etwa das Detek­tie­ren bestimm­ter Begriffe, die plötz­lich häu­fi­ger vor­kom­men als frü­her. Algo­rith­men kön­nen auch zwi­schen posi­ti­ven und nega­ti­ven Bewer­tun­gen unter­schei­den, die soge­nannte „Sen­ti­ment-Ana­lyse“ — also wie sich diese sub­jek­ti­ven Bewer­tun­gen im Lauf der Zeit ver­än­dert haben und dabei dann auch Asso­zia­tio­nen zwi­schen ver­schie­de­nen Begrif­fen auf­spü­ren und quantifizieren.

„Hier gibt es schon sehr viel For­schung, die wir teil­weise an unsere Anfor­de­run­gen anpas­sen kön­nen. Aber für die Anwen­dung die­ser Text Mining-Algo­rith­men im indus­tri­el­len Umfeld ist noch viel For­schung not­wen­dig“, betont Fazel Ansari. „Beson­ders im Ver­si­che­rungs­we­sen könn­ten unsere Text Mining-Ansätze Poten­zial ent­fal­ten. Eine Firma, die Ver­si­che­run­gen für teure Geräte anbie­tet, legt natür­lich Wert auf opti­male Instand­hal­tung und hier kann viel Geld gespart wer­den, wenn man bes­sere Metho­den fin­det, Feh­ler recht­zei­tig zu entdecken.“