Zunehmende Datenmengen treiben das Wachstum der künstlichen Intelligenz voran.
Die Verbreitung von Künstlicher Intelligenz (KI) in verschiedenen Branchen und Sektoren schreitet rasant voran und wird sich 2019 fortsetzen. Forbes prognostiziert, dass neben Marketing und Vertrieb im kommenden Jahr zahlreiche neue Anwendungsbereiche für maschinelles Lernen in anderen Branchen entstehen werden. Dieser Anstieg der KI-Anwendungen wird durch die Verfügbarkeit von Daten und die zunehmende Anzahl vernetzter Geräte, die Nutzungs- und Interaktionsdaten generieren, angetrieben. Laut Gartner werden 2019 14.2 Milliarden vernetzte Geräte im Einsatz sein, und diese Zahl wird bis 2021 auf 25 Milliarden ansteigen, wodurch immense Datenmengen entstehen.
Die Erzeugung und Analyse dieser enormen Datenmenge ist jedoch mit Kosten verbunden: Produkte oder Geräte benötigen eine Vielzahl von Sensoren, um Ereignisse zu erfassen und zu veröffentlichen, was nicht für alle wirtschaftlich rentabel ist. Selbst bei vollständiger Vernetzung der Produkte besteht das Risiko von Sensorfehlfunktionen, wodurch die erfassten Daten Lücken oder fehlerhafte Werte enthalten würden. Zudem enthalten manche Produktkomponenten geschlossene Subsysteme, in denen die Platzierung von Sensoren aus physikalischen Gründen nicht möglich ist.
Es gibt auch Anwendungsfälle, wie beispielsweise den Betrieb autonomer Fahrzeuge, die die Erfassung und Analyse enormer Datenmengen aus verschiedensten Szenarien erfordern. Toyota hat beispielsweise berechnet, dass 14.4 Milliarden Testkilometer nötig sind, damit ein Fahrzeug die Autonomiestufe 5 erreicht – ein Wert, der durch rein physische Tests nicht zu erzielen ist. Das bedeutet: Obwohl immer mehr Produkte und Geräte vernetzt sind, weisen die im industriellen Internet der Dinge (IIoT) generierten Daten möglicherweise nicht die Qualität und Abdeckung auf, die für das zuverlässige Training eines KI-Algorithmus erforderlich sind. Wie lässt sich dieses Problem lösen? Die Antwort lautet: der digitale Zwilling – der neue Partner der KI und perfekte Ergänzung im Datenhimmel.
Was ist ein Digital Twin?
Ein digitaler Zwilling ist eine virtuelle Repräsentation eines physischen Produkts und zeichnet sich durch vier Merkmale aus. Erstens enthält er Daten in Form von Produktdefinitionen, 3D-Modellen und physikalischen Modellen, die für die Erstellung eines präzisen digitalen Zwillings erforderlich sind. Je umfassender die Definitionen bei der Erstellung des digitalen Zwillings sind, desto realistischer simuliert und prognostiziert er das Verhalten seines realen Gegenstücks. Daten in Form von Benutzer- oder KI-generierten Eingaben sind ebenfalls notwendig, um den digitalen Zwilling anzutreiben, der wiederum Daten generiert, die für Analysen genutzt werden können.
Das zweite Merkmal des digitalen Zwillings ist seine virtuelle Repräsentation des physischen Objekts. Dadurch können Benutzer dessen Status und Historie aus der Ferne einsehen und mit ihm interagieren. Der dritte Punkt im Dreieck in Abbildung 1 zeigt, dass der digitale Zwilling Verständnis und Vorhersage ermöglicht. Letztendlich dient ein digitaler Zwilling dazu, das Verhalten des physischen Objekts unter verschiedenen Umständen und in unterschiedlichen Umgebungsbedingungen zu verstehen, um sein zukünftiges Verhalten vorherzusagen. Der digitale Zwilling bietet Vorteile über den gesamten Produktlebenszyklus hinweg: von der Erstellung eines digitalen Prototyps, der die Designphase effizienter gestaltet, über die Visualisierung von Lösungen in Vertriebs- und Marketingpräsentationen bis hin zur Optimierung des Maschinenbetriebs.
3 Wege, wie digitale Zwillinge bei der KI-Entwicklung helfen können
Wie kann der digitale Zwilling also dazu beitragen, das Problem unvollständiger, fehlerhafter oder fehlender Daten zu lösen, die das effektive Training von KI-Algorithmen behindern? Um dies zu ermöglichen, muss der digitale Zwilling eine präzise, physikalisch fundierte Repräsentation eines realen Produkts und seiner Umgebung sein. Er muss außerdem in der Lage sein, eine Simulation in Echtzeit durchzuführen, um aussagekräftige und zeitnahe Daten zum Produktverhalten zu generieren. Sobald diese Geschwindigkeit und Genauigkeit erreicht sind, können die vom digitalen Zwilling generierten Daten zum Trainieren von KI-Algorithmen für verschiedene Szenarien verwendet werden.
1. Entwicklung von Assistenz- oder Sicherheitssystemen
Beispielsweise zur Erkennung von Fußgängern oder Objekten in der Nähe einer autonomen oder ferngesteuerten Maschine. Der digitale Zwilling kann sowohl zur Generierung von Trainingsdaten als auch zur Erprobung von Lösungen genutzt werden, die nach dem Training in verschiedenen Szenarien eingesetzt werden können.
2. Entwicklung der Teilaufgabenautomatisierung
Beispielsweise durch die Kombination von maschinellem Lernen und der Wiederholbarkeit von Simulationen zum Trainieren neuronaler Netze für spezifische Aufgaben. Ein Beispiel hierfür wäre die Wiederholung von Arbeitsprozessen wie Aushubarbeiten, Fahren oder Containerhandling, um den autonomen oder assistierten Betrieb von Maschinen und Fahrzeugen zu ermöglichen.
3. Felddatenanreicherung
Beispielsweise bei Kleinserienmaschinen oder -komponenten, für die nicht genügend Trainingsdaten generiert werden können, oder in Bereichen, in denen die Sensorplatzierung physisch schwierig oder wirtschaftlich unerwünscht ist. Ein physikbasierter digitaler Zwilling der Maschine oder Komponente kann verwendet werden, um deren Verhalten mit hoher Genauigkeit zu simulieren und Datenpunkte zu erzeugen, die in der Realität nicht zu gewinnen sind.
Neue Möglichkeiten
Durch die Kombination von Digital-Twin-Technologie und KI lassen sich spannende neue technologische Entwicklungen wie die Fernsteuerung oder der autonome Betrieb von Maschinen sowie die vorausschauende Wartung realisieren. Der Digital Twin fungiert dabei als Trainingsmodell für die KI, indem er Szenarien wiederholt und Daten generiert, aus denen die KI lernt. Obwohl die Kombination dieser beiden sich optimal ergänzenden Technologietrends noch in den Anfängen steckt, sind die ersten Ergebnisse vielversprechend. Insbesondere im Rahmen eines physikbasierten Digital-Twin-Ansatzes kann KI gezielt eingesetzt werden, um spezifische Lernziele zu erreichen.
Möchten Sie mehr darüber erfahren, wie digitale Zwillinge bei der Entwicklung von KI und autonomen Maschinen helfen können?
Sehen Sie sich unser Webinar mit KI-Experte Ville Hulkko von Silo.AI an, um mehr darüber zu erfahren, wie diese beiden Technologien zusammenarbeiten können. Die Aufzeichnung des Webinars finden Sie hier!