Capgemini: Kognitive Lösungen für IOT mit IBM Watson

Lernen bedeutet Fehler machen - auch für die AI

22.11.2017
Von 
Jürgen Hill ist Chefreporter Future Technologies bei der COMPUTERWOCHE. Thematisch befasst sich der studierte Diplom-Journalist und Informatiker derzeit mit aktuellen IT-Trendthemen wie KI, Quantencomputing, Digital Twins, IoT, Digitalisierung etc. Zudem verfügt er über einen langjährigen Background im Bereich Communications mit all seinen Facetten (TK, Mobile, LAN, WAN). 
Sie suchen kognitive Lösungen für das Digital Manufacturing? Wie solche Lösungen aussehen könnten, zeigt Capgemini im Münchner Watson IoT Center als Partner von IBM.
Kognitive Systeme wie eine automatische Qualitätssicherung per Bildanalyse sichern die Produktion in der Smart Factory.
Kognitive Systeme wie eine automatische Qualitätssicherung per Bildanalyse sichern die Produktion in der Smart Factory.
Foto: Zapp2Photo - shutterstock.com

Alles ist vernetzt und optimiert sich selbst - auf diese einfache Formel lassen sich die Versprechungen rund um IoT bringen. Doch welche Zutaten werden benötigt, damit aus dieser Formel eine Smart Factory entsteht? Antworten auf diese Frage versucht das Beratungs- und IT-Dienstleistungsunternehmen Capgemini im Watson IoT Center von IBM im München zu geben. Dabei hat Capgemini diesen Ausstellungsort nicht zufällig gewählt: Zum einen ist das Unternehmen einer der IBM-Partner im Watson Center, zum anderen basieren viel der kognitiven IoT-Lösungen von Capgemini auf der künstlichen Intelligenz von Watson im Hintergrund.

Datensilos bremsen AI

Doch egal für welche Lösungen und Technologien -wie etwa Blockchain, Predictive Maintenance, Digital Twin etc. - sich die Unternehmen entscheiden, viele IoT-Projekte hängen bereits an der ersten Hürde, den Daten. In den meisten Unternehmen, so die Erfahrung von Andreas Hein, Watson IoT Lead bei Capgemini, seien diese Daten noch in den Silos, obwohl sie der zentrale Input für Analytics seien. Ein Problem, das in fast 95 Prozent der Projekte anzutreffen sei. Eine andere Herausforderung stellen die Mythen rund um das Hype-Thema AI dar.

Die Stärken von Watson liegen dabei einerseits im Selflearning anderseits in der Fähigkeit auch unstrukturierte Datenmengen auf Anomalien untersuchen zu können. Allerdings dürfe bei aller Begeisterung für AI nicht vergessen werden, "Lernen bedeutet auch Fehler zu machen - das gilt auch für KI", so Hein. Des Weiteren sei zu beachten, dass ein KI-System auch später lernen müsse. So ist es denn ein weitverbreiteter Trugschluss, dass ein KI-System nur einmal angelernt werden müsse. Entsprechende kognitive Lösungen müssen vielmehr im Rahmen ihres Lebenszyklus nachgeschult werden, um etwa auf neue Probleme oder geänderte Produktionsbedingungen adäquat reagieren zu können.

Zentral oder im Edge?

Sensoren und Ai sollen dem Ausfall von Förderbändern vorbeugen.
Sensoren und Ai sollen dem Ausfall von Förderbändern vorbeugen.
Foto: asharkyu - shutterstock.com

Schwieriger zu beantworten ist dagegen die Frage, ob bei einem kognitiven Konzept die AI eher vor Ort vorgehalten oder zentral in der Cloud stattfinden sollte. Für ein KI-Lösung per Edge-/Fog-Computing spricht, dass das System auch bei Störungen der Internet-Verbindung autark weiterarbeiten kann. Gegen diesen Ansatz spricht jedoch, dass eine KI, die vor Ort etwa ein neues Muster erkennt, dieses erst mit allen anderen Systemen im Unternehmensverbund teilen muss. Ebenso muss eine Lösung, die ein KI-System erarbeitet hat, erst an alle anderen Systeme ausgerollt werden. Ein Prozess, der je nach globaler Verbreitung und Infrastruktur recht langwierig sein kann. Argumente die für einen zentralen Ansatz in der Cloud sprechen. Zumal so Abweichungen, die an einem System vor Ort erkannt werden, schneller im Cloud-Rechenzentrum bearbeitet werden können als von einem Edge-Computer. Und das Ergebnis ist schneller verteilt. In der Praxis dürften sich wohl in vielen Fällen Hybrid-Lösungen durchsetzen. Denn bei dem Gedanken, obiges Cloud-basierte Konzept, könnte beim Autonomen Fahren zum Einsatz kommen, graut es vielen Experten.

Kognitive Systeme

Praktische Beispiele, wie sich kognitive Lösungen in das Digital Manufacturing integrieren lassen, hat Capgemini mehrere konzipiert - etwa den Smarten Container. Er soll für mehr Transparenz im Transportprozess sorgen, indem Transportschäden oder Veränderungen am Produkt erkannt werden. Hierzu werden die Container je nach Anwendungsszenario mit spezifischen IoT-Sensoren ausgestattet. Die durchgängige Datenerfassung soll nicht nur eine Transportsteuerung in Echtzeit gewährleisten sondern auch die Eingangsqualität der Ware sicherstellen. Damit die Daten für alle Prozessbeteiligten (etwa Hersteller, Lieferant, Spedition, Abnehmer) manipulationssicher vorliegen, setzt man bei Capgemini auf die Blockchain-Technologie.

Am Zielort selbst, etwa in der Digitalen Fabrik, soll dann der Smart Service Predictive Maintenance den weiteren reibungslosen Transport gewährleisten. Hierzu hat Capgemini einen selbstlernenden Algorithmus entwickelt, um Ausfällen und Störungen von Transportsystemen wie Förderbändern, Flurfördergeräten etc. vorzubeugen. Hierzu wird etwa der Stromverbrauch der Elektromotoren gemessen und analysiert. Anhand dieser Daten entwickelt das kognitive System sein Vorhersagemodell weiter. Später definiert es dann selbst den optimalen Wartungszeitpunkt für Instandhaltungsarbeiten.

Mit AI zur Smart Factory

Kognitive Systeme werden sich ferner in der Qualitätssicherung einen festen Stellenplatz erobern. Per Bildanalyse können sie automatisch während der Produktion unterschiedliche Merkmale wie Lackgüte oder korrekte Montage überprüfen. Eventuelle Fehler werden dabei mit Hilfe eines Algorithmus lokalisiert. Zudem fließen die Ergebnisse der Prüfung in das digitale Datenmodell des Digital Twins des Produktes ein.

Alle diese kleinen Beispiele sollen nach Ansicht von Capgemini dabei helfen, die Idee der intelligenten Fabrik zu realisieren. Im Vordergrund steht dabei eine maximale Transparenz aller Produktionsprozesse.