KI in der Produktion: Warum Funktionalität auch Robustheit und Erklärbarkeit braucht24 | 09 | 26
Künstliche Intelligenz (KI) wird zunehmend in der Produktion eingesetzt. KI-Systeme erkennen beispielsweise Fehler an Bauteilen, prognostizieren Qualitätsabweichungen oder unterstützen bei der Überwachung und Optimierung von Produktionsprozessen. Bei der Einführung eines KI-Systems steht zunächst meist die Funktionalität im Vordergrund. Erfüllt das System die vorgesehene Aufgabe und erkennt es fehlerhafte Bauteile zuverlässig? Für einen dauerhaften und sicheren Einsatz in der Produktion reicht diese Betrachtung jedoch nicht aus.
Denn ein KI-System kann unter Versuchsbedingungen sehr gute Ergebnisse liefern und trotzdem im realen Produktionsbetrieb dennoch an Zuverlässigkeit verlieren und Probleme verursachen.
Wer KI zuverlässig im Produktionsbereich einsetzen möchte, muss deshalb über die reine Funktionalität hinausblicken. Neben der Funktionalität und Leistungsfähigkeit spielen insbesondere die Robustheit sowie die Erklärbarkeit und Nachvollziehbarkeit des Systems eine entscheidende Rolle. Genau diese Qualitätsmerkmale stehen im Mittelpunkt der Bewertung von KI-Systemen.
Drei Qualitätsdimensionen künstlicher Intelligenz
Eine grundlegende Betrachtung der Qualität von KI-Systemen liefert die DIN SPEC 92001. Sie beschreibt ein Qualitätsmetamodell für Künstliche Intelligenz und betrachtet dabei drei wesentliche Qualitätsdimensionen:
- Funktionalität und Leistung
- Robustheit
- Erklärbarkeit beziehungsweise Nachvollziehbarkeit
Die Funktionalität beschreibt zunächst, ob ein KI-System seine vorgesehene Aufgabe erfüllt. Bei einer automatischen Sichtprüfung bedeutet dies, dass fehlerhafte Bauteile möglichst zuverlässig erkannt werden müssen, ohne dabei zu viele Fehlalarme zu erzeugen.
Die Funktionalität ist damit eine wichtige Grundlage zur Bewertung eines KI-Systems, sie stellt jedoch nur eine der drei Qualitätsdimensionen dar.
Robustheit einer KI
Unter Robustheit wird vereinfacht verstanden, wie stabil und zuverlässig ein KI-System auch unter veränderten Bedingungen arbeitet.
In einer realen Produktion können sich zahlreiche Einflussgrößen verändern. Eine Kamera kann mit der Zeit leicht verschmutzen, die Beleuchtungsintensität kann schwanken oder Bauteile verschiedener Chargen können unterschiedliche Oberflächeneigenschaften besitzen. Auch Veränderungen an Maschinen, Werkzeugen oder Prozessen können dazu führen, dass die Eingangsdaten von den ursprünglichen Trainingsdaten abweichen.
Ein KI-System sollte deshalb nicht nur mit bekannten und optimal vorbereiteten Daten funktionieren, sondern auch bei solchen Veränderungen weiterhin zuverlässige Ergebnisse liefern. Die DIN SPEC 92001-2 beschäftigt sich gezielt mit der Robustheit von KI-Systemen und betrachtet dabei unter anderem Störungen und Veränderungen der Eingangsdaten.
Gerade im Produktionsumfeld ist diese Eigenschaft von großer Bedeutung. Vielleicht erreicht ein KI-System im Labor eine sehr hohe Erkennungsrate. Bei leicht veränderten Produktionsbedingungen liefert es dann jedoch deutlich schlechtere Ergebnisse. Trotz guter Ausgangswerte ist es dann für den praktischen Einsatz ungeeignet.
Erklärbarkeit und Nachvollziehbarkeit
Eine weitere wichtige Qualitätsdimension ist die Erklärbarkeit beziehungsweise Nachvollziehbarkeit eines KI-Systems.
Viele moderne KI-Systeme, insbesondere neuronale Netze, besitzen eine hohe mathematische Komplexität. Für einen Anwender ist daher häufig nicht unmittelbar erkennbar, warum ein System eine bestimmte Entscheidung getroffen hat. Im Produktionsumfeld kann genau diese Frage jedoch von großer Bedeutung sein. Wird ein Bauteil durch ein KI-System als fehlerhaft eingestuft, sollte beispielsweise nachvollzogen werden können, welche Merkmale beziehungsweise Daten des Bauteils zu dieser Entscheidung führten. Die Nachvollziehbarkeit erzeugt Vertrauen in die Prüfergebnisse eines KI-Systems, was insbesondere für Kunden und Auditoren ein wichtiges Kriterium ist.
Dabei müssen weder Kunden noch Auditoren jedes mathematische Detail eines neuronalen Netzes verstehen. Entscheidend ist vielmehr, dass Entscheidungen auf ihre Plausibilität geprüft, mögliche Grenzen erkannt und das Verhalten des Systems insgesamt bewertet werden kann.
Normung im Bereich Künstliche Intelligenz
Die DIN SPEC 92001 ist inzwischen nur ein Bestandteil einer deutlich umfangreicheren Normungslandschaft für Künstliche Intelligenz.
Die Normung von KI ist damit bereits deutlich weiter fortgeschritten, als teilweise angenommen wird. Unternehmen müssen Anforderungen an KI-Systeme nicht vollständig selbst entwickeln, sondern können auf bestehende Normen, Modelle und Vorgehensweisen zurückgreifen. Diese liefern zunehmend ein gemeinsames Verständnis von Qualitätsmerkmalen und zeigen auf, welche Aspekte bei der Entwicklung, Bewertung und Nutzung von KI-Systemen berücksichtigt werden sollten.
Von der KI-Anwendung zum beherrschten Prozess
Für Produktionsunternehmen bedeutet dies, dass künftig nicht nur gefragt werden sollte, wie gut ein KI-Modell funktioniert. Mindestens ebenso wichtig ist die Frage, wie die Eignung und Zuverlässigkeit des Systems nachgewiesen werden kann. KI wird damit zunehmend zu einem weiteren Bestandteil der betrieblichen Qualitätssicherung.
Die Normung zeigt bereits heute Wege auf, wie KI-Systeme strukturiert entwickelt, bewertet und betrieben werden können. Wer diese Anforderungen frühzeitig berücksichtigt, schafft damit eine wichtige Grundlage dafür, dass aus einem erfolgreichen KI-Pilotprojekt nicht nur eine interessante technische Lösung, sondern ein auditfähiger und dauerhaft beherrschter Produktionsprozess entsteht.
| KI-Systeme in der Produktion normengerecht bewerten und einsetzen Im Online-Seminar erfahren Sie, KI-Systeme in der Produktion nachvollziehbar zu bewerten. Sie erhalten einen kompakten, praxisnahen Überblick über die relevanten Normen, Standards und regulatorische Anforderungen. Zudem lernen Sie, wie sich Datenqualität, Leistungsfähigkeit, Robustheit, Erklärbarkeit und Risiken zuverlässig beurteilen lassen und wodurch das Vertrauen in KI-Systeme gestärkt wird. Jetzt informieren » |
Über den Autor: Hartmut Winkler
