Nachbericht: 4. Treffen Elektronikforum OWL

Am 10.04.2019 fand das vierte Treffen des Elektronikforums OWL statt. Gastgeber war Christian Ehring von der RTB GmbH & Co. KG in Bad Lippspringe.

Mit langjähriger Erfahrung entwickelt und vertreibt RTB innovative Lösungen für den Straßenverkehr wie z.B. Zusatzausstattung für Lichtzeichenanlagen und Radarsysteme zur Verkehrsdatenerfassung und Geschwindigkeitsreduzierung. Daneben wurde eine weitere Produktlinie mit Parkscheinautomaten übernommen. Größten Wert legt RTB auf Benutzerfreundlichkeit, Qualität und Design der Produkte. Das inhabergeführte, mittelständische Unternehmen mit langjährigem internationalen Erfolg verfügt über eine starke Entwicklungsdynamik. Im engen Dialog mit der Lichtsignalbauindustrie und den Kommunen entstehen ständig neue Lösungen mit hohem Nutzwert. Neben der Zusammenarbeit mit dem Integrationsbetrieb Integ GmbH in Bad Driburg legt der mittelständische Betrieb großen Wert auf die Nachwuchsförderung.
 


Thema des Nachmittags waren der Einsatz von Künstlicher Intelligenz / Maschinellem Lernen / Neuronalen Netzen & Deep Learning in der Elektronik.

Künstliche Intelligenz (KI, auch Artifizielle Intelligenz AI) ist ein Teilgebiet der Informatik, welches sich mit der Automatisierung intelligenten Verhaltens und dem Maschinellen Lernen befasst.
Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz. Mithilfe des maschinellen Lernens werden IT-Systeme in die Lage versetzt, auf Basis vorhandener Datenbestände und Algorithmen Muster und Gesetzmäßigkeiten zu erkennen und Lösungen zu entwickeln. Es wird quasi künstliches Wissen aus Erfahrungen generiert. Die aus den Daten gewonnenen Erkenntnisse lassen sich verallgemeinern und für neue Problemlösungen oder für die Analyse von bisher unbekannten Daten verwenden. Für das maschinelle Lernen kommen verteilte Rechnerstrukturen und besonders schnell arbeitende Datenbanksysteme zum Einsatz. Ebenfalls genutzt werden künstliche neuronale Netze, die nach dem Vorbild des menschlichen Gehirns funktionieren.
Quelle: bigdata | was ist machine-learning

Ein neuronales Netz ist eine Ansammlung von einzelnen Informationsverarbeitungseinheiten (Neuronen), die schichtweise in einer Netzarchitektur angeordnet sind. Im Zusammenhang mit künstlicher Intelligenz spricht man von künstlichen neuronalen Netzen.

Künstliche Neuronale Netze (KNN) sind inspiriert durch das menschliche Gehirn und lassen sich für maschinelles Lernen und die Künstliche Intelligenz einsetzen. Es lassen sich mit diesen Netzen verschiedene Problemstellungen computerbasiert lösen. Das Künstliche Neuronale Netz ist bis zu einem gewissen Grad dem Aufbau des biologischen Gehirns nachempfunden. Es besteht aus einem abstrahierten Modell miteinander verbundener Neuronen, durch deren spezielle Anordnung und Verknüpfung sich Anwendungsprobleme aus verschiedenen Bereichen wie der Statistik, der Technik oder der Wirtschaftswissenschaften computerbasiert lösen lassen.

Typische Anwendungen für Neuronale Netzwerke
Neuronale Netze kommen in vielen Bereichen zum Einsatz. Sie sind prädestiniert für Anwendungen, bei denen nur geringes systematisches Lösungswissen vorliegt und eine große Menge von teils unpräzisen Eingabeinformationen zu einem konkreten Ergebnis verarbeitet werden müssen. Neuronale Netze können zudem Simulationen und Prognosen für komplexe Systeme und Zusammenhänge erstellen wie in der Wettervorhersage, der medizinischen Diagnostik oder in Wirtschaftsprozessen. Typische Anwendungsgebiete der Künstlichen Intelligenz und Neuronaler Netze sind:

  •     Bilderkennung
  •     Spracherkennung
  •     Mustererkennung
  •     Sprachsynthese
  •     Schrifterkennung
  •     Steuerung komplexer Prozesse
  •     Prognosen für komplexe Systeme
  •     Frühwarnsysteme
  •     Zeitreihenanalysen
  •     maschinenbasiertes Übersetzen
  •     Simulationen komplexer Systeme
  •     biometrische Systeme
  •     Wirtschaftsmodelle
  •     und weitere

Training eines Neuronalen Netzwerks
Bevor ein Neuronales Netzwerk für die vorgesehen Problemstellung oder Aufgabe verwendbar ist, muss es zunächst trainiert werden. Anhand von vorgegebenem Lernmaterial und Lernregeln gewichtet das Neuronale Netz die Verbindungen der Neuronen, bis es eine bestimmte „Intelligenz“ entwickelt hat. Die Lernregeln geben vor, wie das Lernmaterial das Neuronale Netz verändert. Grundsätzlich kann zwischen dem überwachten Lernen und dem unüberwachten Lernen unterschieden werden. Beim überwachten Lernen wird ein konkretes Ergebnis für die unterschiedlichen Eingabemöglichkeiten vorgegeben. Anhand des ständigen Vergleichs zwischen Soll- und Ist-Ergebnis lernt das Netz die Neuronen passend zu verknüpfen.
Unbeaufsichtigtes Lernen gibt kein Ergebnis vor. Der Lernvorgang basiert alleine auf den Informationen der vielen verschiedenen eingegebenen Muster. Das Neuronale Netz nimmt die Veränderungen nur anhand der Eingabemuster vor. Hierfür existieren verschiedene Lernregeln wie die adaptive Resonanztheorie oder die Hebbsche Lernregel.
Quelle: bigdata| was ist ein neuronales Netz

Beim sogenannten Deep Learning handelt es sich um eine spezielle Methode der Informationsverarbeitung. Deep Learning ist ein Teilbereich des Machine Learnings und nutzt neuronale Netze. Zur Herstellung künstlicher Intelligenz werden Trainingsmethoden genutzt, die große Datenmengen heranziehen und analysieren. Die Funktionsweise ist in vielen Bereichen vom Lernen im menschlichen Gehirn inspiriert. Auf Basis vorhandener Informationen und des neuronalen Netzes kann das System das Erlernte immer wieder mit neuen Inhalten verknüpfen und dadurch erneut lernen. Daraus resultierend ist die Maschine in der Lage, Prognosen oder Entscheidungen zu treffen und diese zu hinterfragen. Entscheidungen werden bestätigt oder in einem neuen Anlauf geändert. In der Regel greift der Mensch beim eigentlichen Lernvorgang nicht mehr ein.
Quelle: bigdata | was ist deep-learning

So stellten Thomas Eisenbach und André Scheidemann von RTB vor, wie künstliche Intelligenz in der Fahrzeugklassifizierung für ein Parkhaus eingesetzt und wie neuronale Netze anhand von Trainingsdaten trainiert wurden.
Christian Gieselmann, Geschäftsführer der insensiv GmbH, präsentierte Deep Learning am Praxisbeispiel einer Bildverarbeitungslösung. Er zeigte anhand des Rückgabesystems von Gasflaschen, warum an dieser Stelle Deep Learning zum Einsatz kommt und welche Aufgaben mit einem neuronalen Netz erfüllt werden sollen. Hier geht es um das Finden der Aufdrucke auf Gasflaschen sowie um die Erkennung der aufgedruckten Schrift und das korrekte Auslesen von TÜV-Datum und Taragewicht.
In der Diskussion wurde deutlich, dass der Einsatz all dieser Anwendungen davon abhängt, ob Merkmale ausreichend konkret beschrieben werden können und Trainingsdaten entsprechend zur Verfügung gestellt werden können. Fehlen ausreichende Trainingsdaten, ist ein Lernen schwierig. Dies wird auch sehr gut anhand des autonomen Fahrens deutlich. So bilden bei BMW das Sammeln von realen Fahrdaten auf einer Strecke von etwa fünf Millionen Kilometern mit Versuchsfahrzeugen der BMW-Testflotte die Basis. Davon erfolgt die Auswahl von zwei Millionen Kilometern mit besonders relevanten Fahrszenarien und Umfeld-Faktoren.

Das fünfte Treffen findet am Do, 19. September 2019 von 15-18 Uhr bei der Kingspan Light + Air / STG-BEIKIRCH GmbH & Co. KG in Lemgo statt: Anmeldung zum 5. Treffen am 19.9.19

Projektseite