Keine Ablenkung. Keine Ermüdung. Volle Konzentration. Ein Fall für KI!

Künstliche Intelligenz stellt eine ideale Ergänzung bei all jenen Aufgaben dar, die hohe Präzision und Effizienz erfordern. Gerade im Gesundheitswesen und insbesondere bei der Auswertung von bildgebenden Verfahren finden sich hier praktische Anwendungsszenarien en masse. Zudem ist künstliche Intelligenz bekanntlich trainierbar: Machine-Learning-Modelle erlauben es, große Datenvolumina in KI-Anwendungen einzuspeisen und diese entsprechend anzulernen, um zum gewünschten Abstraktionsniveau und damit zu belastbaren Ergebnissen zu kommen. Mit jedem neuen Datensatz wird die KI praktisch intelligenter und damit genauer.

Damit KI erfolgreich eingesetzt werden kann, braucht es umfangreiche und heterogene Trainingsdaten. Ein zuverlässiges Krebserkennungsmodell sollte beispielsweise auf der Grundlage von Tausenden von medizinischen Bildern trainiert werden, die gesundes Gewebe und Tumore im Vergleich aufzeigen können. Zugleich sollte das Modell auch die reale Bandbreite von Geschlecht, Alter und anderen demografischen Merkmalen der Patient*innen repräsentieren. Auch müssen visuelle Merkmale, die sich aus den verschiedenen Bildgebungstechniken ergeben, dargestellt werden.

In der Praxis bedeutet das jedoch, dass die erforderliche Vielfalt der Darstellung von einer einzigen Einrichtung – sei es ein Krankenhaus oder ein radiologisches Institut – gar nicht abgedeckt werden kann. Umso mehr gilt dies natürlich für seltene Krankheiten, für die überhaupt nur wenige Datenpunkte in einer Organisation oder Institution verfügbar sind.

Daher bietet sich eine kollaborative Machine-Learning-Entwicklung an, bei der verschiedene Krankenhäuser ihre eigenen Daten beisteuern, im Idealfall sogar weltweit. Doch es gibt eine wesentliche Einschränkung: den Datenschutz. Wie lässt sich sicherstellen, dass sensible Patienteninformationen mit der richtigen Sorgfalt behandelt und im Einklang mit den strengen Datenschutzgesetzen der jeweiligen Länder verarbeitet werden?

Mit Federated Learning in Microsoft Azure Machine Learning gibt es dafür eine zuverlässige Lösung, denn es ermöglicht ein kollaboratives Trainieren der KI ganz ohne gemeinsame Datennutzung.

Federated Learning: Was heißt das?

Beim Federated Learning können mehrere Akteure gemeinsam ein Machine-Learning-Modell trainieren, ohne dass dafür jedoch Daten ausgetauscht werden müssen.

Die folgende Abbildung illustriert die Vorgehensweise:

Das Hauptmerkmal von Federated Learning ist, dass die lokalen Daten der Teilnehmenden niemals weitergegeben werden. Jeder Akteur erhält regelmäßig eine Kopie des globalen Modells und führt ein lokales Training mit lokalen Daten durch. Die einzigen Informationen, die ausgetauscht werden, sind die aus dem Training gewonnenen „Erkenntnisse“, die sogenannten Aktualisierungen der Modellparameter.

Über den Server werden die Werte aller teilnehmenden Akteure zu einer neuen Modellversion zusammengefasst, und das aktualisierte Modell wird dann wieder an die Akteure verteilt, um die nächste kollaborative Trainingsrunde einzuleiten. Dieser Prozess wird so lange wiederholt, bis ein zufriedenstellendes Modell vorliegt, und kann ebenso für ein kontinuierliches Training genutzt werden, um das Modell durch neue Datenpunkte anzureichern und zu verfeinern.

The AI Show | Federated Learning with Azure Machine Learning können Sie sich hier im Video anschauen.

Gemeinsames „Lernen“ unter Einhaltung von Sicherheit, Datenschutz und Compliance

Je mehr Federated Learning an Bedeutung gewinnt, desto ausgefeilter werden die Ansätze zur Gewichtungsaggregation, um den Anforderungen der beteiligten Partner gerecht zu werden. Eine intuitive Aggregationsmethode wird als Federated Aggregation bezeichnet: Jeder Parameter wird nach der Anzahl der lokalen Datenpunkte gewichtet. Wenn beispielsweise die Aktualisierung von Krankenhaus A auf 100 Bildern basiert und von Krankenhaus B mit 200 Bildern trainiert wurde, dann ist der Beitrag von Krankenhaus B doppelt so hoch wie der von Krankenhaus A.

Es existieren mehrere Varianten der Federated Aggregation, um die Konvergenz bei abweichenden Verteilungen zu verbessern sowie um den Datenschutz und die Sicherheit zu optimieren. Eine wesentliche Erweiterung ist die Secure Aggregation, die die Kommunikation gegen Man-in-the-Middle-Angriffe schützt und den Server daran hindert, auf Aktualisierungen einzelner Clients im unverschlüsselten Klartext zuzugreifen. Sie basiert auf einem kryptographischen Protokoll, das sicherstellt, dass der Beitrag eines Clients als zufällige Zeichenfolgen wiedergegeben wird – außer die Daten werden mit denen der anderen Teilnehmer kombiniert.

Um außerdem das Risiko der Rekonstruktion einzelner Datenpunkte oder von Linkage-Angriffen zu verringern, bietet sich die Kombination mit Differential Privacy an. Auf diese Weise wird das resultierende Modell geschützt, indem eine definierte Menge an statistischem Rauschen während des Trainingsprozesses zugefügt wird.

Fazit: Hohe Bedeutung für den Schutz von Daten sowie von geistigem Eigentum – sowohl innerhalb als auch außerhalb des Gesundheitswesens

Wie in diesem Beitrag erläutert wurde, ist Federated Learning ein überzeugendes Konzept für die gemeinsame Entwicklung von ML-Lösungen, bei denen die Trainingsdaten aus Datenschutzgründen nicht in Klarform ausgetauscht werden können.

Ein weiteres Beispiel wie das MELLODY-Projekt für die Arzneimittelentwicklung zeigt, wie Unternehmen, die sogar miteinander im Wettbewerb stehen, dennoch ein gemeinsames Modell entwickeln, ohne befürchten zu müssen, dass ihr geistiges Eigentum hierdurch gefährdet wird.

Mit zunehmender Reife des Konzepts, einschließlich der Unterstützung für eine sichere und robuste föderierte Aggregation, wird sich das kollaborative Machine Learning in Unternehmen und Organisationen des öffentlichen Sektors mit ihren spezifischen Anforderungen immer mehr durchsetzen.

Jetzt im Detail informieren:

In diesem ausführlichen englischsprachigen Artikel erfahren Sie mehr über die Hintergründe und können sich anhand eines fiktiven Demoszenarios zur Erkennung von Lungenentzündungen in Röntgenbildern über die Vorteile informieren.

Außerdem empfehlen wir Ihnen einen Blick in dieses GitHub-Repository: Dort finden Sie weitere Ressourcen, um diesen Anwendungsfall oder weitere Szenarien zu testen und für Ihre eigenen Use-Cases anzupassen.

The post Machine Learning: Spannende Anwendungsfelder im Gesundheitswesen und darüber hinaus! appeared first on Microsoft Branchenblogs.

Um seine Mitarbeiter zu befähigen und die Beziehungen zu den Kunden zu vertiefen, musste das Unternehmen die bestehenden manuellen Prozesse modernisieren, indem es eine digitale Plattform einführte, die es ihm ermöglichte, jeden Aspekt seines Geschäfts völlig neu zu gestalten. Mit der Microsoft Cloud will Heineken sein Vertriebsmodell so umgestalten, dass die digitalen Vertriebsmitarbeiter den Kunden in Echtzeit Einblicke geben können, damit sie intelligenter bestellen und ihre Kunden besser bedienen können. Die geschieht vor allem über den Einsatz von Machine Learning, um Kundenanforderungen und Geschäftstrends zu antizipieren. Das Unternehmen kann damit alternative Vertriebskanäle aufbauen, um über B2B-Plattformen und Direktkundenbeziehungen ein nahtloses Erlebnis über die gesamte Wertschöpfungskette hinweg zu schaffen.

➔Informationen: Video, Microsoft Cloud, Azure Machine Learning

The post Heineken antizipiert Kundenanforderungen und Geschäftstrends mit der Microsoft Cloud appeared first on Microsoft Branchenblogs.

Project Bonsai ist eine Low-Code Plattform für die Entwicklung von KI-Anwendungen: Basierend auf dem Konzept der Autonomen Systeme, lernen und handeln diese Systeme selbstständig, um komplexe Aufgaben zu lösen. Mithilfe von Machine Teaching lässt sich das Verhalten eines autonomen Steuerungssystems trainieren. Dabei trifft das KI-System Entscheidungen und wird für Aktionen bestärkt, die es seinem finalen Ziel – dem idealen Cheeto – näher bringen. Die Beurteilung der Aktionen und die Bestärkung wird durch die Ingenieure der Produktionsanlage vorgenommen, auch ohne tiefes KI-Wissen. “Das ist die Zukunft für Prozesskontrollen”, sagt Sean Eichenlaub, leitender Chefingenieur bei PepsiCo. “Wir nutzen KI-basierte Automatisierung, um die Konsistenz unserer Produkte zu verbessern.” Gleichzeitig können die Ingenieure nun Routinekontrollen und -anpassungen der Project Bonsai Lösung überlassen, während sie ihre Zeit in nicht-routine Aufgaben investieren können.“

Mehr digitale Nachhaltigkeitslösungen für Handel und Hersteller im Whitepaper DE, EN

Informationen: Customer Reference, Microsoft Project Bonsai

Mehr Informationen zu Microsoft im Handel und der Konsumgüterbranche erhalten Sie auf unserer Webseite.

Unser Retail and Consumer Goods Innovations Newsletter bringt Ihnen regelmäßig die wichtigsten Neuerungen aus dieser spannenden Branche direkt in Ihr Postfach. Melden Sie sich jetzt hier an und verpassen Sie keine News mehr.

The post Digitale Nachhaltigkeitslösungen für Handel & Hersteller: PepsiCo nutzt KI-basierte Qualitätskontrolle in der Produktion appeared first on Microsoft Branchenblogs.

Daher war das Ziel von MULTIVAC, seine neueste Maschinengeneration möglichst intelligent und bedienerfreundlich auszulegen. Gemeinsam mit dem Microsoft Partner diva-e wurde der „MULTIVAC Pack Pilot“ auf Azure IoT Basis entwickelt. Der Assistent unterstützt Anwenderunternehmen vollumfänglich bei der Maschinenkonfiguration. Das Bedienpersonal muss nicht mehr die einzelnen technischen Parameter kennen, sondern zum Beispiel nur noch eingeben: „Produkt X mit Oberfolie Y und Unterfolie Z unter Schutzatmosphäre verpacken“. Der Pack Pilot generiert dann die Einstellwerte auf Basis des in der Cloud hinterlegten Regelwerks und liefert aus der Cloud die fertige Maschineneinstellung, bis hin zur automatisierten Konfiguration. Damit verkürzt der Pack Pilot Umrüstzeiten, schließt Fehlerquellen aus und optimiert Packprozesse. Dank der Smart Services trifft MULTIVAC nicht mehr nur beim Verkauf und bei Störungen auf seine Kundschaft. „Wir stehen nun im ständigen Dialog mit unseren Kunden, häufig wöchentlich, zum Teil sogar täglich, und können viel früher und besser auf ihre Bedürfnisse reagieren“, sagt Dr. Marius Grathwohl, Vice President Digital Products & Transformation bei MULTIVAC.

Weitere Informationen: Customer Reference, MSFT Partner diva-e, Azure, Azure IoT, Azure Machine Learning

 
Mehr Informationen zu Microsoft im Handel und der Konsumgüterbranche erhalten Sie auf unserer Webseite.

Unser Retail and Consumer Goods Innovations Newsletter bringt Ihnen regelmäßig die wichtigsten Neuerungen aus dieser spannenden Branche direkt in Ihr Postfach. Melden Sie sich jetzt hier an und verpassen Sie keine News mehr.

The post Verpackungsspezialist MULTIVAC bietet Smart Services aus der Cloud appeared first on Microsoft Branchenblogs.

➔ Informationen: Microsoft Blog, Video, Galileo TV Beitrag, Boston Dynamics Spot, Azure, Cognitive Services, Power Platform, Power BI, Azure IoT Edge, Azure Machine Learning, Microsoft Partner Cluster Reply

 
Mehr Informationen zu Microsoft im Handel und der Konsumgüterbranche erhalten Sie auf unserer Webseite.

Unser Retail and Consumer Goods Innovations Newsletter bringt Ihnen regelmäßig die wichtigsten Neuerungen aus dieser spannenden Branche direkt in Ihr Postfach. Melden Sie sich jetzt hier an und verpassen Sie keine News mehr.

The post Autonomous Mobile Robot unterstützt bei Service Aufgaben appeared first on Microsoft Branchenblogs.

Noch ist nicht klar, welches Team das Rennen für sich entscheiden wird, erst am 30. März kürt die Jury das Siegerteam. Fest steht jedoch schon jetzt: Jede der eingereichten Ideen und Lösungen hat gezeigt, welches Potenzial moderne Technologien für die Banken- und Versicherungsbranche bieten. Als exklusiver Technologiepartner der Symbioticon 2020/2021 sind wir seit Beginn ganz nah dran und unterstützen die Teilnehmenden mit unseren Lösungen und unserem Know-how dabei, Konzepte für die nachhaltige digitale Transformation der Branche zu entwickeln. Aber lassen wir sie für sich selbst sprechen. Heute stellt sich Team Deep Neuron Lab vor!

Wer seid ihr und wie ist euer Team aufgebaut?

Unser Team besteht aus Data Scientists, Entwickler*innen und Finanzspezialist*innen, die sich auf die automatisierte Analyse von Geschäftsberichten mit Hilfe von künstlicher Intelligenz (KI) spezialisiert haben. Unsere Gründer Iason und Andreas kennen sich bereits aus der Schulzeit. Unser Deep Neuron Lab-Kernteam hat sich als Ausgründung der Technischen Universität Berlin zusammengefunden.

Während unterschiedlicher Projekte mit Banken und Versicherern haben wir festgestellt, dass ihre Prozesse stark aus dem manuellen Prozessieren von Geschäftsberichten bestehen. So entstand unsere Idee, mit Hilfe von Machine Learning diese Prozesse zu automatisieren und somit Anwender und Anwenderinnen von lästigen Tätigkeiten zu befreien. Zudem können wir die Prozesse beschleunigen und gleichzeitig die Datenqualität verbessern.

Was macht euer Projekt so besonders?

Die wichtigste Informationsquelle im Kreditvergabeprozess ist der Geschäftsbericht eines jeden Unternehmens. Die Daten im Geschäftsbericht sind zwar für Menschen verständlich – jedoch nicht maschinell verwertbar. Das liegt daran, dass sie in Form von Fließtext, Tabellen, Diagrammen vorliegen. Um die Daten maschinell verwertbar und für Menschen leichter zugänglich zu machen, nutzen wir neben verschiedenen Verfahren des Machine Learnings das Natural Language Processing (NLP). NLP ermöglicht es Computern, menschliche Sprache zu verstehen und zu interpretieren.

Unser Alleinstellungsmerkmal ist, dass wir zwar mit einer KI-Lösung Prozesse automatisieren, diese dabei aber nicht zur „Black Box“ werden. Beschäftigte der Sparkassen können mit unserer Lösung deutlich effizienter arbeiten, ohne die Kontrolle über den Prozess zu verlieren. Durch eine Kombination von starken KI-Algorithmen und einer benutzerfreundlichen Oberfläche kann jeder Vorgang nachvollzogen und dokumentiert werden. Das schafft nicht nur Vertrauen auf Seite der Anwender und Anwenderinnen, sondern auch eine Revisionssicherheit für die Zukunft.

Besonders ist außerdem unser Entwicklungsprozess. Wir haben im Zuge der Entwicklung über 100 Stunden in Interviews mit Kreditanalysten und -analystinnen verbracht, um zu verstehen wie sie arbeiten, wo die größten Herausforderungen liegen und wie wir diese am besten lösen können.

Auf welchen Microsoft-Technologien basiert eure Lösung?

Unser Team baut stark auf Microsoft 365 und Microsoft Teams in der Kundenkommunikation.

Wie soll euer Produkt umgesetzt werden?

Unser Produkt wird als Web-App verwendet. Dadurch kann die Anwendung einfach von jedem Browser aus aufgerufen werden. Der Output wird anschließend direkt in die Systeme der Sparkassen eingespielt – in unserem Fall sind das OS-Plus und EBIL. Der Vorteil: Sparkassen können ihre bestehenden Systeme weiter nutzen – und Beschäftigte müssen keine neuen Prozesse erlernen.

Wem kommt eure Lösung zugute?

Schlussendlich profitieren die Sparkassen sowie Kunden und Kundinnen gleichermaßen.

Sparkassen wird der Prozess der Kreditvergabe und der kontinuierlichen Kreditüberwachung erleichtert. Dadurch können diese schneller auf Kundenanfragen reagieren und einen besseren Service bieten.

Kunden und Kundinnen haben den Vorteil, dass ihre Kreditanfragen deutlich schneller beantwortet werden und ihre Berater und Beraterinnen mehr Zeit für sie haben.

Aus welchem Grund seid ihr das Gewinnerteam der diesjährigen Symbioticon?

Eine schwierige Frage, da alle Ideen im Finale richtig gut und die Teams echt stark sind. Wir könnten gewinnen, weil wir

1. ein relevantes Problem für die Sparkassen lösen,
2. bereits so weit sind, dass wir nach der Symbioticon direkt in die Umsetzung gehen können.

Unser Microsoft Financial Services Newsletter bringt Ihnen regelmäßig die wichtigsten Neuerungen aus dem Finanz- und Versicherungswesen direkt in Ihr Postfach. Melden Sie sich jetzt hier an und verpassen Sie keine News mehr.

Lesen Sie auch die Artikel zu den anderen Teams:
VAKYOUTUS, KADO Cards, Regional Hero, Sub Capitals, #owlsome

The post Symbioticon – das sind die #GameChanger: Deep Neuron Lab appeared first on Microsoft Branchenblogs.

Innovative Tools für das Nutzen von Daten

Drei Beispiele zeigen, wie Unternehmen außerhalb der Versicherungsbranche bereits heute innovative datengetriebene Ansätze nutzen, die auch Versicherern zugutekommen könnten. So nutzt das Energie-Unternehmen Shell beispielsweise eine Form des maschinellen Sehens, das Bildgebungs- mit Verarbeitungs- und Analyse-Prozessen kombiniert. Die Daten aus den Aufnahmen verarbeitet Shell mit KI-gestützten Analyse-Tools wie Azure Databricks und kann so letztlich die Sicherheit an seinen Tankstellen verbessern. Spotify wiederum setzt für seine Seite Soundtrap mit Storytellers ein spezielles Tool ein, das unter anderem Microsoft Azure Speech Services nutzt, um gesprochene Audio-Tracks genauso bearbeiten zu können, wie dies bei einem normalen Text möglich wäre. Im Fall der mehr als 34.000 Seiten aus Ermittlungsakten zur Ermordung von John F. Kennedy, die die US-Regierung 2017 freigegeben hat, macht eine Kombination aus KI und der Azure Cognitive Search die Aktenbestände vollständig durchsuchbar.
 
Ganz gleich, ob es um das Transformieren der Customer Experience, ein Optimieren des Risikomanagements oder das vereinfachte Einhalten von regulatorischen Vorschriften geht, innovatives Cloud-Computing eröffnet der Finanzbranche den Zugang zu einer Vielzahl von Möglichkeiten und Lösungsansätzen. Durch die Cloud werden Machine Learning und künstliche Intelligenz in verschiedenster Weise nutzbar. Versicherungen können die so bereitgestellten Schnittstellen nutzen, um sich neue Datenquellen zu erschließen oder auch die eigenen Datenquellen für Kund*innen und Dritte leichter zugänglich zu machen.
 
Die ganze Geschichte über die Bedeutung von Daten und was Versicherungen von Shell, Spotify und der Aufbereitung der JFK-Akten lernen können, lesen Sie in meinem Gasbeitrag beim Branchenmedium Versicherungsmonitor. Mehr über intelligente Versicherungslösungen und innovative Technologien im Insurance-Bereich erfahren Sie zudem hier.
 

Unser Microsoft Financial Services Newsletter bringt Ihnen regelmäßig die wichtigsten Neuerungen aus dem Finanz- und Versicherungswesen direkt in Ihr Postfach. Melden Sie sich jetzt hier an und verpassen Sie keine News mehr.

The post Die Daten als Schlüssel für mehr Innovationen appeared first on Microsoft Branchenblogs.

Schon einmal mit einem Autonomen System interagiert? Lernen Sie Moab kennen, ein kleines Kraftpaket mit hoher künstlicher Intelligenz! Was verstärkendes Lernen für Robotik-Innovationen in der Fertigungsindustrie bedeutet, warum unser Projekt Bonsai wenig mit empfindlichen Pflänzchen zu tun hat und wieso ein Tischtennisball beim Machine Teaching plötzlich die Hauptrolle spielt, erfahren Sie in unserem neuen Blogbeitrag „KI für Autonome Systeme“.

Kürzlich ist bei uns ein neues Familienmitglied eingezogen. Es hört auf den eher sperrigen Namen „Moab-Device“. Moab ist ein Open-Source-Kit für Robotik-Hardware, mit dem sich spielerisch erlernen lässt, wie man KI-Lösungen für Autonome Systeme mithilfe der Microsoft Bonsai-Plattform trainieren kann. In diesem Artikel erhalten Sie nicht nur einen kurzen Überblick über Microsoft Bonsai, sondern erfahren auch, wie Sie selbst ein Autonomes System in einer virtuellen Umgebung aufbauen und für Ihre Zwecke anlernen können.

Was sind Autonome Systeme?

Zu den jüngeren Durchbrüchen im Bereich der künstlichen Intelligenz zählen vor allem datenbasierte Algorithmen mit rein digitalen Inputs und Ergebnissen. So werten beispielsweise Machine-Learning-Systeme heute medizinische Bilder aus, erkennen betrügerische Kreditkartentransaktionen, verfassen realistische Texte, erstellen perfekte Bild- oder Videofälschungen und übertrumpfen sogar ausgewiesene Weltklasse-Profis in komplexen Brett- und Videospielen.

Bei Autonomen Systemen muss sich die KI von der Welt der Bits und Bytes nun in die Welt der Atome vorwagen. Hierbei geht es um intelligente Agents, die in physischen Umgebungen handeln können. Beispiele sind unter anderem autonome Fahrzeuge, Industrierobotik, die Steuerung komplexer Produktionsprozesse oder Drohnen.

Datengesteuerte Ansätze, wie supervisiertes Machine Learning, reichen in der Regel nicht aus, um diese KI-Systeme erfolgreich auch in der realen Welt einzusetzen. Genau das ist der Ausgangspunkt für die Microsoft Bonsai-Plattform für Autonome Systeme. In der folgenden Abbildung sehen Sie einige darauf basierende Use Cases für Optimierungs- und Steuerungsprozesse:

Abbildung mit fünf Use-Case-Beispielen für Optimierungs- und Steuerungsprozesse: Motion Control, Smart Buildings, Calibration, Process Control und Industrial Robotics

Dabei handelt es sich meist um komplexe, dynamische Steuerungs- oder Optimierungsprozesse mit mehreren Zielen und Einflussvariablen. Verdeutlichen wir das am Beispiel der Produktion: Hier sind ganz klassische Ziele die Senkung von Kosten, die Reduzierung von Abfall, die Beschleunigung von Prozessflüssen oder die Verbesserung der Ertragssituation oder Qualitätskontrolle (damit die Produkteigenschaften innerhalb der Spezifikationen bleiben). Ein eindrucksvoller Use Case dafür ist der Einsatz der Microsoft Bonsai-Plattform bei PepsiCo, um die Qualität bei der Fertigung von Cheetos zu optimieren. In diesem Blogpost (auf Englisch verfügbar) erfahren Sie mehr darüber – oder sehen Sie sich dieses Kurzvideo an:

Ein weiterer Einsatzzweck von Autonomen Systemen in der Fertigungsindustrie könnte darin bestehen, die Verwaltungsaufgaben für Ingenieure oder Maschinenführer zu vereinfachen. Denken Sie nur daran, dass es manchmal Jahre oder gar Jahrzehnte in Anspruch nehmen kann, einen hochkomplexen Maschinenkalibrierungsprozess zu meistern. Das Delegieren von Routineaufgaben an Autonome Systeme kann hingegen künftig dazu beitragen, die Überlastung Einzelner in der Fertigungsstraße zu vermeiden.

Eine gängige Methode, um diese Art von Systemen aufzubauen, wird als verstärkendes Lernen (Reinforcement Learning) bezeichnet: Dabei lernen die KI-Agents, indem sie verschiedene Aktionen und Strategien selbst durchprobieren. Der Vorgang beginnt mit der zufälligen Auswahl einer Option unter einer Reihe von möglichen Bewegungen. Ein vom Menschen bereitgestelltes Belohnungssystem leitet den Lernprozess, damit die KI die Wirksamkeit ihrer erlernten Handlungen messen kann. So führt beispielsweise der Sieg über einen Gegner im Schach zu einer positiven Belohnung. Nach immer wieder neuem Training, oft mit Millionen von Wiederholungen, lernt die KI, die nötigen Fähigkeiten zu beherrschen – und entwickelt manchmal sogar übermenschliche Fähigkeiten.

Das Ziel ist, das endgültige Autonome System in der physischen Welt praktisch einsetzen zu können. Der Trainingsprozess beginnt dabei immer in einer sicheren, simulierten Umgebung. Das verstärkende Lernen hat ein enormes Potenzial und könnte in Zukunft ein entscheidender Baustein für noch viel intelligentere Systeme sein. Zurzeit ist die Entwicklung derartiger Systeme noch immer eine komplexe Herausforderung, auch für Experten. Ein gängiges Sprichwort in der KI-Forschung lautet: Wenn Sie ein bestimmtes Problem durch verstärkendes Lernen angehen wollen, haben Sie plötzlich zwei Probleme.

Die Microsoft Bonsai-Plattform soll nun die Komplexität bei der Entwicklung Autonomer Systeme reduzieren. Fachbereichsexperten wie Maschinenführer oder Ingenieure sollen damit in die Lage versetzt werden, im Lernprozess der KI als „Lehrer“ zu fungieren. Der Workflow besteht aus folgenden Schritten:

1. Per Machine Teaching wird Fachwissen für ein bestimmtes Themengebiet in den Lernprozess der KI eingebunden.
2. Simulationswerkzeuge sorgen für eine schnellere Aufnahme und Skalierung des Trainings.
3. Die KI-Engine automatisiert die Generierung und Steuerung neuronaler Netze und DRL-Algorithmen (Deep Reinforcement Learning).
4. Die Modelle werden flexibel für die reale Welt bereitgestellt und skaliert.

Stellen Sie sich vor, Sie möchten einem Kind beibringen, wie man Tennis spielt. Sie würden wahrscheinlich damit beginnen, das Spiel zu erklären, zu zeigen, wie man den Ball mit dem Schläger trifft, und nach und nach immer komplexere Bewegungsmuster vermitteln. Anstatt sich beim Lernen auf das Gehirn des Kindes zu konzentrieren, kümmern Sie sich um die tatsächlichen Kompetenzen und Fähigkeiten, die Sie vermitteln möchten. Beim Machine Learning war es in der Vergangenheit nur allzu häufig komplett anders: Viele ML-Experten haben sich primär auf die inneren Abläufe in ihren neuronalen Netzen konzentriert – und nicht auf das eigentliche Geschäftsproblem. Das Machine-Teaching-Konzept der Bonsai-Plattform läutet hier einen Paradigmenwechsel ein: Die Idee dahinter ist, dass die Fachbereichsexperten – praktisch wie ein Tennistrainer – den Trainingsprozess anleiten, indem sie Ziele in fachspezifischen Begriffen definieren (beispielsweise Maximierung des Ertrags in einem Produktionsprozess). Diesen Ansatz stellen wir im Folgenden anhand des Moab-Beispiels genauer dar.

Simulatoren dienen dazu, die Umgebung zu beschreiben und das KI-Modell beziehungsweise Brain auf sichere Weise zu trainieren, bevor die Lösung in der realen Welt bereitgestellt wird. Um die Wiederverwendung vorhandener Modelle zu ermöglichen, unterstützt Bonsai häufig verwendete Simulatoren wie Anylogic und MathWorks. Da der Trainingsprozess in der Regel sehr rechenintensiv ist, wird einfach die Skalierbarkeit der Azure Cloud auf Abruf genutzt.

Wie bereits erwähnt, zielt Bonsai darauf ab, die Low-Level-Mechanik des zugrunde liegenden Entwicklungs- und Trainingsprozesses für Machine Learning zu abstrahieren. Dinge wie neuronale Netzwerkarchitekturen oder Belohnungsfunktionen im verstärkenden Lernen werden automatisch implementiert und immer wieder neu abgestimmt. Im Idealfall laufen all diese Prozesse automatisiert und ohne weiteres menschliches Zutun ab – auch wenn manuelle Checks natürlich jederzeit möglich sind.

Schließlich liefert Bonsai auch die Runtime-Funktionen, um das System bereitzustellen und die Lösung in Ihre weitere Umgebung zu integrieren – mithilfe der Cloud oder Edge Computing.

Praktisches Machine Teaching mit Projekt Moab

Probieren wir nun also unseren Familienzuwachs „Moab“ aus: Wir möchten dem Gerät beibringen, wie man einen Tischtennisball auf einer Platte balanciert. Jetzt übernehmen wir die Rolle von Experten im Balancieren von Bällen, um die KI zu trainieren. Etwaige KI-Vorkenntnisse lassen wir hier bewusst außen vor.

Tipp: Sie möchten das Ganze gleich selbst ausprobieren? Dann nutzen Sie doch unsere virtuelle Umgebung, die auch ohne physisches Moab-Gerät funktioniert. (Kleiner Hinweis in eigener Sache: Für die Hands-on-Umgebung ist ein Azure-Abonnement erforderlich. Sollten Sie noch kein Abonnement haben, können Sie einfach unsere kostenlose Testversion nutzen.)

Animation des Moab-Geräts

Nutzen Sie die Moab-Tutorials mit Schritt-für-Schritt-Anleitungen für die folgenden Szenarien:

1. Balancieren des Balls auf einem virtuellen Moab-Gerät
2. Schritte, um das Modell robuster zu machen, damit es realen Bedingungen standhält (Domain Randomization)
3. Umgehen eines Hindernisses auf der Platte als zusätzliche Herausforderung

Lassen Sie uns das erste Tutorial durchgehen. Es ist ganz einfach und deckt dennoch alle wesentlichen Schritte für das Machine Teaching ab. Rufen Sie den Bonsai-Arbeitsbereich auf, um direkt mitzumachen.

Screenshot der Startseite von Projekt Bonsai

Nach der Auswahl von „Moab“ wird die Umgebung mit den erforderlichen Artefakten für das erste Tutorial gefüllt. Wir sehen Abschnitte für die Bonsai-Modelle (die Brains), die Simulatoren sowie die Teaching- und Trainingsumgebungen. Die Versuchsspezifikationen sind im Quellcode der Inkling-Sprache enthalten, der im Teaching-Abschnitt zu finden ist. Inkling ist eine Machine-Teaching-Sprache, die entwickelt wurde, damit Sie sich exakt auf Ihre Ziele konzentrieren können, während sie die zugrundeliegenden Machine-Learning-Details für Sie verarbeitet. Im ersten Tutorial ist es nicht notwendig, den Code anzupassen. Hier finden Sie die folgenden Elemente:

Technische Zeichnung des Moab-Geräts

• Ausgangspunkt: Zufällige Ballposition, Geschwindigkeit und Winkel der Platte
• Zu beobachtende Umgebung: Ballposition (x, y) und Geschwindigkeit
• Mögliche Aktionen: Regulierung des Plattenwinkels (neigen und rotieren)
• Lernziele:

1. 1. „Herunterfallen von Platte“ vermeiden: Ball im 80 % Radius halten
   2. „Mitte der Platte“ anstreben: Ziel x=0, y=0

Im Tutorial wird das Machine Teaching in über 5.000 Runden (Episoden) durchgeführt. Die Episoden beginnen mit zufälligen Ausgangspunkten der Ballposition, der Geschwindigkeit und des Plattenwinkels (Neigung und Rotation). Die Startbedingungen steuern den Schwierigkeitsgrad des Trainings. In diesem Tutorial wird der Tischtennisball beispielsweise zunächst in einem Bereich von 50 Prozent des Radius platziert. Im zweiten Tutorial wird das Handicap erhöht, was zu einem robusteren Modell, aber auch zu längeren Trainingszeiten führt.

Das Moab-Gerät beobachtet die Umgebung durch eine Kamera, die in der Mitte eingebaut ist. Insbesondere verfolgt es die aktuelle Position des Tischtennisballs (x- und y-Koordinaten) und misst seine Geschwindigkeit.

Moab verwendet seine drei servobetriebenen Arme, um den Winkel der Platte (Neigung und Rotation) anzupassen und damit die definierten Ziele zu erreichen. Diese Aktionen werden zu Beginn noch zufällig sein und sich im Laufe der Zeit nach und nach verbessern.

Unsere Aufgabe als langjährige Super-Experten für das Balancieren von Bällen ist es, den Lernprozess durch sinnvolle Ziele anzuleiten. Zuerst verwenden wir das Ziel „Hindernis vermeiden“, um Moab mitzuteilen, dass es eine gute Idee ist, den Ball von der Kante der Platte fernzuhalten (genauer gesagt, ihn innerhalb von 80 Prozent des Radius zu halten). Als Zweites formulieren wir ein „Drive-Ziel“, um Moab zu sagen, dass es den Ball stets in Richtung der Plattenmitte bewegen und an dieser Stelle halten soll.

Nachdem wir auf den grünen Train-Button geklickt haben, können wir den Lernfortschritt kontinuierlich mitverfolgen:

Screenshot des ersten Teaching-Tutorials für das Moab-Gerät

Die Lernkurven stellen die durchschnittlichen Performance-Werte der Testepisoden dar, die während des Trainings ausgeführt werden. Die Ergebnisse zeigen, dass Moab schnell lernt, die definierten Ziele zu meistern. Es beginnt mit einer kurzen Phase des reinen Versuchs und Irrtums. Entsprechend hektisch sieht die Animation des Moab-Geräts zu Beginn aus. Bald jedoch steigen die Kennzahlen beider Ziele auf fünf beziehungsweise 45 Prozent. Den Tischtennisball in Richtung der Plattenmitte zu bewegen, ist viel schwieriger, als sie in den ersten Episoden einfach auf der Platte zu halten. Wir können sehen, dass sich die Kennzahlen allmählich verbessern, bis sie nach 1.600 Trainingsepisoden 100 Prozent erreichen.

Realistisch betrachtet, sind die Fortschritte bei verstärkendem Lernen und Machine Teaching nicht immer so schnell verzeichnen. Wenn Sie das zweite und dritte Tutorial ausprobieren, werden Sie längere Durchlaufzeiten erleben. Einige Durchläufe führen möglicherweise gar nicht zu guten Ergebnissen, oder die Kennzahlen können in späteren Episoden nach einem anfänglichen Hoch sogar wieder fallen.

Bevor Sie ein Brain für den Produktivmodus bereitstellen, sollte immer zuerst eine Evaluierung des trainierten Modells erfolgen. Auch sollte sein Verhalten visuell überprüft werden. Klicken Sie auf die Schaltfläche Start Assessment, um sich das genauer anzusehen:

Screenshot der Assessment-Ergebnisse für das Moab-Gerät

Hier beobachten Sie das Verhalten des Geräts während einer Kette von Assessment-Episoden und verfolgen die entsprechenden Parameter. Das obige Diagramm zeigt die Handlungen des trainierten Modells. Moab reagiert unmittelbar auf die zufällige Startbedingung zu Beginn der Episode, indem er die Neigung und das Rotieren der Platte anpasst, um die Kontrolle zu erlangen, und dann den Ball sanft in die Mitte steuert. Das zweite Diagramm zeigt den resultierenden Verlauf der Ballposition (x-, y-Koordinaten).

Wenn wir mit der Performance des Modells zufrieden sind, können wir es über die Schaltfläche Export Brain auf das Moab-Gerät in einem Docker-Container übertragen. Das folgende Video zeigt die Leistung eines eingesetzten Brains in Aktion:

Wenn das trainierte Modell mit den Realitäten der physischen Welt konfrontiert wird, können wir im Vergleich zu unseren Simulationen noch eine abweichende Leistung erleben. Ein Simulator ist nicht in der Lage, alle relevanten Aspekte der realen Welt zu erfassen (sogenannter Sim-to-Real-Gap). Eine Methode, um Modelle für Bereitstellungen in physischen Umgebungen robuster zu machen, ist die Domain Randomization (DR). Im zweiten Tutorial wenden wir diese Methode an, um während des Trainingsprozesses Variabilität hinzuzufügen, einschließlich schwierigeren Startbedingungen und zufälligen Abweichungen des Radius und der äußeren Hülle des Balls.

Sie möchten mehr über konkrete Anwendungsszenarien erfahren? Dann lesen Sie gleich unseren internationalen Microsoft AI-Blog – zum Beispiel zum Einsatz von Autonomen Systemen bei Bell, um dem Ziel völlig autonomer Landungen näherzukommen.

Unser Microsoft Manufacturing Newsletter bringt Ihnen regelmäßig die wichtigsten Neuerungen aus dieser spannenden Branche direkt in Ihr Postfach. Melden Sie sich jetzt hier an und verpassen Sie keine News mehr.

The post KI für Autonome Systeme: Jetzt einsteigen und Praxisbeispiele selbst ausprobieren appeared first on Microsoft Branchenblogs.

In der herkömmlichen Produktion messen Mitarbeiter die notwendigen Produktattribute für den idealen Cheetos Snack manuell in definierten Intervallen. Sollten die Cheetos nicht den Spezifikationen entsprechen, werden manuelle Anpassungen auf der Grundlage von Spezifikationen oder Erfahrungen vorgenommen. Zu seltene Probenahmen resultieren in erhöhtem Produktausschuss, Abfall und Kosten. Dahingegen resultiert eine höhere Konsistenz in qualitativ hochwertigen Produkten und maximiert den Durchsatz. Eine automatisierte Überwachung und Anpassung der Produktqualität war dementsprechend das Ziel von PepsiCo.

Ein Cheetos Extruder greift in der Produktion auf verschiedene Informationen und Spezifikationen zurück, um das Verhältnis des Maismehls zu Wasser und die Geschwindigkeit des Schneidwerkzeugs zu koordinieren, damit die idealen Cheetos Snack-Eigenschaften erreicht werden. Die entwickelte KI-Lösung, basierend auf Microsoft Project Bonsai, überwacht die Extruder Eigenschaften der Produktionsanlage und passt sie automatisch an.

Project Bonsai ist eine Low-Code Plattform für die Entwicklung von KI-Anwendungen: Basierend auf dem Konzept der Autonomen Systeme, lernen und handeln diese Systeme selbstständig, um komplexe Aufgaben zu lösen. Mithilfe von Machine Teaching lässt sich das Verhalten eines autonomen Steuerungssystems trainieren. Dabei trifft das KI-System Entscheidungen und wird für Aktionen bestärkt, die es seinem finalen Ziel – dem idealen Cheeto – näher bringen. Die Beurteilung der Aktionen und die Bestärkung wird durch die Ingenieure der Produktionsanlage vorgenommen, auch ohne tiefes KI-Wissen.

Die Project Bonsai-Lösung wurde zunächst in einer Pilotanlage eingesetzt und hat sich dort bewährt. Daten über relevante Qualitätsfaktoren wie Dichte und Länge eines Cheetos werden über Computer Vision erfasst und der Project Bonsai-Lösung zugeführt, die automatisiert Anpassungen vornimmt, damit das Produkt der Spezifikation entspricht. “Das ist die Zukunft für Prozesskontrollen”, sagt Sean Eichenlaub, leitender Chefingenieur bei PepsiCo. “Wir nutzen KI-basierte Automatisierung, um die Konsistenz unserer Produkte zu verbessern.” Gleichzeitig können die Ingenieure nun Routinekontrollen und -anpassungen der Project Bonsai Lösung überlassen, während sie ihre Zeit in nicht-routine Aufgaben investieren können.

Jetzt das Whitepaper “Autonome Systeme in der Industrie” herunterladen

Lesen Sie in den vollständigen Artikel (auf Englisch) online auf Customer Stories.

Weitere Artikel von Xenia Giese finden Sie auf LinkedIn und hier im Microsoft Industry-Blog.

Unser Retail and Consumer Goods Innovations Newsletter bringt Ihnen regelmäßig die wichtigsten Neuerungen aus dieser spannenden Branche direkt in Ihr Postfach. Melden Sie sich jetzt hier an und verpassen Sie keine News mehr.

The post PepsiCo nutzt KI-basierte Qualitätskontrolle mit Machine Teaching appeared first on Microsoft Branchenblogs.

Künstliche Intelligenz (KI) ist in aller Munde, Forschung und Lehre beschäftigen sich zunehmend mit dem vielfältigen Thema. Kein Wunder, hat KI doch nicht zuletzt das Potenzial, das Lehren und Lernen zu verändern und ganz neue Chancen aufzudecken. Machine Learning, Deep Learning sowie Text-, Bild- und Spracherkennung bieten immense Möglichkeiten für Schulen und Hochschulen. Deren volles Potenzial liegt jedoch oft noch im Verborgenen. Aber was kann KI konkret in der Lehre leisten und wie profitieren Lehrende und Lernende davon?

Was kann KI schon heute?

Wer sich mit KI beschäftigt, kommt nicht um die zwei Hauptbereiche umhin: Machine Learning und Deep Learning sowie der dadurch möglichen Anwendungen in den Bereichen Text- Bild- und Spracherkennung. Machine Learning ermöglicht die Erstellung von innovativen, prädikativen Modellen, die große Datenmengen auswerten und zukünftige Entwicklungen in unterschiedlichsten Bereichen voraussagen. Deep Learning kommt bereits in vielen Forschungs- und Industrieprojekten zum Einsatz. So ermöglichen Deep-Learning-Ansätze beispielsweise das autonome Fahren.

Auf der Basis von Machine Learning und Deep Learning entwickeln Forscher kognitive Systeme, die verschiedene Text-, Bild- oder Spracheingaben verarbeiten und auswerten können. Nach diesem Prinzip erkennen die Bordsysteme beim autonomen Fahren beispielsweise Straßenschilder.

Das Potenzial von KI erfährt in der Lehre zunehmende Anerkennung. Immer mehr Schulen und Hochschulen setzen auf agile Lernsysteme, die durch den Einsatz von KI und das Feedback der Lehrenden und Lernenden angepasst und verbessert werden.

Was der Einsatz von KI für die Lehre bedeutet, lesen Sie in unserem Whitepaper „Künstliche Intelligenz in der Lehre“.

Das erwartet Sie im Whitepaper

KI übernimmt bereits heute vielfältige Aufgaben und erleichtert so unseren schulischen Alltag. Zum Beispiel kann KI

• Zeitplanung, Verwaltungsaufgaben und wiederkehrende Reportings übernehmen,
• bestehende Software-Lösungen besser an die persönlichen Bedürfnisse eines jeden Lehrenden anpassen,
• komplexe Lehrpläne erstellen,
• Lernfortschritte beurteilen,
• Inhalte individuell für die Lernenden aufbereiten und Lerntutorien erstellen sowie
• Lehrmaterialien entsprechend dem Feedback anpassen.

Im Whitepaper „Künstliche Intelligenz in der Lehre“ finden Sie zudem verschiedene Praxisbeispiele für die Anwendung von KI in Schule und Hochschule sowie zahlreiche weitere Ressourcen rund um die KI-Dienste von Microsoft. Der Download ist kostenlos.

Unser Microsoft Education Newsletter bringt Ihnen regelmäßig die wichtigsten Neuerungen aus Bildung und Forschung direkt in Ihr Postfach. Melden Sie sich jetzt hier an und verpassen Sie keine News mehr.

The post Whitepaper: KI in der Lehre appeared first on Microsoft Branchenblogs.