Reinforcement Learning (RL) konnte bereits publikumswirksam in Video- und Strategiespielen beeindruckende Erfolge erzielen [1]. Diese Grundlagenforschung schafft die Grundlagen, dass RL für reale Entscheidungsprobleme in der Produktion nutzbar wird. Beispiele hierfür sind: Wie erhält ein Roboter mehr Intelligenz, um Aufgaben selbstständiger und ohne aufwendige Programmierung durchzuführen? In welcher Reihenfolge müssen Aufträge in einer Produktion abgearbeitet werden, um eine optimale Termintreue zu erhalten? Der Beitrag gibt eine Einführung in die Arbeitsweise des RL, sowie dessen bevorzugte Einsatzgebiete und beschreibt Anwendungsbeispiele aus dem produzierenden Alltag. Das präsentierte Überblickswissen über die aktuelle Forschung soll diesen Teilbereich der Künstlichen Intelligenz einem breiteren Interessentenkreis zugänglich machen. Übergeordnetes Ziel der beschriebenen Methoden ist, die Wertschöpfung am Wirtschaftsstandort Deutschland kontinuierlich zu steigern.
Zusammenfassung Heutige Methoden der Programmierung von Produktionsmaschinen erfordern großen manuellen Aufwand. Dies hat zur Konsequenz, dass der Einsatz heutiger Automatisierungslösungen nur bei großen Stückzahlen wirtschaftlich ist. Im Zuge der Massenpersonalisierung kommt es gleichzeitig zu immer höheren Anforderungen an die Flexibilität der Produktion. Damit kann der Produktionsstandort Deutschland nur mittels einer gesteigerten digitalen Souveränität über die eigenen Produktionsmaschinen durch eine aufwandsreduzierte, flexible Programmiermöglichkeit von Produktionsmaschinen gehalten werden. Zur Reduzierung des Programmieraufwands sind Methoden des Maschinellen Lernens geeignet, insbesondere das Teilgebiet des Reinforcement Learning (RL). Beides verspricht eine deutlich gesteigerte Produktivität. Im Folgenden werden die Möglichkeiten und die Hindernisse auf dem Weg zur RL-gestützten, flexiblen, autonom handelnden Produktionsmaschine analysiert. Besonders im Fokus stehen dabei Aspekte der Zuverlässigkeit von Systemen aus dem Feld der Künstlichen Intelligenz (KI). Ein zentraler Aspekt der Zuverlässigkeit ist die Erklärbarkeit der KI-Systeme. Diese Erklärbarkeit ist wiederum eine tragende Säule der digitalen Souveränität auf der Ebene der das System nutzenden Menschen.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
customersupport@researchsolutions.com
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.