Künstliche Intelligenz

Ein Anwendungsfall für Künstliche Intelligenz: Automatische Erkennung von Szenen.
© Fraunhofer IPA; Foto: Rainer Bez

Künstliche Intelligenz hat bereits heute in vielfältiger Form Einzug in die Produktion gehalten: Von intelligenten Lernverfahren für Roboter bis zur automatischen Fehlererkennung. Dagegen steht der Einsatz von Quantencomputern erst am Anfang, gilt jedoch ebenfalls als eine Schlüsseltechnologie. Während Quantencomputing und Maschinelles Lernen lange als getrennte Forschungsbereiche betrachtet wurden, ist inzwischen offensichtlich, dass sich beides hocheffektiv ergänzen lässt.

Wenn Maschinen smart werden: Künstliche Intelligenz und Maschinelles Lernen

Künstliche Intelligenz (KI) und Maschinelles Lernen (ML) sind in aller Munde, doch was bedeuten die beiden Begriffe im Wesentlichen? Von Künstlicher Intelligenz ist die Rede, wenn Maschinen zur Lösung von Problemen befähigt werden, für die menschliche Intelligenz erforderlich wäre. In engem Zusammenhang damit steht Maschinelles Lernen, also dass Maschinen oder Roboter aus Erfahrung Wissen generieren und auf Basis der gelernten Muster und Gesetzmäßigkeiten folglich Aufgaben lösen.

Laut einer Bitkom-Studie aus dem Jahr 2019 halten 49% der Industrieunternehmen es für sehr wahrscheinlich oder eher wahrscheinlich, dass Künstliche Intelligenz im Kontext von Industrie 4.0 bestehende Geschäftsmodelle disruptiv verändern wird. Als wichtigste Vorteile von Künstlicher Intelligenz empfinden die befragten Unternehmen die Steigerung der Produktivität (47%), Predictive Maintenance (39%), Optimierung von Produktions- und Fertigungsprozessen (33%) und Steigerung der Produktqualität (25%).

Maschinelles Lernen als Teilbereich von Künstlicher Intelligenz hat im Laufe des letzten Jahrzehnts enorme Fortschritte gemacht. Um Maschinen für komplexe Lernaufgaben zu befähigen, sind laut einer 2018 veröffentlichten Fraunhofer-Studie die häufigsten Methoden logistische Regression (63,5%), Entscheidungsbäume (49,9%), Random Forests (46,3%) und Neuronale Netze (37,6%). Mit ML trainierte Anwendungen sind heute nicht nur dazu in der Lage, Bild-, Video- und Textdaten zu analysieren, sondern auch beispielsweise Textübersetzungen zu erstellen, E-Mails zu beantworten, Musik zu komponieren oder Bilder zu produzieren.

Ein »Quantensprung« für Maschinelles Lernen

Quantencomputer, d.h. Computer, die nach den Gesetzen der Quantenmechanik operieren, finden erst seit relativ kurzer Zeit Beachtung in Zusammenhang mit Maschinellem Lernen. Die Gemeinsamkeit besteht darin, dass Quantencomputer in großen Datenmengen subtile Muster aufspüren, genauso wie es auch beim Prozess des Maschinellen Lernens geschieht. Im Bereich des Quantencomputing besteht momentan noch viel Forschungs- und Entwicklungsbedarf. Doch schon jetzt ist absehbar, dass diese Technologie auch neue Möglichkeiten im Kontext von ML eröffnen könnte.

Im Moment stößt Maschinelles Lernen bei Anwendungsfällen an seine Grenzen, bei denen es nötig ist, kontinuierlich anfallende große Datenmengen auswerten, aus denen die Maschine dann quasi in Echtzeit lernen soll. Dieses Problem könnte Quantencomputing mittelfristig lösen, da mit einem Quantencomputer zahlreiche parallele Berechnungen möglich sind.

Unsere Partner

Logo des Stuttgarter Technologie- und Innovationscampus
Fraunhofer IPA Logo
Logo Fraunhofer IAO
Fraunhofer IBP Logo