MS-SPO

Beispielhafte Konzeptverbesserung einer KI

MS-SPO verändert in Q3-2022 ein KI-Konzept und zeigt hier die Schritte.

Hintergrund

KI (Künstliche Intelligenz) hält in Deutschland Einzug u.a. ins Qualitätsmanagement, etwa bei Autos oder in der Qualitätssicherung von Fertigungen [1-4].

Ziel

Dieser Denkanstoß zeigt Ihnen ein Beispiel, wie Sie ein Ausgangssystem mit gegebener Leistung zügig in ein prinzipiell leistungsfähigeres Konzept verwandeln können: Innovation-on-Demand (IoD).

KI mit Neuronalem Netz

Neuronale Netze (NN) sind ein Weg zur maschinellen Mustererkennungen. Alternativen sind beispielsweise regelbasierte Systeme, maschinelles Lernen, wahrscheinlichkeitsbasierte Entscheidungen u.a. [5-9].

Ausgangssystem

Ein Sensor gibt ggf. vorverarbeitete Daten an ein NN, das dessen Informationen einteilt in die 4 getrennten Klassen A – D.

Klasse A könnte beispielsweise in einer Fertigungslinie dem Spitzenprodukt bedeuten, B und C zwei schlechtere Varianten, D Ausschuss. A könnte im Verkehr Fahrzeugen, B Passanten, C Tieren und D übrigen Verkehrsobjekten sein.

NN-Topologien enthalten typischerweise eine Ein- und Ausgangsschicht und dazwischen wenigstens 1 verborgene Schicht (hidden layer). Die 4 Ausgangsknoten im schematischen Bild entsprechen dabei den Klassen A – D.

Wie könnten Sie dieses System konzeptionell in ein leistungsfähigeres überführen?

“Zerlegen / Kopie anfertigen”

Entzerren Sie das Konzept zu Beginn, indem Sie das NN durch 4 gleiche NN-1 bis NN-4 ersetzen.

Schon diese Veränderung schafft Raum für mehr Leistungspotential: Die numerische Bestimmung der Pfadgewichte aus Beispieldaten ist damit für alle Klassen A – D entkoppelt.

“Asymmetrisch machen”

Wie wird das Konzept noch leistungsfähiger? Erhöhen Sie die Asymmetrie.

Ein Weg, das zu erreichen, ist es, das Ergebnis “es ist A” dem nächsten nn-2 mitzugeben. Dieses Signal kann digital sein (A oder nicht-A), oder aus einer inneren Schicht von NN-1 stammen. Die Eingangsschicht von nn-2 wird dann um so viele Knoten ergänzt, wie aus NN-1 kommen.

Sie erhalten so eine KI-Lösung, die aus 1 dem Original ähnlichen NN sowie 3 veränderten besteht. Sie hat jetzt andere Leistungsmerkmale, da sie die Gesamtergebnisse der Klassifikation in A, B und C berücksichtigt.

“Asymmetrie verstärken”

Wie ließe sich die Asymmetrie noch weiter verstärken?

Sie könnten ausnutzen, dass die Klassen sich nicht überlappen. Gehört die vom Sensor gelieferte Information weder zur Klasse A, noch zu B, noch zu C, dann kann sie nur noch zu Klasse D gehören.

Das ist durch eine Logikverknüpfung darstellbar. Das folgende etwas einfachere Konzept hat eine ähnliche Leistungsfähigkeit wie das Vorherige.

“Asymmetrie noch weiter verstärken”

Wie ließe sich die Asymmetrie noch weiter verstärken?

Sie könnten abschließend 3 unterschiedliche NN verwenden: NN-1, nn2 und nn-3.

Die Topologien könnten sich für nn-2 und nn-3 völlig von NN-1 unterscheiden. So könnten beispielsweise weitere Sensordaten (erweiterte Eingangsschicht) oder nur Teilmengen des Sensors (verkleinerte Eingangsschicht) für B- bzw. C-Klassifizierungen sinnvoll sein. Diese Klassifizierungen haben so die Fähigkeit, noch verlässlicher zu sein.

Parametrische Produktoptimierung

Sie verwandelten mit wenigen Schritten ein bekanntes KI-Ausgangssystem in ein komplexeres mit deutlich höheren Leistungsreserven (Paket IoD).

Alle Konzepte sind über Parameter einstellbar und damit prinzipiell einer Produktoptimierung in Gegenwart großer Unvorhersehbarkeiten zugänglich (Paket “L+G”, s.u.).

Fazit

Durch zwei Regeln erweitern Sie die Leistungsfähigkeit eines bestehenden KI-Konzepts (Paket IoD, s.u.).

Da Sie dessen konkretes Aussehen über Parameterveränderungen steuern, können Sie es gegen Unwägbarkeiten aus der Anwendung noch zuverlässiger und günstiger auslegen (Paket L+G, s.u.).

Literatur