Durch das Erkennen von Mustern und Gesetzmäßigkeiten werden Daten intelligent miteinander verknüpft und Rückschlüsse gezogen. Auf dieser Grundlage führen wir bildbasierte Qualitätskontrollen durch und richten automatisierte Datenanalysen in Produktionsketten ein. Wir nutzen Machine Learning auch für medizinische Anwendungen wie Diagnoseverfahren, zum Zählen von Fischbeständen oder für VR- und AR-Technologien.
Warum Maschinelles Lernen & Künstliche Intelligenz?
- In einer immer komplexer und umfangreicher werdenden Informationswelt können wichtige von unwichtigen Informationen immer schwerer unterschieden werden.
- Der Mensch muss durch visuelle und intelligente Assistenzsysteme bei der Arbeit mit Informationen unterstützt werden.
- Maschinelles Lernen und Künstliche Intelligenz (ML/KI) helfen, komplexe und umfangreiche Informationsmengen automatisiert und schnell zu analysieren.
Deep Learning und CAD-basiertes Training
Ein Teilgebiet des maschinellen Lernens sind neuronale Netze, welches die Lernalgorithmen an die Funktionsweise von Nervenzellenverbindungen im menschlichen Hirn anlehnt und auf der Vernetzung von kleinen zusammenhängenden Informationseinheiten in unterschiedlichen Schichten basiert. Dabei muss die Topologie eines Netzes (die Zuordnung von Verbindungen zu Knoten sowie deren Gewichtung) abhängig von seiner Aufgabe wohldefiniert sein. Nach der Konstruktion eines Netzes folgt die Trainingsphase, in der das Netz durch Wiedervorlage von Daten „lernt“ und somit exaktere Vorhersagen treffen kann. Dabei spielen die Gewichtungen zwischen den Schichten des Netzes eine wesentliche Rolle, die immer wieder angepasst werden. Das erhaltene Modell kann nachfolgend auf Daten angewandt werden, die dem Netz noch unbekannt sind.
Je komplexer und tiefschichtiger die Netztopologie ist, desto größere Probleme können behandelt werden. Diese sogenannten Deep-Learning-Verfahren enthalten meist weitere Zwischenschichten, die nicht mit den Eingabe- und Ausgabeschichten gekoppelt sind. Sie benötigen eine sorgfältige Konzeption und Datengrundlage, was eine große Herausforderung für die Übertragbarkeit von Lösungen auf andere Anwendungsgebiete darstellt.
Insbesondere auch echtzeitfähige Technologien, wie Virtual- und Augmented-Reality-Systeme für industrielle Anwendungen, profitierten in den letzten Jahren von den zunehmenden Möglichkeiten die das maschinelle Lernen bietet- gerade im Bereich der Detektion, Klassifikation als auch Rekonstruktion von Objekten, Bauzustandserkennungen und Posenrekonstruktion sowie der semantischen Verknüpfung von Informationseinheiten aus Bild- und Modelldaten. Als wesentliche Datengrundlage gelten hier CAD-Daten, welche besondere Workflows notwendig machen und neue Herausforderungen für den Einsatz des maschinellen Lernens bedeuten.