Lernen und Kompetenzentwicklung in KI-basierten adaptiven Systemen

Arbeitssysteme, in denen Lösungen durch das Zusammenwirken menschlicher und Künstlicher Intelligenz (KI) erzeugt werden, gewinnen erkennbar an Bedeutung. Unter dem Begriff bzw. den Methoden von KI kann zwischen vier Disziplinen unterschieden werden: (1) Lernen, (2) Schließen/Folgern, (3) Problemlösen/Planen und (4) Optimieren. In diesem Beitrag werden unterschiedliche Formen individuellen und maschinellen Lernens (ML) in den Blick genommen, aus deren Zusammenspiel Entwicklungsimpulse für Produktion, Dienstleistung und Versorgungssysteme resultieren können. Ein besonderer Vorteil kann in der höheren Präzision und Qualität der Arbeitsausführung liegen. Stützt man KI auf Verfahren des maschinellen Lernens, dann zielt man auf intelligentes Problemlösen durch Maschinen − Computer, Roboter und digitale Assistenzsysteme – ab, die ausgehend von großen Datenmengen bei der Verwendung von Maschine Learning [1, 2], mittels Algorithmen Muster erkennen und dadurch Entscheidungsalternativen und Lösungswege erarbeiten. So kann individuelle Intelligenz durch maschinelle Leistung ergänzt werden, wo Individuen beispielsweise Grenzen in der Informationsverarbeitung oder visuellen Bildverarbeitung haben. Dies schließt maschinell erzeugte Selbstlernprozesse durch technische Rückkopplung unter Maschinen ein [3]. Menschliche Intelligenz resultiert aus den kognitiven, sozialen und emotionalen Prozessen der Verarbeitung von Information und Einordnung von Erfahrung, die internalisiert und kontextualisiert werden [4, 5]. Menschliche Intelligenz kann die Künstliche Intelligenz insbesondere dort unterstützen, wo domänenspezifische und implizite Erfahrungskomponenten eine wichtige Rolle spielen. Integriert man in Arbeitssystemen individuelle und maschinelle Lernverfahren, dann impliziert dies eine sozio-technische Systementwicklung, weil die maschinell erzeugte Dynamik mit individuellen Erfahrungen, Entscheidungen, Arbeitsausführungen verbunden werden, woraus Entwicklungsanstöße resultieren und das Leistungsspektrum erweitert wird.

Gegenwärtig werden einerseits die besonderen Potenziale herausgestellt, durch den Einsatz von KI zu besseren Lebens- und Arbeitsbedingungen zu gelangen [6, 7], was auch Entwicklungsperspektiven für den Menschen einschließt. Andererseits stehen Szenarien im Raum, wonach es neben einer Höherqualifizierung auch zu einer De-Qualifizierung kommen kann [8] oder Maschinen den Menschen die Denkleistung abnehmen können [9]. Das durch KI geschaffene zusätzliche Lernpotenzial, von dem der Mensch in seinem Arbeitsprozess de facto profitieren kann, gilt es genauer herauszuarbeiten. Dies erfolgt am Beispiel adaptiver Systeme in der Produktion und baut auf Grundlagen des maschinellen, individuellen und organisationalen Lernens auf.

KI und maschinelles Lernen in der Produktion

Die Forschung zur KI ist mittlerweile so gereift, dass sie in die praktische Umsetzung geht [10].

Erste Ansätze sind in der Produktion bereits vorzufinden. Voraussetzung für die Anwendung der verschiedenen Methoden des maschinellen Lernens (ML) ist das Vorhandensein von Daten in ausreichend großer Menge und in erforderlicher Güte. Durch Einsatz von ML-Methoden sind beispielsweise Vorhersagen im Kontext von Predictive Maintenance erschlossen worden. Auch die Logistikbranche nutzt KI in verstärktem Maße, wodurch zum Beispiel mittels intelligenter Datenanalyse der Warenfluss agiler und weniger störanfällig gestaltet werden kann [11]. Diese Entwicklungen implizieren jedoch nicht, dass auch die Arbeitssysteme vollständig autonom durch die KI gesteuert werden. Die Menschen überwachen die Prozesse und stellen nach wie vor die letzte Instanz bei Entscheidungen dar. Sie handeln auf der Basis eigener Erfahrungen und Expertise.

Mittels KI-basierter Problemlösungsmethoden können Expertensysteme aufgebaut werden, die als Softwareanwendung, Menschen bei der Lösung von komplexen Problemen unterstützen. Die Expertensysteme basieren auf einer Wissensbasis und stellen ganz grundsätzlich Systeme dar, die das Wissen und die Erfahrung von Fachleuten in Wissensdatenbanken strukturiert abspeichern und auf diese Weise Entscheidungen auch automatisiert unterstützen können [12]. Voraussetzung dafür ist eine ausreichende Datenbasis, die durch eine Vielzahl an Sensoren für die Datengenerierung verbaut werden müssen. Deren Messwerte müssen aufbereitet (klassiert) und entsprechend abgelegt werden, um sie mithilfe von KI auszuwerten. Während die Datenerfassung in der Fertigung aufgrund eines hohen Automatisierungsgrads oftmals schon relativ gut vorbereitet ist, ist bei manuell ausgeführten Arbeitsprozessen mit geringem Automatisierungsgrad kaum Sensorik vorhanden [13]. Auch die Datenbasis ist in der Regel für Methoden der KI noch nicht nutzbar. Aus dem aktuellen Stand des Einsatzes von KI in der Produktion lassen sich mehrere Hypothesen aufstellen:

• In der Praxis werden bei nicht automatisierten Prozessen häufig nur unzureichend viele Daten erfasst.
• Auch bei hinreichend großen Datenmengen müssen diese erst systematisiert aufbereitet werden, um sie einer Nutzung zuzuführen.
• Die Prozesse, die mittels KI analysiert, überwacht, gesteuert oder optimiert werden sollen, sind häufig nicht im notwendigen Detailierungsgrad bekannt oder nicht in einem feinen Granularitätsgrad beschrieben.
• Es sind Rahmenbedingungen erforderlich, die eine Strukturierung und ein Vorgehen zur Aufnahme von Daten, auch technologiespezifisch, festlegen.

Adaptive Systeme als lernende maschinelle Systeme

Ein besonderes Entwicklungs- und Umsetzungspotenzial für die Industrie liegt im Einsatz adaptiver Systeme [14]. Die Adaptivität eines Systems zeigt sich darin, dass dieses sich individuell und situationsgetreu auf aktuelle Erfordernisse einstellen und rechtzeitig auf Veränderungen sowie Randbedingungen reagieren kann. In einem Arbeitssystem wirken einzelne oder mehrere Personen mit Arbeitsmitteln in einem eingegrenzten Arbeitsraum zusammen, um die Funktion des Systems entsprechend der Aufgabe zu erfüllen [15]. Eine mögliche Adaptivität von Arbeitssystemen erfordert eine ausreichende Datengrundlage, auf deren Auswertung und Analyse diese Systeme Entscheidungen treffen können. Hier greift also analog zu der oben beschriebenen Situation in der automatisierten Produktion der Einsatz von Methoden der KI und des ML, um auch im Bereich der eher manuell ausgestalteten Arbeitssysteme die beschriebene Adaptivität zu fördern. Neben klassischen Anwendungen in der Produktion kann sich ein Arbeitsplatz auf die handelnden Personen im Arbeitssystem einstellen. Zum Beispiel adaptiert das Montagesystem automatisch, ob  Menschen Rechts- oder Linkshänder sind, welche Armlänge respektive Reichweite oder auch Einschränkungen diese Personen haben. Zur Unterstützung der Beschäftigten kann zusätzlich auch die Tagesform und damit die aktuelle Leistungs- und Konzentrationsfähigkeit überprüft und ausgewertet werden. Somit erhalten die Mitarbeitenden individuell und flexibel das passende Maß an Arbeitsassistenz und es kann eine durchgängig zuverlässige Leistung erzielt werden. Durch den Einsatz verschiedener KI-Methoden und Verfahren führt eine an den Voraussetzungen und Bedürfnisstrukturen des Menschen ausgerichtete Unterstützung zu Fehler- und Unfallvermeidung, Produktivitätserhalt oder auch Produktivitätssteigerung.

Beispiele für die Nutzung des Befähigungspotenzials von KI 

Für die Weiterentwicklung KI-basierter adaptiver Systeme gibt es bereits richtungsweisende Beispiele, auf denen zukünftige Entwicklungen aufbauen können.

KI kann bereits jetzt für verschiedene Ausprägungen der Kompetenzentwicklung genutzt werden, die sich auf den Lernerfolg des Individuums und auf die Wissensbasis eines Unternehmens auswirken. So kann KI zur autonomen Generierung von allgemeinem Lern-Content 

[ Wenn Sie den kompletten Beitrag lesen möchten, klicken Sie hier ]