KI-Entwicklung mit Rücksicht auf menschliche Bedürfnisse
Künstliche Intelligenz (KI) kann durch mehr Automatisierung zwar einen Wandel bei Fertigungsprozessen herbeiführen, doch das menschliche Element darf dabei nicht vernachlässigt werden. Menschen sind unweigerlich an der gesamten Produktionskette beteiligt. Um einen reibungslosen Betrieb zu gewährleisten, ist eine synergetische Beziehung zwischen Roboter und Personal daher von grundlegender Bedeutung. „Das Verhalten von KI-Systemen darf keinesfalls isoliert von menschlichem Handeln erfolgen“, bemerkt der Projektkoordinator von TEACHING (A computing toolkit for building efficient autonomous applications leveraging humanistic intelligence), Davide Bacciu von der Universität Pisa in Italien. „Wir Menschen werden in unseren Reaktionen und unserem Wohlbefinden durch unseren kognitiven und psychologischen Zustand beeinflusst.“ Wenn KI-Systeme entlang der Produktionskette Betriebseffizienzen steigern und die Arbeitslast verringern sollen, darf ihre Einführung keine übermäßige Belastung für das menschliche Personal darstellen.
Autonome Anwendungen, bei denen der Mensch bestimmt
Das EU-finanzierte Projekt TEACHING ging diese Herausforderung durch die Entwicklung autonomer Anwendungen an, die menschliches Feedback berücksichtigen. „Wir wollten, dass das System den Menschen bestimmen lässt und dass es zuverlässig und sicher arbeitet“, sagt Bacciu. Dazu brachte das Projekt Fachleute für KI und maschinelles Lernen sowie Sicherheitsingenieurwesen und Softwareentwicklung zusammen. „Wir wollten sichere und zuverlässige Anwendungen entwickeln, auf denen KI läuft, und dann deren Potenzial in Endanwendungen demonstrieren“, ergänzt Bacciu. In einem Testfall nutzte das Projekt autonome Fahrzeuge. Wie in der Fertigung ist auch hier ein menschenzentrierter Ansatz nötig, um eine reibungslose Kontrollübergabe und -übernahme zwischen dem Fahrzeug und den Fahrzeugnutzenden zu gewährleisten. Das Stressempfinden und der psychologische Zustand eines Fahrgastes kann dessen Komfort bei autonomen Fahrten wesentlich beeinflussen. Die KI muss daher nicht nur den Zustand des Fahrzeugs, sondern auch den der beförderten Personen berücksichtigen. „Unser Ziel dabei war es, den Dienst zu personalisieren und zu gewährleisten, dass die KI auf die fahrzeugnutzende Person reagieren kann“, sagt Bacciu. Im Modell von TEACHING werden Daten aus Sensoren, die den psychologischen Zustand des Fahrgasts überwachen, in die KI eingespeist. Die KI kann dann Rückmeldung geben, anhand derer der Fahrstil des autonomen Fahrzeugs angepasst werden kann. „Die KI sollte auf die jeweilige Person reagieren und sich ihr vorausschauend anpassen können“, erklärt Bacciu.
Methode und Modelle für verteilte KI
Dank dieser Arbeit konnte das Projektteam von TEACHING neue Methoden und Modelle für verteilte KI entwickeln. Die KI war darüber hinaus in der Lage, laufend dazuzulernen und sich an die Reaktionen einer konkreten Nutzungsperson anzupassen. Sinn dahinter ist es, dass die KI voll und ganz auf die Bedürfnisse des Menschen reagieren kann und nicht bloß auf ihre Produktionsaufgabe fokussiert ist. „Wir entwickelten Leitlinien sowie eine Bibliothek für Entwicklungspersonal, um die Strukturierung dieser Art von KI zu erleichtern“, fügt Bacciu hinzu. „Das macht all jenen, die autonome Anwendungen für verteilte KI entwickeln möchten, ihre Sache leichter.“ Diese Technologie bietet zwar Potenzial im Bereich der autonomen Fahrzeuge, doch Bacciu betrachtet dies als mittel- bis langfristiges Unterfangen, da die regulatorischen und technologischen Hürden erst noch genommen werden müssen. Das unmittelbarere Interesse gilt der verarbeitenden Industrie. „Hier besteht ein immenses Potenzial, da eine effektive Mensch-Roboter-Kollaboration nötig ist“, merkt er an. „Mit dieser Art von verteilter KI, die Menschen berücksichtigt und ständig weiterlernt, könnten Roboter autonom arbeiten und zugleich menschliche Bedürfnisse beachten.“ Langfristig könnte das zu sichereren und stressfreieren Arbeitsstätten beitragen und Herstellungsunternehmen dabei helfen, erhebliche Effizienzeinsparungen zu erzielen.
Schlüsselbegriffe
TEACHING, KI, künstliche Intelligenz, Automatisierung, Fertigung, verarbeitende Industrie, Roboter
