Der Name Robotron ist vielen ein Begriff: Zu DDR-Zeiten arbeiteten beim Kombinat für Computertechnik aus Dresden fast 70.000 Menschen. Nach der Wende stand die Abwicklung des Staatsbetriebs bevor, doch Senior-Geschäftsführer Dr. Rolf Heinemann entschloss sich zu einem Management-Buyout. 1990 gründete er die Robotron Datenbank-Software GmbH mit acht weiteren Gesellschaftern und damals 26 Beschäftigten. Zu den wichtigsten Segmenten zählen heute die Energiewirtschaft, die öffentliche Verwaltung und die Industrie, hier vor allem die diskrete Fertigung mit Manufacturing und Automotive. Der Kernkompetenz blieb man treu: die Verwaltung und Auswertung großer Datenmengen auf der Basis von Datenbank-Software. Heute erwirtschaften rund 600 Beschäftigte einen Jahresumsatz von 62 Millionen Euro.
Praktische Computer Vision
KI-Anwendungen spielen insbesondere in der Qualitätskontrolle und in Predictive Maintenance-Szenarien ein Rolle. Dabei gibt es unterschiedliche Ansätze – einige basieren auf bildgebenden, andere auf regelbasierten Verfahren. Um die Anwendungsszenarien rund um Computer Vision praktisch umzusetzen, werden zunächst ausreichende Bilddatensätze und annotiertes Wissen benötigt. Die Bilder müssen gelabelt sein, damit der Algorithmus zwischen korrekten und fehlerhaften Bauteilen unterscheiden und trainiert werden kann. Für Anwenderunternehmen ist oftmals mangelndes KI-Knowhow ein Problem. Im Produktionsumfeld mit seinen bereits existierende Lösungen gerät die Auseinandersetzung mit neuen Technologien zur Herausforderung. Daher finden KI-Projekte oft zunächst außerhalb der eigentlichen Produktion statt. Dort fehlen dann aber oft der Praxis-Input sowie die durchgängige Integration in die Prozesse.
Alltagstaugliche Ansätze
Die Spezialisten bei Robotron sind deshalb überzeugt, dass es nicht reicht, eine ‚coole‘ Data-Science-Plattform zu haben. Vielmehr müsse man auch die Sprache der Fertigungsleiter und Produktionsingenieure sprechen und interdisziplinär auftreten, um KI-Produkte in den Markt zu bringen. Um schnell produktiv nutzbare Lösungen zu integrieren, setzt der Anbieter daher besonders auf den Reinforcement Learning-Ansatz: „Die Strategie, antrainierte und nachtrainierte Netze zu nutzen, bringt viele Vorteile. Etwa wenn man einem neuronalen Netz schnell neue Fehlertypen beibringen möchte oder andere Farben eines Produkts oder Teils. Das ist in der Praxis wichtig, um AI-Lösungen schnell an neue Kontexte zu adaptieren“, erläutert Dr. Deepa Kasinathan, Product Owner und Gruppenleiterin Realtime Computer Vision bei Robotron. Fertigungsspezifisches Prozesswissen ist entscheidend für den Erfolg dieser KI-Projekte: „Da sich meist nicht von vorneherein sagen lässt, welches neuronale Netzwerk sich am besten eignet, müssen die Domänenspezialisten ein bisschen ausprobieren und vor allem auch die unterschiedlichen umliegenden Systeme einbinden“, schildert Kasinathan. Doch das Produktdesign von Robotrons Realtime-Computer-Vision-Plattform bezieht die Themen, die in der Praxis oft Probleme machen, implizit mit ein. Die offen konzipierten Schnittstellen ermöglichen nicht nur die Nutzung eines Frameworks oder neuronalen Netzes, sondern viele Alternativen.
Individual-Aufwand reduzieren
Die hauptsächliche Herausforderung bei Kundenprojekten bestand zuvor in der Auswahl der passenden Hardware. Hier arbeiteten die Dresdner schon seit längerem mit Kontron zusammen. Bei der Umsetzung von KI-Szenarien gibt es hardwareseitig in der Regel zwei Ebenen: Zum einen eine Trainingsebene, in der Bilddaten aufgebaut werden. Hier kommt die Cloud ins Spiel, denn die für das Training kurzfristig benötigte hohe Rechenleistung lässt sich kurzfristig mieten. Die andere Ebene ist der Algorithmus selbst, der oft möglichst vor Ort in der Nähe des Prozesses laufen soll. Dafür ist verlässliche und ausreichend performante Edge-Hardware notwendig. „Durch zahlreiche gemeinsame Proofs of Concept hat Robotron Kontron als verlässlichen Hardware-Partner, der maßgeschneiderte Lösungen zur Verfügung stellt, schätzen gelernt“, sagt Deepa Kasinathan. Nachdem eine Reihe von Konfigurationen getestet und immer wieder einiges an Energie in die Hardware-Auswahl investiert wurde, sah man sich das bislang genutzte Hardware-Spektrum genauer an. Ziel war es, den individuellen Aufwand für die Hardwareauswahl durch einen One-fits-all-Ansatz zu ersetzen.