Wenn numerische Simulationen in Konstruktion und Entwicklung eingesetzt werden, nimmt der Computer dem Menschen komplexe Rechenvorgänge ab – ein klassisches Beispiel für eine effiziente und sinnvolle Arbeitsteilung zwischen Mensch und Maschine. Verändert sich durch Künstliche Intelligenz (KI) die Rollenaufteilung in der Konstruktion?

Für die Beurteilung der Ergebnisse ist aber heute nach wie vor menschliche Expertise erforderlich. CAx, so die zusammenfassende Bezeichnung für die computerunterstützten Verfahren der Konstruktion und Berechnung, wie Computer Aided Design (CAD) und Computer Aided Engineering (CAE), entwickeln sich weiter und erreichen mit AIAx das nächste Level der digitalisierten Produktentwicklung. AIAx steht für Artificial Intelligence Aided x. Die Künstliche Intelligenz soll helfen, die Digitalisierung des Produktentwicklungsprozesses mit großen, komplexen Datenmengen beherrschbar zu machen und Ingenieure so von zeitaufwändigen Routinetätigkeiten zu entlasten.

„Es geht um die Entlastung von Standardaufgaben, sodass die Experten mehr Zeit haben, diese komplexen Entscheidungen zu bearbeiten, und zum zweiten um eine weitere Steigerung der Qualität dieser Entscheidungen. Letzteres wollen wir dadurch erreichen, dass die gesamte Historie der Bewertungen – auch die der Kollegen – in Mustern verdichtet als Entscheidungshilfe angezeigt werden soll“, erklärt Dr. Steven Peters, Leiter Artificial Intelligence Research bei Daimler. Die Stuttgarter hatten die Idee für das Forschungs­projekt AIAx und suchten sich Industrie- und Wissenschaftspartner.

Mehr Zeit für Innovationen

Die Bewertung von Konstruktionen ist häufig komplex, viele Kriterien spielen eine Rolle und mehrere zum Teil konkurrierende Ziele sollen erreicht werden. „Weiche“ Kriterien, wie die Erfahrung, das „Bauchgefühl“ oder das „menschliche Ermessen“ von Experten, spielen eine wichtige Rolle. Es muss abgewogen werden, um den bestmöglichen Kompromiss zu erreichen. Und das kann bisher nur der Mensch. Diese Erfahrungswerte lassen sich jedoch schwer formalisieren und können daher auch nur bedingt an Nachwuchskräfte weitergegeben werden. Durch den Einsatz bestimmter maschineller Lernverfahren könnten jedoch – zum Beispiel – Muster in den Daten einer CAD-Konstruktion erkannt und diese effizienter genutzt werden. Jede Simulation liefert riesige Datenmengen, die zurzeit noch von Menschen ausgewertet werden müssen, um Mängel und Defizite in der Konstruktion zu erkennen und diese nach und nach zu verbessern. Speziell entwickelte maschinelle Lernverfahren sollen diese Daten automatisch intelligent analysieren und auch eventuelle Verbesserungen vorschlagen. So eine Automatisierung des Analyseprozesses würde die Konstruktion nicht nur beschleunigen, sondern den Mitarbeitern mehr Zeit für die Entwicklung innovativer Designs und Ideen einräumen, hofft man bei Daimler. „Wir glauben, dass die Ergebnisse für viele technologieintensive Firmen in Deutschland relevant sein werden“, meint Dr. Peters.

Der digitale Schweißnaht-Assistent

Eine davon ist Endress+Hauser. Das Unternehmen engagiert sich neben Daimler, DYNAmore, USU Software, der TU Berlin und dem KIT in dem Projekt. „Wir beschleunigen unseren eigenen Entwicklungsprozess mit dem Einsatz der Künstlichen Intelligenz, wenn beispielsweise ein virtueller Assistent dem Entwickler am CAD-System Arbeiten abnimmt und Vorschläge erarbeitet. Ein Beispiel hierfür ist die Gestaltung einer Schweißnaht: Heute geht ein Konstrukteur zum Schweißfachingenieur und lässt sich die Schweißnaht freigeben. Hier kann in Zukunft ein virtueller Schweißassistent unterstützen“, berichtet Dr. Volker Frey, Strategic Expert des Unternehmens. Und auch ein Geschäftsmodell haben die Partner. „Während des Projekts entstehen Machine-Learning-Algorithmen, die wir anhand unserer Anwendungsszenarien validieren. Die beiden Softwarehäuser des Konsortiums entwickeln aus den Algorithmen dann Produkte, die lösungsneutral und ohne unser produktspezifisches Know-how allen Unternehmen zum Kauf offenstehen“, erklärt Frey.

Mit der Entwicklung der Künstlichen Intelligenz wird es denkbar, Expertenwissen in Rechnern zu hinterlegen und deren Entscheidungskriterien auf komplexe Simulationsergebnisse anzuwenden. Computer sollen mit menschlicher Erfahrung gespeist werden, um verwertbare Einschätzungen geben zu können. Die Entscheidungsprozesse von Machine-Learning-Verfahren transparent – also erklärbar – zu gestalten, soll deren Akzeptanz in der Praxis steigern und damit eine industrielle Anwendung überhaupt erst möglich machen. Wieso trifft das maschinelle Lernverfahren welche Entscheidung? „Hier wollen wir mit einer Probandenstudie unterschiedliche Darstellungsformen des Entscheidungsprozesses untersuchen. Wie soll die Erklärung dargestellt werden? Welche Informationen sind sinnvoll? Hinsichtlich der Akzeptanz von Machine-Learning-Verfahren ist Erklärbarkeit ein wichtiger Aspekt. Denn die letztendliche Verantwortung obliegt dem Konstrukteur“, erläutert Klaus-Robert Müller von der TU Berlin.