Künstliche Intelligenz (KI)
Künstliche Intelligenz (KI) ist ein Sammelbegriff für technische Systeme, die auf Basis von Daten und Verfahren eigenständig Ergebnisse wie Vorhersagen, Empfehlungen, Entscheidungen oder generierte Inhalte erzeugen. KI ist für das Engineering relevant, weil sie große Mengen technischer Informationen analysieren und Fachkräfte bei Aufgaben in Konstruktion, Produktentwicklung, Fertigung und Service unterstützen kann. (Quellen: NIST; Europäische Kommission)
Auf einen Blick
| Merkmal | Einordnung |
|---|---|
| Fachbereich | Informatik, Digitalisierung und industrielle Informationstechnologie |
| Wichtige Teilbereiche | Systeme erzeugen auf Basis von Daten und definierten Zielen beispielsweise Vorhersagen, Empfehlungen oder Entscheidungen |
| Typische Einsatzfelder | Maschinelles Lernen, Deep Learning und Generative KI |
| Engineering-Bezug | Datenanalyse, Bilderkennung, Sprachverarbeitung, Prognosen, Automatisierung und Assistenzsysteme |
| Englischer Begriff | Artificial Intelligence (AI) |
Inhaltsverzeichnis:
- Was ist Künstliche Intelligenz?
- Welche Teilbereiche gehören zur KI?
- Wie funktioniert Künstliche Intelligenz?
- Wie wird KI im Engineering eingesetzt?
- Vorteile und Herausforderungen
- Verwandte Begriffe
- Fazit
Was ist Künstliche Intelligenz?
Künstliche Intelligenz ist ein Oberbegriff für technische Systeme, die Aufgaben ausführen, bei denen Ergebnisse auf Basis von Daten, Modellen und definierten Zielen erzeugt werden. Dazu gehört beispielsweise das Erkennen von Mustern, das Treffen von Vorhersagen, die Verarbeitung natürlicher Sprache oder die Generierung von Inhalten. NIST beschreibt ein KI-System als ein maschinenbasiertes System, das für von Menschen definierte Ziele Vorhersagen, Empfehlungen oder Entscheidungen erzeugen kann, die eine reale oder virtuelle Umgebung beeinflussen. (Quelle: NIST)
Der Begriff KI beschreibt damit keine einzelne Technologie. Künstliche Intelligenz umfasst verschiedene Methoden und Systeme. Dazu gehören unter anderem Maschinelles Lernen, Deep Learning, neuronale Netze und Generative KI.
KI-Systeme können unterschiedliche Eingaben verarbeiten. Dazu zählen beispielsweise Messwerte, Texte, Bilder, Audiodaten oder technische Modelle. Aus diesen Eingaben entstehen abhängig vom jeweiligen System unterschiedliche Ergebnisse. Ein KI-System kann beispielsweise ein Bauteilbild klassifizieren, einen möglichen Fehler erkennen oder eine Textbeschreibung erzeugen.
Für Unternehmen ist außerdem die Abgrenzung zwischen KI und herkömmlicher Software relevant. Klassische Software folgt in vielen Fällen explizit programmierten Regeln. KI-Systeme können dagegen aus Daten gelernte Modelle einsetzen, um Ergebnisse für neue Eingaben abzuleiten. Die konkrete Funktionsweise hängt jedoch von der jeweiligen KI-Methode ab.
Welche Teilbereiche gehören zur KI?
Künstliche Intelligenz umfasst verschiedene Teilbereiche. Für das grundlegende Verständnis im Engineering sind vor allem Maschinelles Lernen, Deep Learning und Generative KI relevant.
Maschinelles Lernen
Maschinelles Lernen (ML) ist ein Teilbereich der Künstlichen Intelligenz. Verfahren des maschinellen Lernens erkennen Muster in Daten und verwenden diese Muster beispielsweise für Klassifikationen oder Vorhersagen.
Ein Engineering-System kann beispielsweise historische Daten auswerten, um Anomalien zu erkennen oder bestimmte Eigenschaften vorherzusagen. Die Qualität der Ergebnisse hängt dabei unter anderem von den verfügbaren Daten und dem verwendeten Modell ab.
Deep Learning und neuronale Netze
Deep Learning ist ein Teilbereich des maschinellen Lernens. Dabei kommen mehrschichtige neuronale Netze zum Einsatz. Neuronale Netze bestehen vereinfacht aus miteinander verbundenen Verarbeitungseinheiten und können komplexe Muster in großen Datenmengen erkennen.
Deep Learning spielt unter anderem bei der Bild- und Sprachverarbeitung eine wichtige Rolle. Im industriellen Umfeld kann die Technologie beispielsweise für die Analyse von Bildern oder die Erkennung von Merkmalen eingesetzt werden.
Generative KI
Generative KI ist ein Bereich der Künstlichen Intelligenz, der neue Inhalte erzeugen kann. Dazu gehören beispielsweise Texte, Bilder, Audio oder andere digitale Inhalte. (Quelle: NIST)
Large Language Models (LLMs) sind spezialisierte Modelle, die insbesondere für die Verarbeitung und Generierung natürlicher Sprache eingesetzt werden. Sie können beispielsweise technische Texte zusammenfassen oder Fragen zu vorhandenen Informationen beantworten.
Generative KI besitzt im Engineering besondere Bedeutung, weil technische Informationen häufig in unterschiedlichen Text-, Bild- und Dokumentenformaten vorliegen. Die konkrete Eignung hängt jedoch vom Anwendungsfall, den verfügbaren Daten und der technischen Integration ab.
Wie funktioniert Künstliche Intelligenz?
Die Funktionsweise einer KI hängt von der verwendeten Methode ab. Bei vielen modernen KI-Anwendungen spielen Daten, ein Modell und eine Ausführungsphase eine zentrale Rolle.
In einer Trainingsphase kann ein Modell anhand geeigneter Daten bestimmte Muster erlernen. Anschließend kann das trainierte Modell neue Eingaben verarbeiten. Diese Ausführung wird häufig als Inference bezeichnet.
Vereinfacht lässt sich der Ablauf so darstellen:
- Daten: Das System erhält relevante Eingaben, beispielsweise Texte, Bilder, Messwerte oder technische Informationen.
- Modell: Ein KI-Modell verarbeitet die Eingaben anhand gelernter oder festgelegter Zusammenhänge.
- Inference: Das Modell erzeugt für eine neue Eingabe ein Ergebnis.
- Ausgabe: Das Ergebnis kann beispielsweise eine Klassifikation, Prognose, Empfehlung oder ein generierter Inhalt sein.
- Menschliche Bewertung: Je nach Anwendung prüft und bewertet eine Fachperson das Ergebnis.
Die Qualität einer KI-Anwendung hängt deshalb nicht allein vom Modell ab. Auch Datenqualität, Datenverfügbarkeit, Systemintegration und die Gestaltung des jeweiligen Anwendungsfalls spielen eine wichtige Rolle.
Wie wird KI im Engineering eingesetzt?
Künstliche Intelligenz kann in unterschiedlichen Phasen des Produktlebenszyklus eingesetzt werden. Der konkrete Nutzen hängt vom jeweiligen Prozess und von den verfügbaren Daten ab.
Engineering-Bezug auf einen Blick
| Bereich | Typische KI-Anwendung | Konkreter Nutzen |
|---|---|---|
| Konstruktion und CAD | Erkennung von Mustern, Assistenzfunktionen, Unterstützung bei Konstruktionsaufgaben | Weniger manuelle Routinetätigkeiten und schnellere Bearbeitung bestimmter Aufgaben |
| Produktentwicklung | Analyse technischer Informationen und Unterstützung bei Varianten oder Entscheidungen | Bessere Auswertung vorhandener Informationen |
| Simulation | Analyse von Simulationsergebnissen und Unterstützung bei Prognosen | Schnellere Auswertung komplexer Datenbestände |
| Technische Dokumentation | Zusammenfassung, Klassifikation und Generierung von Texten | Unterstützung bei der Erstellung und Verarbeitung technischer Informationen |
| Wissensmanagement | Suche und Aufbereitung von Unternehmenswissen | Schnellere Auffindbarkeit relevanter Informationen |
| Qualitätssicherung | Bildanalyse, Anomalieerkennung und Mustererkennung | Unterstützung bei der Erkennung von Abweichungen |
| Fertigung | Prognosen, Qualitätsanalyse und Prozessüberwachung | Frühzeitige Erkennung von Auffälligkeiten |
| Service | Analyse von Fehler- und Servicedaten | Unterstützung bei Diagnose und Wartungsentscheidungen |
Im Engineering spielt die Einbindung in bestehende Systeme eine wichtige Rolle. Relevante Informationen liegen beispielsweise in CAD-, PDM- oder PLM-Systemen sowie in technischen Dokumentationen und weiteren Unternehmenssystemen. Eine KI-Anwendung kann ihren Nutzen besonders dann entfalten, wenn relevante Informationen für den jeweiligen Anwendungsfall verfügbar und zugänglich sind.
Ein aktuelles Beispiel für KI-Unterstützung im Engineering sind die AI Virtual Companions von SOLIDWORKS. AURA ist auf den Zugriff und die Aufbereitung von Unternehmens- und Webwissen ausgerichtet. LEO unterstützt technische Aufgaben und kann beispielsweise bei mechanischer Konstruktion und Simulation eingesetzt werden. (Quelle: SOLIDWORKS)
Mehr: KI in SOLIDWORKS
Damit zeigt sich auch eine wichtige Entwicklung: KI wird zunehmend direkt in Engineering-Anwendungen und bestehende Arbeitsabläufe integriert. Die KI-Funktion wird dadurch Teil des jeweiligen Arbeitskontexts und steht nicht zwingend als eigenständiges Werkzeug neben dem Engineering-System.
Mehr: KI im Engineering
Künstliche Intelligenz im Engineering: Die Infografik zeigt die wichtigsten KI-Teilbereiche und ihre Einsatzmöglichkeiten entlang des Produktlebenszyklus.
Vorteile und Herausforderungen
Künstliche Intelligenz kann technische Fachkräfte bei der Verarbeitung großer Informationsmengen und bei wiederkehrenden Aufgaben unterstützen. Je nach Anwendung kann KI beispielsweise Muster schneller erkennen, Informationen strukturieren oder Vorhersagen auf Basis vorhandener Daten erstellen.
Zu den möglichen Vorteilen gehören:
- Unterstützung bei wiederkehrenden Aufgaben
- schnellere Analyse großer Datenmengen
- Erkennung von Mustern und Anomalien
- Unterstützung bei Prognosen und Entscheidungen
- bessere Zugänglichkeit vorhandenen Wissens
- Unterstützung bei der Verarbeitung technischer Dokumentation
Gleichzeitig entstehen technische und organisatorische Herausforderungen. KI-Ergebnisse können fehlerhaft sein. Bei generativen KI-Systemen können beispielsweise Inhalte entstehen, die plausibel wirken, aber sachlich nicht korrekt sind. Deshalb müssen Ergebnisse abhängig vom Anwendungsfall fachlich bewertet werden.
Auch die Datenbasis ist relevant. Unvollständige, veraltete oder ungeeignete Daten können die Qualität eines KI-Systems beeinträchtigen. Im industriellen Umfeld kommen außerdem Anforderungen an Datenschutz, Informationssicherheit, Datensouveränität und den Schutz geistigen Eigentums hinzu.
Für Unternehmen ist zudem der regulatorische Rahmen relevant. Die Europäische Kommission hat Leitlinien zur Definition von KI-Systemen im Zusammenhang mit dem EU AI Act veröffentlicht. Die Leitlinien unterstützen Unternehmen und andere Beteiligte bei der Einordnung, ob ein Softwaresystem als KI-System im Sinne des Rechtsrahmens einzustufen ist. (Quelle: Europäische Kommission)
Verwandte Begriffe
Maschinelles Lernen (ML): Teilbereich der Künstlichen Intelligenz, bei dem Systeme aus Daten Muster ableiten und diese beispielsweise für Vorhersagen oder Klassifikationen verwenden.
Deep Learning: Teilbereich des maschinellen Lernens, der insbesondere auf mehrschichtigen neuronalen Netzen basiert.
Generative KI: KI-Systeme, die neue Inhalte wie Texte, Bilder oder andere digitale Inhalte erzeugen können.
Large Language Models (LLMs): Modelle, die auf die Verarbeitung und Generierung natürlicher Sprache spezialisiert sind. LLMs bilden eine wichtige technologische Grundlage vieler moderner Anwendungen der Generativen KI.
KI-Agenten: KI-basierte Systeme, die Aufgaben beziehungsweise Ziele über mehrere Schritte hinweg bearbeiten und dabei je nach Ausgestaltung mit anderen Systemen oder Werkzeugen interagieren können.
Human in the Loop: Ansatz, bei dem Menschen an geeigneten Stellen in die Bewertung, Kontrolle oder Entscheidungsfindung eines KI-Systems eingebunden werden.
Fazit
Künstliche Intelligenz ist ein Oberbegriff für verschiedene Methoden und Systeme, die auf Basis von Daten und definierten Zielen Ergebnisse wie Vorhersagen, Empfehlungen, Entscheidungen oder generierte Inhalte erzeugen. Für das Engineering ist KI vor allem dort relevant, wo große Mengen technischer Informationen analysiert, Muster erkannt oder Fachkräfte bei wiederkehrenden Aufgaben unterstützt werden können. Maschinelles Lernen, Deep Learning und Generative KI bilden wichtige Teilbereiche. Für einen erfolgreichen Einsatz sind neben der Technologie auch Datenqualität, Systemintegration, fachliche Kontrolle und geeignete organisatorische Rahmenbedingungen relevant (KI-Readiness).
Quellen
- NIST: Definition von Artificial Intelligence als maschinenbasiertes System, das für von Menschen definierte Ziele Vorhersagen, Empfehlungen oder Entscheidungen erzeugen kann. NIST: Artificial Intelligence – Glossary
- NIST: Definition von Generative AI als Klasse von KI-Modellen, die aus Eingabedaten abgeleitete synthetische Inhalte erzeugen können. NIST: Generative AI – Glossary
- Europäische Kommission: Leitlinien zur Definition eines KI-Systems im Kontext des EU AI Act. Europäische Kommission: Leitlinien zur Definition von KI-Systemen
- SOLIDWORKS: AURA und LEO werden als AI Virtual Companions für unterschiedliche Engineering-Aufgaben beschrieben. SOLIDWORKS AI Virtual Companions: AURA und LEO