Advertisement

Künstliche Intelligenz 4.0

  • Gerhard Lakemeyer
Chapter
  • 379 Downloads

Zusammenfassung

Künstliche Intelligenz (KI) hat seit einigen Jahren stark an Bedeutung gewonnen, insbesondere durch die eindrucksvollen Erfolge im Bereich des maschinellen Lernens. In diesem Kapitel möchte ich zunächst den Begriff KI aus Sicht der Forschung klären und einige der großen Erfolge der letzten 20 Jahre vorstellen. Anschließend werde ich auf die Bedeutung der KI für die Verwirklichung von Industrie 4.0 eingehen mit einem Fokus auf die Produktionstechnik. Dabei werde ich zum einen auf Chancen und Herausforderungen des Einsatzes von maschinellem Lernen eingehen und zum anderen darlegen, warum auch andere Bereiche der klassischen KI wie das automatische Planen eine wichtige Rolle spielen. Die Diskussion wird unterlegt mit Beispielen aus der aktuellen Forschung.

Literatur

  1. Bambach M, Seuren S (2015) On instabilities of force and grain size predictions in the simulation of multi-pass hot rolling processes. J Mater Process Technol, Elsevier 216:95–113CrossRefGoogle Scholar
  2. Bonet B, Geffner H (2013) A concise introduction to models and methods for automated planning, Synthesis lectures on artificial intelligence and machine learning. Morgan Claypool Publishers, San RafaelGoogle Scholar
  3. Brenner M, Nebel B (2009) Continual planning and acting in dynamic multiagent environments. Auton Agent Multi-Agent Syst 19(3):297–331CrossRefGoogle Scholar
  4. Brown N, Sandholm T (2017) Libratus: the superhuman AI for no-limit poker. Proceedings of the International Joint Conference on Artificial Intelligence (IJCAI), S 5226–5228Google Scholar
  5. Ferrucci DA, Brown EW, Chu-Carroll J, Fan J, Gondek D, Kalyanpur A, Lally A, Murdock JW, Nyberg E, Prager JM, Schlaefer N, Welty CA (2010) Building watson: an overview of the DeepQA project. AI Mag 31(3):59–79CrossRefGoogle Scholar
  6. Fox D, Burgard W, Thrun S, Cremers AB (1998) A hybrid collision avoidance method for mobile robots. IEEE Internaltional Conference on Robotics and Automation (ICRA), S 1238–1243Google Scholar
  7. Hofmann T, Niemueller T, Claßen J, Lakemeyer G (2016) Continual planning in Golog. Thirtieth AAAI conference on artificial intelligence, S 3346–3353Google Scholar
  8. Hofmann T, Niemueller T, Lakemeyer G (2017) Initial results on generating macro actions from a plan database for planning on autonomous mobile robots. International conference on automated planning and scheduling, S 498–503Google Scholar
  9. Hönig W, Satish Kumar TK, Cohen L, Ma H, Xu H, Ayanian N, Koenig S (2016) Multi-agent path finding with kinematic constraints. International Conference on Automated Planning and Scheduling (ICAPS), S 477–485Google Scholar
  10. Hopmann C, Jescke S, Meisen T, Thiele TD, Tercan H, Liebenberg M, Heinisch J, Theunissen M (2017) Combined learning processes for injection molding based on simulation and experimental data. 33rd International conference of the Polymer Processing Society (PPS-33)Google Scholar
  11. Krizhevsky A, Sutskever I, Hinton GE (2017) ImageNet classification with deep convolutional neural networks. Commun ACM 60(6):84–90CrossRefGoogle Scholar
  12. Kusiak A, Chen M (1988) Invited review: expert systems for planning and scheduling manufacturing systems. Eur J Oper Res 34(2):113–130CrossRefGoogle Scholar
  13. LeCun Y, Bengio Y, Hinton G (2017) Deep learning. Nature 521:436–444CrossRefGoogle Scholar
  14. Leofante F, Ábrahám E, Niemueller T, Lakemeyer G, Tacchella A (2017) On the synthesis of guaranteed-quality plans for robot fleets in logistics scenarios via optimization modulo theories. IEEE international conference on information reuse and integration, S 403–410Google Scholar
  15. Meyes R, Tewrcan H, Thiele T, Krämer A, Heinisch J, Liebenberg M, Hirt G, Hopmann C, Lakemeyer G, Meisen T, Jeschke S (2018) Interdisciplinary data driven production process analysis for the internet of production. 46th SME North American Manufacturing Research Conference (NAMRC 46), ElsevierGoogle Scholar
  16. Monostori I, Markus A, Van Brussel H, Westkämpfer E (1996) Machine learning approaches to manufacturing. CIRP Ann Manuf Technol 45(2):675–712CrossRefGoogle Scholar
  17. Niemueller T, Ewert D, Reuter S, Ferrein A, Jeschke S, Lakemeyer G (2016) Robocup logistics league sponsored by Festo: a competitive factory automation testbed. In: Jeschke S, Isenhardt I, Hees F, Henning K (Hrsg) Automation, communication and cybernetics in science and engineering 2015/2016. Springer, Cham, S 605–618CrossRefGoogle Scholar
  18. Ribeiro MT, Singh S, Guestrin C (2016) Why should I trust you?. Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD, New York, S 1135–1144Google Scholar
  19. Roberts M, lford R, Shivashankar V, Leece M, Gupta S, Aha DW (2016) ACTORSIM: a toolkit for studying goal reasoning, planning, and acting. In: Workshop on Planning and Robotics (PlanRob) at International Conference on Automated Planning and Scheduling (ICAPS)Google Scholar
  20. Russell S, Norvig P (2016) Artificial intelligence: a modern approach, global edition. Pearson, LondonGoogle Scholar
  21. Schäpers B, Niemueller T, Lakemeyer G, Gebser M, Schaub T (2018) ASP-based time-bounded planning for logistics robots. International conference on Automated Planning and Scheduling (ICAPS), S 509–517Google Scholar
  22. Shen W (2002) Distributed manufacturing scheduling using intelligent agents. IEEE Intell Syst 17(1):88–94CrossRefGoogle Scholar
  23. Silver D, Huang A, Maddison CJ, Guez A, Sifre L, van den Driessche G, Schrittwieser J, Antonoglou I, Panneershelvam V, Lanctot M, Dieleman S, Grewe D, Nham J, Kalchbrenner N, Sutskever I, Lillicrap TP, Leach M, Kavukcuoglu K, Graepel T, Hassabis D (2016) Mastering the game of Go with deep neural networks and tree search. Nature 529(7587):484–489CrossRefGoogle Scholar
  24. Thrun S (2006) A personal account of the development of Stanley, the robot that won the DARPA grand challenge. AI Mag 27(4):69–82Google Scholar
  25. Thrun S, Burgard W, Fox D (2005) Probabilistic robotics. MIT Press, CambridgeGoogle Scholar
  26. Zwilling F, Niemueller T, Lakemeyer G (2014) Simulation for the RoboCup logistics league with real-world environment agency and multi-level abstraction. In: RoboCup symposium, LNCS. Springer, Berlin, S 220–232Google Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2020

Authors and Affiliations

  • Gerhard Lakemeyer
    • 1
  1. 1.RWTH Aachen, Lehr- und Forschungsgebiet für wissensbasierte SystemeAachenDeutschland

Personalised recommendations