Das Projekt AluKauKi (Causal AI-supported Reduction of Scrap Rates in Aluminum Die Casting) befasst sich mit der Frage, wie künstliche Intelligenz nicht nur vorhersagen kann, dass in der Produktion etwas schiefgeht, sondern auch erklären kann, warum es dazu kommt und was Ingenieurinnen und Ingenieure dagegen tun können. Wie die Beteiligten erläutern, sind KI-Systeme zwar sehr gut darin, Muster in Daten zu erkennen. Sie können jedoch nicht unbedingt erklären, warum diese Muster existieren oder was passieren wird, wenn sich die Bedingungen ändern.
„Die Industrie braucht nicht einfach nur mehr Daten oder größere KI-Modelle. Sie braucht eine KI, die Daten in Verständnis umwandeln kann. Wenn wir verstehen, warum etwas passiert, sind wir in einer viel besseren Position, um zu entscheiden, was als Nächstes zu tun ist“, sagt Hendro Wicaksono.
Konzentration auf Aluminium-Hochdruckguss
Die Projektbeteiligten werden sich auf den Aluminium-Hochdruckguss konzentrieren – ein extrem schneller Prozess, bei dem geschmolzenes Aluminium unter hohem Druck in Formen gespritzt wird, um komplexe Bauteile für Anwendungen etwa in der Automobil- und Elektronikindustrie herzustellen. Sie erläutern zudem, dass schon kleine Schwankungen bei Temperatur, Druck, Materialeigenschaften und Maschinenzuständen das Endergebnis beeinflussen können. Ihre Wechselwirkungen sind dabei oft komplex, nichtlinear und sowohl für Menschen als auch für herkömmliche Datenanalysemethoden schwer zu erkennen.
Die Forschenden betonen, dass herkömmliche KI zwar bestimmte Kombinationen von Bedingungen erkennen kann, die bei der Herstellung fehlerhafter Bauteile auftreten, Korrelation aber nicht gleichbedeutend mit Kausalität ist. Die Tatsache, dass zwei Dinge gleichzeitig auftreten, sagt einem Ingenieur also nicht unbedingt, ob die Änderung eines dieser Faktoren das Problem beheben würde. Kausale KI kann diese Gleichung ändern. Anstatt lediglich die Frage zu stellen: ‚Was wird wahrscheinlich passieren?‘, kann kausale KI untersuchen, warum etwas geschieht und was passieren könnte, wenn Parameter geändert werden.
„Vorhersagen allein reichen für viele industrielle Entscheidungen nicht aus“, erklärt Wicaksono. „Wenn KI einem Ingenieur mitteilt, dass ein Defekt wahrscheinlich auftreten wird, lautet die nächste Frage sofort: Warum? Und was sollten wir ändern? Kausale KI gibt uns die Möglichkeit, vom Erkennen von Mustern hin zum Verständnis von Ursache und Wirkung zu gelangen.“
KI erklärbar und vertrauenswürdig machen
Wicaksono und seine Forschungsgruppe ‚Data-Driven Industrial Systems‘ an der Constructor University verfolgen das Prinzip, menschliches Fachwissen durch KI zu stärken, nicht zu ersetzen. Als zweite Säule von AluKauKi widmen sie sich daher der Bereitstellung von ‚Explainable Artificial Intelligence‘ (XAI). Demnach soll AluKauKi-System so konzipiert werden, dass es die Kausalkette hinter seinen Empfehlungen erklärt. Ein zukünftiges System könnte beispielsweise darauf hinweisen, dass eine bestimmte Prozessbedingung zu einem Qualitätsproblem beiträgt, den Zusammenhang erläutern und aufzeigen, was passieren könnte, wenn Ingenieure einen bestimmten Parameter anpassen. Dieser Ansatz ermöglicht es den Nutzern zudem, ‚Was-wäre-wenn‘-Szenarien durchzuspielen, bevor sie Entscheidungen treffen.
Hybrider Ansatz
Das Team von Wicaksono beschäftigt sich im Projekt mit der wissenschaftlichen Entwicklung und Validierung fortschrittlicher KI-Methoden, während sich Electronics auf die industrielle Seite konzentriert: Sensortechnologien, Produktionsdaten, Software- und Systemintegration sowie die Validierung unter realen Fertigungsbedingungen. Das Ergebnis ist ein hybrider Ansatz, der menschliches Wissen, Produktionsdaten, physikalisches Verständnis und Artificial Intelligence miteinander verbindet.
