Expertenwissen für Algorithmen nutzbar machen: KI-gestützte Qualitätskontrolle der Laserbeschriftung III

KI-Anwendungsprojekt mit Technoform Bautec Kunststoffprodukte GmbH

Während wir uns im zweiten Blogbeitrag mit dem Aufbau eines hybriden KI-Modells auf Basis von methodisch erhobenem Expertenwissen beschäftigt haben, möchten wir hier den Inferenzmechanismus des Modells und Fragestellungen zur anlagennahen Implementierung beleuchten. Während frühe Aussagelogik- und Expertensysteme lediglich eine zweiwertige Metrik zum Treffen von Schlussfolgerungen (d.h. eine Aussage ist entweder „definitiv wahr“ oder „definitiv falsch“) benutzten, existieren im Bereich der symbolischen KI Inferenzmethoden, die kontinuierliche Zwischenwerte (z.B. zwischen 0 und 100 %) prozessieren und propagieren können. Bekannte Methoden im Bereich des probabilistischen Schließens sind beispielswiese Bayes’sche Netze, die subjektive Wahrscheinlichkeiten propagieren.

Die Evidenztheorie wurde in den 1970er Jahren unter Relaxion der Axiome von Kolmogorow als Erweiterung der Bayes’schen Wahrscheinlichkeit entwickelt. Sie erlaubt in einem aussagelogischen System neben der Betrachtung wie wahrscheinlich es ist, ob eine Aussage „definitiv wahr“ oder „definitiv falsch“ ist, die numerische Berechnung und Propagation von Unsicherheiten. So kann ein KI-Modell nicht nur Schlussfolgerungen treffen, sondern auch eine Aussage liefern, wie sicher es sich bei der Schlussfolgerung ist. Da Unsicherheiten im Netz entlang der aussagelogischen Regeln propagiert werden, können Ursachen von sich aggregierenden Unsicherheiten betrachtet und, wenn notwendig, ggf. durch zusätzliche Aussagen/Regeln reduziert werden. Die Abbildung am Ende des Artikels zeigt die Ergebnisse eines exemplarischen Inferenzvorgangs: Relevante Argumentationslinien sind hervorgehoben, wenn Evidenz vorliegt, dass eine Aussage wahr ist. Unter den möglichen Aktionen auf der rechten Seite der Abbildung wird die zielführendste Maßnahme automatisch bestimmt.

Die Implementierung des hybriden KI-Modells, das Expertenwissen in Form kausaler Regeln kodiert und einen evidenztheoretischen Inferenzmechanismus integriert, erfolgte in der Open-Source-Programmbibliothek PyTorch. Das KI-Modell wird in PyTorch als sequenzielles neuronales Netz modelliert, wobei die 87 Schichten/Layer des Modells die (parametrierten) aussagelogischen Regeln repräsentieren. Die Modellerstellung in PyTorch auf Basis vorhandener aussagelogischer Regeln wurde vollständig automatisiert, um flexibel Anpassungen am Modell vornehmen zu können.

Zur Überführung des KI-Modells von der Entwicklung in den produktiven Betrieb bei Technoform wurde das Modell in das offene Format zur Repräsentation von Deep-Learning-Modellen ONNX übersetzt. Ein maschinennaher Industrie-PC stellt eine ONNX-Laufzeitumgebung bereit, mit der das übergebene Modell mit möglichst geringer Latenz, vorhersehbarer Laufzeit und mit möglichst wenigen Abhängigkeiten in Echtzeit ausführt werden kann.