Erläuterungen



 Approximation

'Annäherung' an einen bestimmten Zustand / Zahlenwert.
Anwendungsbeispiel:
  • Simulation von Versuchsergebnissen:

Anzahl der nötigen Versuche wird auf ein Minimum reduziert. Die Genauigkeit von Berechnungen (z.B. Festigkeits-/ Lebensdauerberechnungen) wird erhöht.

 Data-Mining

Bedeutet soviel wie: nach wertvollen Inhalten in Daten schürfen. Beispiele Beispiele

Versteckte Muster und Zusammenhänge werden mit Hilfe spezieller Analysetechniken aufgedeckt. Für diese Aufgabe stehen mittlerweile hochentwickelte mathematische Algorithmen / Methoden zur Verfügung, die in der Lage sind, einen Großteil der versteckten Zusammenhänge selbstständig zu erkennen. Hierzu gehören u. a.:

 EPROM (EEPROM)

(Electrically) Erasable Programmable Read Only Memory: Ein Chip, der für eine individuelle Aufgabenstellung programmiert werden kann. Das Programm (hier: der sog. 'Experte') ist in solch einen Chip implementierbar. Dies bietet eine interessante Performance für den Einsatz in Echtzeitanalysen (wie u.a. an der Fertigungslinie).



 Genetische Algorithmen (GA)

Zur Erklärung wird ein nicht ganz ernsthaftes Bild aufgegriffen, das jedoch den Vorteil hat, dass die grundlegende Funktionsweise solcher Algorithmen in wenigen Worten darstellbar ist. Dabei wird die Suche nach einem globalen Maximum einer unbekannten Funktion mit der Suche eines Kängurus nach dem höchsten Berg der Erde verglichen:

"[Ein] Pilot [...] wirft eine Herde von Känguruhs über die ganze Erde [verteilt ab]. Leider wissen die Känguruhs nicht, daß sie den Gipfel des Mount Everest suchen sollen. Die Känguruhs mutieren nun oder vermehren sich. Die Nachkommen suchen sich neue Lebensräume und dringen dabei unter anderem auch in größere Höhen vor. Da die Population der Känguruhs aber konstant gehalten werden soll, werden jedes Jahr diejenigen Känguruhs erschossen, die in den niedrigsten Höhen leben. Wenn viele Generationen vergangen sind, besteht die Hoffnung, dass einige Känguruhs auf den Gipfeln des Himalayas leben." [Anders97]

Ein wesentlicher Vorteil solcher Algorithmen ist, dass sie bei geschickter Wahl entsprechender Parameter nur selten in einem lokalen Optimum (Gipfel der Alpen) hängen bleiben (auch wenn andererseits trotzdem nicht gewährleistet werden kann, dass ein Känguru tatsächlich den Mount Everest findet). Ein Nachteil ist der enorme Rechenaufwand, der zur Nutzung eines solchen Algorithmus i.d.R. nötig ist.

 Individuelle Toleranzangabe (ITA)

Künstliche neuronale Netze waren bislang 'nur' in der Lage, so genannte Schätzungen auszugeben.
Die von info-key entwickelten KNN sind jedoch in der Lage, zusätzlich zu ihrer 'Schätzung' eine individuelle Toleranz und eine statistische Sicherheit anzugeben. Dies erfolgt in der Regel sogar mit einer Aussagegenauigkeit, die wesentlich besser ist als die Fehlertoleranz herkömmlicher Messgeräte.
Dies ist eine wesentliche Innovation. Der Begriff 'Schätzung' verliert hierbei seine Berechtigung!




 Individuelle Toleranzregelung (ITR)

Ein Regelungskonzept, mit dem unter Zuhilfenahme der KI die Ausschussquote durch gezielte Rekombination der Einzelteile eines Produktes drastisch reduziert werden kann.



 Klassifikation

Aufteilung einer 'Gruppe' in zwei oder mehr Gruppen aufgrund ihrer spezifischen Eigenschaften.
Anwendungsbeispiel:
  • Aufteilung in Gut / Ausschuss
Ausschussquote der Fertigung kann gezielt reduziert werden.



 Künstliche Intelligenz (KI)

In diesem Forschungsgebiet wird das Ziel verfolgt, biologische neuronale Netze zu simulieren, um deren einzigartige Leistungsmerkmale zu nutzen.

Es gibt zahlreiche Projekte deren Ziel es ist 'menschliche' Intelligenz durch Implementation und Weiterentwicklung von künstlicher Intelligenz nachzuahmen.

 Künstliche neuronale Netze (KNN)

Technisch-topologische Nachbildung des Gehirns.

"Zwischen Original und Modell müssen Analogien bestehen, und zwar insofern, als beide in bestimmten Merkmalen strukturell und / oder funktional ähnlich sind." [Über1,95]


Ein KNN ist ein mathematisch beschreibbares Modell, das die erwünschten Eigenschaften des natürlichen Vorbildes im Wesentlichen beinhaltet:

  • Beliebige Komplexität (äußerst komplexe Zusammenhänge können generiert, 'eingefroren' und angewendet werden)
  • Versteckte Zusammenhänge werden selbstständig erkannt
  • Massiv parallele Strukturen sind realisierbar
  • Lernfähigkeit
  • Fehlertoleranz
  • Verallgemeinerungsfähigkeit
  • Voraussagende / vorausschauende Fähigkeiten
KNN sind demnach nicht einfach eine Weiterentwicklung von Datenanalysemethoden, sondern stellen ein völlig neuartiges Werkzeug mit Leistungsmerkmalen dar, die mit herkömmlichen Methoden nicht erreicht werden.

Obwohl bei weitem nicht so komplex wie das natürliche Vorbild, sind KNN bereits so leistungsfähig, dass sie bisher kaum realisierbare Produkte ermöglichen (Sprach-, Bilderkennung, Robotik, Aktienkursprognosen, autonome Fahrsysteme, Kreditwürdigkeitsermittlungen, 'AIBO', ... ).

 Neuron

Ein biologisches Neuron ist grundsätzlich gekennzeichnet durch eine Vielzahl von Eingängen (Dendriten) und einen Ausgang (Axon).

Im Gehirn sind solche Neuronen zum einen untereinander und zum anderen mit Hilfe des Nervensystems mit den (Sinnes-) Organen verbunden. Die unterschiedliche Ausp