Künstliche Intelligenz?

Wir sind auf der Intersolar in München und freuen uns auf spannende Gespräche – 15 Uhr auf dem Stand von Mounting Systems (A3.340). Kaffee gibt es auch. Dieser Text zeigt, worum es thematisch geht. 

Jeder spricht von künstlicher Intelligenz, oder auch KI, gerne auch bezeichnet als AI oder Deep Learning. Im IT-Umfeld wird darüber hinaus oft von machine learning gesprochen.

Was ist das eigentlich?

Vereinfacht dargestellt ist machine learning eine KI- Anwendung, die darauf basiert, dass ein Algorithmus aus Daten ein bestimmtes Verhalten lernt. Eine typische machine learning Aufgabe wäre dementsprechend Handschrifterkennung. In diesem Fall handelt es sich typischerweise um supervised learning. Der Maschine werden hier zum Lernen Buchstaben – in Bildform – und deren Bedeutung, z.B. “b” – also der Buchstabe vorgesetzt.

Alternativ gibt es Algorithmen, die über unsupervised learning dazulernen. Sie können z.B. in großen Datensätzen Anomalien oder Cluster entdecken und müssen nicht explizit mit aufbereiteten Daten trainiert werden. Der Vollständigkeit halber sei noch reinforcement learning erwähnt, eine Technik, die insbesondere durch Alpha Go oder Open AI Bekanntheit erlangt hat. In solchen Systemen lernt ein Algorithmus durch Bestärkung. Sei es durch den Sieg in einem Go-Spiel oder über die ersten Meter gelaufene Strecke eines Roboters.

Eines gemeinsam haben diese Methoden des machine learning: Es werden keine strikten wenn-dann-Maschinen programmiert sondern es werden Bausteine (gerne in Form von neuronalen Netzen) zusammengesetzt, die dann diesem System ermöglichen zu lernen. Bei der Verwendung von tiefen – quasi größeren – neuronalen Netzen spricht man von deep learning. Damit ein solches System hinreichend gut funktioniert, muss es aus Daten lernen. Je mehr desto besser.

Was helfen einem nun diese Methoden, wenn man einen Solarpark baut?

Anders gefragt: Welche Daten kann man nutzen? Allgemein lassen sich aus allen Daten mindestens einmal Anomalien erkennen (unsupervised). Diese lassen sich weiter analysieren und vielleicht benennen. Eine typische Anomalie kann z.B. der Einsatz des Reinigungsteams sein. Die Winkel der Tracker machen scheinbar keinen Sinn und der Ertrag sinkt ebenfalls. Hilfreicher können Auswertungen über aufgenommene Ströme von Elektromotoren sein oder Leistungen von Strings. Nach einer technischen Analyse lassen sich diese Anomalien clustern und nach einem weiteren “supervised” Lernprozess automatisch erkennen. Funktioniert dieses Erkennen, können nicht nur Anomalien als “etwas ist auffällig” geloggt werden, sondern gleich mit ihrer erlernten Klassifizierung. Ein länger andauernder Leistungseinbruch nur eines Strings wird sich möglicherweise nicht durch eine Verschattung durch Wolken erklären lassen.

Etwas visionärer können sich vielleicht in nicht allzu ferner Zukunft von Drohnen generierte Thermografie-Bilder zum Identifizieren von hot spots oder Kamerabilder Aussagen über die Verschmutzung treffen lassen. Oder automatische Auswertungen von Videos zur Objektsicherung. Mittels supervised learning sind problemlos Fußgänger von Vögeln oder Rollbüschen zu unterscheiden. Oder von Menschen, die unerlaubterweise Solarpanels demontieren.

Einige der skizzierten Aufgaben erscheinen trivial. Und ob eine Überwachung oder ein Monitoring über eine KI oder einen Menschen oder schlicht gar nicht notwendig ist, entscheiden final die Kosten, gerade im Betrieb. KIs bieten den Vorteil, kontinuierlich überwachen zu können und dann auch möglicherweise automatisch Alarme auszulösen, was sicherlich ein nicht zu verachtender Vorteil ist. Eine notwendige Voraussetzung sind das Vorhandensein von Daten in hinreichender Quantität und Güte. Um zukünftige Auswertungen und den Einsatz von KI-Technologien nicht zu verbauen oder verhältnismäßig kostenintensiv Sensorik nachträglich einbauen zu müssen, erscheint es am Sinnvollsten, bei jeder neuen Anlage die systematische Datenerhebung direkt einzuplanen. Geringe Mehrkosten an Entwicklung und Hardware ermöglichen später ein effizientes Monitoring. Gerade in Problemfällen kann man dann Daten auch konventionell analysieren – gerne ohne KI.

Schreiben Sie einen Kommentar