KI ist in vielen industriellen Anwendungen gerade ein Riesenthema. Wo stehen wir denn heute beim Thema KI in der Messtechnik?
Dr. Harald Bosse: Wir beschäftigen uns in der PTB schon lange mit KI-Methoden, insbesondere im Bereich der medizinischen Bildgebung am Standort Berlin. Doch in der dimensionellen Messtechnik für das Fertigungsumfeld ist KI erst in den letzten Jahren ein Thema für uns geworden. Spannend wird es dann, wenn es darum geht, auf das Internationale Einheitensystem (SI) rückgeführte Werte der Messergebnisse zu erhalten. Wir sind heute noch nicht so weit, dass wir dies bei allen KI-basierten Lösungen schon machen können. Doch wir sind auf dem Weg.
Karl Jürgen Lenz: Provokativ würde ich sagen, dass es KI in der Fertigungsmesstechnik heute noch gar nicht gibt. In der Bildverarbeitung werden Machine Learning und neuronale Netze bereits genutzt – aber mit dem Riesennachteil, dass man tausende Bilder braucht, um die KI einzulernen. Doch so viele Defektbilder, wie man benötigt, gibt es leider nicht. Das heißt, das Generieren der Defektbilder ist das Bottleneck. Uns ist zumindest noch keine KI-Anwendung bekannt, die dies kann. Insofern ist auch da das klassische Muster-Matching nach wie vor viel einfacher zu nutzen.
Herr Dr. Bosse, inwiefern befasst sich die PTB mit dem Thema?
Bosse: Wir befassen uns mit KI in der Messtechnik, da zum Beispiel zu eichenden Geräte schon Bestandteile von KI-Software enthalten könnten. Nehmen Sie als Beispiel Geschwindigkeitsmessgeräte im Verkehrsbereich. Da könnte es durchaus sein, dass ein Hersteller KI-basierte Elemente verwendet, um die Performance der Geräte zu verbessern. Auf der anderen Seite ist es so, dass wir auf Seiten der PTB den Zustand eines Messgeräts immer nur zu einem bestimmten Zeitpunkt untersuchen und bewerten. Das heißt, wir können in dem Moment wirklich nur „eingefrorene“ Versionen von Messgerätesoftware prüfen. Bei selbstlernenden Systemen aber stehen wir vor der Herausforderung, dass diese morgen ja schon schlauer sind als heute. Der Hersteller muss somit letztlich das System, wenn er die Software KI-seitig weiterentwickelt, einer erneuten Prüfung durch uns unterziehen lassen.
Herr Lankmair und Herr Ferger, Sie haben bei Bruker Alicona und Werth ja bereits künstliche Intelligenz für die Messtechnik im Einsatz. Teilen Sie die Einschätzung von Herrn Lenz, dass wir noch ganz am Anfang stehen?
Thomas Lankmair: Ich stimme Herrn Lenz zu, dass wir erst ganz am Anfang stehen, wenn wir über KI in der dimensionalen Messtechnik sprechen. Nicht einmal die Potenziale liegen auf dem Tisch. Allerdings setzen wir KI bereits in Nischen ein – zum Beispiel nutzen wir Deep Learning für die Klassifikation von Oberflächen, meist dort, wo die Standardparameter der klassischen Rauheitsmessung nicht mehr ausreichen. Wir setzen KI natürlich auch zur Segmentation der Oberfläche ein, wenn es also darum geht, Bereiche zu segmentieren, beschneiden oder filtern. Ein weiterer Bereich ist die Optimierung unserer eigenen Algorithmen für Technologien wie zum Beispiel Advanced Focus Relation, um diese Fokuspunkte besser bestimmen zu können, um Rauschen herauszubekommen, um Optimierungen durchzuführen. Standard in unserer Software ist für gewisse Anwendungsfälle auch das smarte Erstellen von Messplänen für Koordinatenmessgeräte anhand von PMI-Daten. PMI steht für Product and Manufacturing Information.
Detlef Ferger: Auch wir setzen KI derzeit bereits ein, und zwar in der CT – und sehen hier ein sehr großes Potenzial für die Zukunft. Dies gilt gerade für die Bildanalyse und -auswertung von CT-Daten, speziell bei der Erkennung und Behebung von Artefakten. Dies sind ja Störungen, die durch unerwartete Absorptionen oder Streuungen der Röntgenstrahlung im Werkstück auftreten. Hier gibt es mittlerweile Ansätze, um KI zu trainieren und damit möglichst artefaktfreie Messergebnisse zu bekommen. Das setzen wir bereits ein und da ist noch lange nicht das Ende der Fahnenstange erreicht.
Und wie sehen Sie das Zusammenspiel von KI und PMI-Daten?
Ferger: Das Erstellen von Messabläufen mit PMI-Daten im Zusammenspiel mit KI hat tatsächlich für mich einen besonderen Charme. Die KI könnte im Zusammenspiel mit PMI dem Anwender Lösungsvorschläge für die Messung machen und ihm dann die Hand führen. Es wird nach meiner Einschätzung niemals so sein, dass die KI für Messgeräte fertige Messprogramme inklusive Messstrategien und sinnvoller Sensorikauswahl erstellt, aber sicherlich kann sie Vorschläge unterbreiten, um dem Bediener die Hand zu führen und das Ganze zu optimieren – die KI sozusagen als intelligenter Assistent.
Lankmair: Die Krux ist allerdings, dass PMI-Daten nach wie vor in der Praxis kaum verfügbar sind.
Lenz: Ich stolpere im Augenblick noch darüber, dass PMI oder auch Step regelbasierte Abläufe beschreiben. Was haben diese denn mit KI zu tun?
Ferger: PMI ist ja im Moment noch sensoriklos. Die Idee dahinter ist, dass die KI in Zukunft Aussagen dazu treffen kann, dass man ein Merkmal A am besten mit der Bildverarbeitung erfasst, ein Merkmal B mit einem Taster und das Merkmal C mit einem Liniensensor. Sie macht somit Vorschläge, anhand derer der Messtechniker entscheiden kann, ob diese plausibel sind – ähnlich wie Chat-GPT dies heute schon beim Erstellen von Texten macht. Hat man einen ersten Entwurf, kann man diesen anhand verschiedener Kriterien dann verfeinern und optimieren. Aber ich gebe zu, man muss dafür natürlich noch sehr viel mehr über den Prozess, über die Eigenschaften des Werkstücks sowie über die Möglichkeiten der Messmaschine wissen – Informationen, die die reinen CAD-Daten nicht bieten. Das Thema ist hochkomplex.
Lenz: Ich verstehe den Ansatz. Das ist allerdings noch richtige Zukunftsmusik – und ich befürchte, dass wir jetzt über KI-Anwendungen nachdenken, die genauso gut ohne KI lösbar sind.
Bosse: Im Moment mag das stimmen, aber das Anwenden regelbasierter Ansätze benötigt eben ein entsprechendes Erfahrungswissen bei den Anwendern in der Industrie. Vor dem Hintergrund des allgegenwärtigen Fachkräftemangels gehe ich davon aus, dass Anwender auch in der Messtechnik auf lange Sicht Werkzeuge wie Chat-GPT nutzen werden, um Messprogramme zu erstellen oder ihre selbst erstellten Messprogramme zu optimieren. Und letztlich – und das muss uns klar sein – wird das Erfahrungswissen, das wir heute haben, irgendwann Chat-GPT zur Verfügung stehen, weil es in irgendwelchen Handbüchern steht. Auf solche verfügbaren Informationen greifen derartige KI-Systeme zu.
Lenz: Aus diesem Grund ist es nicht nur bei uns in der Organisation zum Beispiel verboten, Chat-GPT zu verwenden. Die New York Times etwa verklagt Open AI und Microsoft, weil diese Millionen von Artikeln der Zeitung verwendet haben, um ihre KI-Technologien zu trainieren. Die New York Times sagt meines Erachtens zu Recht, dass es sich hierbei um Urheberrechtsverletzungen handelt. Beim Erstellen von Messprogrammen hätten wir die gleiche Situation.
Bosse: Letztlich versetzt man Open-AI oder Microsoft mit solchen Abfragen in die Lage, herauszufinden, was in einem Unternehmen gerade von Interesse ist. Das muss jedem Unternehmen bewusst sein, wenn es solche KI-Tools einsetzt. Und dies gilt nicht nur für OEMs, sondern auch für ihre Zulieferer. Man gibt sein Know-how damit ein Stück weit preis.
Ist der Einsatz von KI nicht letztlich eine Vertrauensfrage – in dem Sinne, dass ich der KI vertrauen muss, dass sie das Messprogramm zum Beispiel richtig erstellt hat? Ist sie letztlich nicht doch eine Black Box, an die ich Kontrolle abgebe – selbst dann, wenn ich sie „nur“ als Assistenzsystem nutze?
Lenz: Genau das sehe ich als großes Problem an: Wir können nicht nachvollziehen, wie die Entscheidung zustande gekommen ist. Hinzu kommt die Messunsicherheit: Wenn in der Bilderkennung neuronale Netze 95 % der Fälle richtig erkennen, so mag das zu Jubel führen. Für uns in der Messtechnik ist dies definitiv zu wenig. Eine solche Definition für Messunsicherheit können wir nicht tolerieren.
Lankmair: Vertrauen und Zuverlässig sind zwei verschiedene Paar Schuhe. Vertrauen bedeutet: Glaubt der Menschen an die Ergebnisse und oder auch an den Prozess? Zuverlässigkeit betrifft die Prozessstabilität. Und genau dies sehe ich momentan eigentlich als eine der größten Gefahren. Das Thema neuronale Netzwerke, selbstlernende Systeme ist extrem komplex. Und ich sehe die Riesengefahr, dass in naher Zukunft Unternehmen mit fehlender Kompetenz und Know-how in diesem Bereich die Messunsicherheit falsch oder vielleicht auch überhaupt nicht quantifizieren – und somit für viele andere verbrannte Erde hinterlassen werden.
Sprechen Sie von Neueinsteigern im Bereich der Messtechnik?
Lankmair: Ja, genau. Es ist heute ja keine Raketenwissenschaft mehr, ein KI-System zu entwickeln. Doch was geschieht zum Beispiel, wenn ein Unternehmen den Zulieferer für das Werkzeug ändert? Dann habe ich einen veränderten Regelparameter drin – und die KI-Messsoftware liefert falsche Daten. Ich will damit sagen, dass es diese Unsicherheitsfaktoren, die in ein Messergebnis beeinflussen, gibt. Die Komplexität ist hoch, und die Transparenz ist sehr niedrig.
Lenz: Da bin ich ganz bei Ihnen. Ich habe in der Vergangenheit schon oft erlebt, dass ein Player auf dem Markt überzogen und damit das Vertrauen der Kunden verspielen hat. Dieses Vertrauen wieder aufzubauen dauert sehr lange und kostet alle Beteiligten, inklusive Kunden, sehr viel Geld. Deshalb wäre es schön, wenn die PTB als eine der wichtigen Institutionen in unserem Bereich Regeln für KI aufstellt. Es muss Nachweiskriterien geben für die Zuverlässigkeit solcher Systeme. Das können wir als Hersteller nicht leisten.
Ferger: Wir als Hersteller sind aber durchaus dafür verantwortlich, dass das Mikrometer auch das Mikrometer bleibt. Dafür gibt es die Spezifikationen unserer Messgeräte und ebenfalls Richtlinien und Normen, die auch die PTB in ihrer Obhut hat. Und wenn ein Messgerät mit KI entsprechende Messwerte liefert, dann muss in den Standards dafür gesorgt werden, dass auch in den Wartungsintervallen und in den Annahmetests die KI wieder entsprechend gefordert ist, sodass quasi der Prozess konstant läuft.
Herr Dr. Bosse, wer ist letztlich verantwortlich?
Bosse: Der Schlüssel zum Erfolg von KI in der Fertigungsmesstechnik ist meines Erachtens, dass Hersteller, Anwender und Metrologie-Institute wie die PTB nicht die Situation entstehen lassen dürfen, dass wir künftig zwei Welten haben – sozusagen einmal die klassische Messtechnik mit dem gewohnten Messunsicherheitsbegriff und auf der anderen Seite Messtechnik mit KI-Anteilen. Wir kommen in Teufels Küche, wenn die Marktbeteiligten sich nicht mehr auf eine gemeinsame, verlässliche Basis beziehen. Jeder, der ein KI-basiertes Messsystem entwickelt, muss sich die Frage stellen: Hast du Dir überlegt, mit welcher Messunsicherheit das Ergebnis spezifiziert werden kann? Das lässt sich vergleichen mit der Entwicklung bei der Auswertung von 3D-Daten aus Koordinatenmessgeräten. Hier gibt es unterschiedliche Auswertekriterien, sodass wir als PTB irgendwann in der Vergangenheit gefragt wurden: Könnt Ihr uns nicht sagen, welche die richtige Auswertung ist? Dies hat dazu geführt, dass wir Softwaretests heute als Validierung von Auswertealgorithmen als Dienstleistung anbieten. Dies wollen wir künftig analog auch für den Einsatz von KI-Methoden anbieten. Das heißt, wir möchten gerne Messgeräteherstellern Testmöglichkeiten anbieten, sodass diese ihren Kunden Informationen dazu liefern können, wie gut zum Beispiel Optimierungsalgorithmen für Bildauswertungen sind. Die PTB ist auch Partner im EU-Projekt AI-Matters, in dem es um Prüfung von KI-basierten Methoden im Fertigungsumfeld geht.
Was kann die PTB als nationales Metrologie-Institut noch tun, um das Thema voranzubringen?
Bosse: Zu Beginn hat Herr Lenz ja erwähnt, dass man für den Einsatz von KI in der Bildverarbeitung sehr viele Bilddaten unterschiedlicher Art für das Training der KI benötigt, um verlässliche Referenzdaten zu erhalten. Wir können uns vorstellen, vergleichbare Referenzdaten für andere Sensoren zur Verfügung stellen, denn die PTB versteht ja sehr gut, wie eigentlich ein Messergebnis zustande kommt, welche Faktoren die Messunsicherheit jeweils beeinflussen und wie die Komponenten eines Messgeräts wirken. Das heißt, man hat einen Prüfling, ein Messsystem – wie etwa ein Mikroskop –, ein CT oder ein Koordinatenmessgerät. Dies erlaubt es uns, auf Basis einer physikalischen Modellbildung, die die Geräteeigenschaften inklusive der Wechselwirkung des Sensors beschreibt, simulierte Messsignale generieren zu können. Mit diesen simulierten Messsignalen können wir zum Beispiel entweder optische, elektronenmikroskopische oder CT-Daten simulieren und damit Referenzdaten zur Verfügung stellen. Wir können im digitalen Zwilling des Messgeräts auch mit den Parametern ein wenig spielen, indem wir zum Beispiel die Daten verrauschen oder im Fokus etwas variieren. Diesen Service gibt es noch nicht, er ist bei uns gerade in der Entwicklung.
Bosse: Was die Messtechnik und die Metrologie-Institute anbelangt, so stehen wir bei diesen Fragestellungen im permanenten Dialog mit anderen nationalen Instituten, und zwar über Euramet, die Vereinigung der Europäischen Metrologieinstitute sowie weltweit über die beratenden Gremien der Meterkonvention (CIPM). Hinsichtlich der Prüfung von KI-basierten Methoden ist vor allem das LNE in Paris sehr weit. Es bietet schon seit einigen Jahren auch als Dienstleistung den Test oder die Zertifizierung von KI-basierten Algorithmen in ganz unterschiedlichen Anwendungsszenarios an. Sehr stark ist natürlich auch das National Institute of Standards and Technology (Nist) in den USA. Es profitiert von der Nähe zu den großen KI-Playern, die ja vorwiegend in den USA sitzen. Das Nist befasst sich sehr intensiv mit der Fragestellung, wie man eine verlässliche KI möglichst generisch bescNun sind Fragen danach, wann die Ergebnisse eines KI-System vertrauenswürdig und zuverlässig sind oder wie sich die Unsicherheit eines selbstlernenden KI-Systems, das sich zudem noch dynamisch ändert, quantifizieren lässt, ja nicht nur für die deutsche Anwender interessant. Inwiefern wird an Antworten darauf auf internationaler Ebene gearbeitet? hreiben und daraus dann auch Testkriterien ableiten kann.
Lenz: Dass wir in Europa ein Metrologie-Institut haben, das hier ganz vorne mit dabei ist, war mir neu. Zwar sitzen die KI-Player mehrheitlich in den USA, doch unsere Stärke in Europa ist ganz klar die Messtechnik einschließlich der Software. Das sollten wir nutzen, um daraus einen Wettbewerbsvorteil zu generieren – ähnlich vielleicht wie die Entwicklung im Bereich Industrie 4.0. Hier hat der VDMA gemeinsam mit den Mitgliedsunternehmen aus dem Maschinenbau die Definition von OPC UA als Standard für den Datenaustausch entscheidend vorangetrieben. So etwas wäre für KI in der Messtechnik unbedingt wünschenswert – wir können einen Claim setzen.
Lankmair: Wenn ich die Brille der dimensionellen Messtechnik aufsetze, dann stimme ich Ihnen definitiv zu. Doch ich wage es, ganz provokant zu fragen: Braucht man dimensionelle Messtechnik in der Fabrik von morgen überhaupt noch? Denn dort werden tausende Prozessdaten, sei es in der Fertigungsmaschine, sei es in der Robotik, gesammelt, so dass man mithilfe von KI die Qualität von Bauteilen schon früh voraussehen kann.
Ferger: Da muss ich entschieden widersprechen. Eine Fertigung ohne Messtechnik wird es auch in Zukunft nicht geben, da sie erst verlässliche Informationen zum Fertigungsprozess liefert: Hält mein Bauteil die vorgegebenen Toleranzen ein?
Lenz: Ich will nur an das simple Beispiel von Herrn Bosse vom Anfang des Gesprächs erinnern, als es um den Aufwand ging, der an der Tankstelle betrieben werden muss, damit auch tatsächlich ein Liter Benzin im Tank eines PKW landet, dann fehlt mir die Kreativität für die Vorstellung, wie dies durch KI-Prozesse abgelöst werden kann, ohne dass man vor Ort messen muss.
Die Roundtable-Teilnehmer
- Dr. Harald Bosse, Leiter der Abteilung 5 Fertigungsmesstechnik, PTB
- Detlef Ferger, Vertriebsleiter/Prokurist, Werth Messtechnik
- Thomas Lankmair, Director Applications Competence Center, Bruker Alicona
- Karl Jürgen Lenz, Geschäftsführer, OGP Messtechnik
