KI-WISSEN FÜR INGENIEURE (TEIL 1) KI-GRUNDLAGEN: WIE MASCHINEN IN DER FABRIK DAS
DENKEN LERNEN
03.08.2026 Von 7 min Lesedauer
Anbieter zum Thema
Mit diesem Einstieg in industrielle KI möchten wir Ihnen die Grundlagen und
Begrifflichkeiten näherbringen, sodass Sie im beruflichen Alltag mit „Machine
Learning“, „Deep Learning“, „Token“ oder „Data Augmentation“ souverän rhetorisch
jonglieren können.
Wer 20 Personen bittet, (KI) zu definieren, erhält meist 20 unterschiedliche
Antworten. Sebastian Maier kennt dieses Problem aus seinem Alltag. Er arbeitet
als Wissenschaftler am Fraunhofer IGCV und als KI-Trainer am . Die Wissenschaft
formuliert es oft sehr allgemein: KI befähige einen digitalen Computer, Aufgaben
zu erfüllen, die üblicherweise ein intelligentes Wesen löst. „Laut dieser
Definition wäre ein Taschenrechner Künstliche Intelligenz“, verdeutlicht Maier,
warum diese Worte zu kurz greifen.
Um das Thema wirklich zu greifen, müssen Fachleute Technologie wie Terminologie
exakt abgrenzen. Während primär versucht, Wissen aus vorhandenen Daten zu
filtern, geht das maschinelle Lernen einen Schritt weiter. Hier scheitern
herkömmliche statistische Verfahren oft, besonders wenn Algorithmen extrem
umfangreiche oder hochkomplexe Informationen verarbeiten sollen. Deswegen
unterscheiden wir zunächst unter den folgenden Begriffen:
Bildergalerie
* Künstliche Intelligenz (KI): Der Sammelbegriff umfasst alle Technologien, die
Computer befähigen, intelligentes menschliches Verhalten nachzuahmen.
* Machine Learning (ML): Dabei geben wir Computern keine starren Regeln mehr
vor. Die Systeme lernen vielmehr selbstständig aus Daten, wie sie bestimmte
Aufgaben lösen. ML wird in überwachtes, unüberwachtes und bestärkendes Lernen
unterteilt.
* Deep Learning (DL): Der spezielle Teilbereich nutzt künstliche neuronale
Netze, die in vielen teils versteckten Schichten arbeiten. Dadurch können
Maschinen selbst extrem komplexe Datenmengen durchdringen und verstehen, der
Mensch aber nicht mehr die Muster nachvollziehen, was das Modell zur Blackbox
macht.
ABSCHIED VON STARREN REGELN
ändert grundsätzlich, wie Computerprogramme funktionieren. Bisher definierten
Menschen klare Regeln und wandten diese auf Daten an, um Antworten zu erhalten.
In der Praxis scheitert das oft, etwa wenn ein Computer Bilder klassifizieren
soll. Einem Programm auf klassischem Weg beizubringen, was optisch einen Hund
von einer Katze unterscheidet, gelingt fast nie. Dafür gibt es schlicht zu viele
anatomische Details und Perspektiven.
Das maschinelle Lernen kehrt den Spieß um: Der Mensch füttert den Algorithmus
mit Daten und liefert die korrekten Antworten gleich mit. Erhält das System
tausende Bilder, die Menschen zuvor als Hund oder Katze markierten, leitet es
die Merkmale automatisch ab. Die Algorithmen verinnerlichen diese Kriterien. Ein
entscheidender Nachteil bleibt jedoch: Die Systeme arbeiten nicht transparent.
Sie speichern die gelernten Details als abstrakte mathematische Werte in einer
sogenannten , die wir als Menschen im Detail nicht mehr interpretieren können.
DREI WEGE, UM INTELLIGENT ZU LERNEN
In der Praxis gliedert sich das maschinelle Lernen in drei grundlegende Wege:
* Beaufsichtigtes Lernen (Supervised Learning): Der Mensch gibt dem System
Lernmaterial und verrät ihm die Lösung gleich mit. Der Algorithmus trainiert
so lange mit diesen Datenpaaren, bis er das Muster versteht. Anschließend
wendet er dieses Wissen auf neue, unbekannte Daten an – etwa, um zu
prognostizieren, ob ein Motor in absehbarer Zeit ausfällt.
* Unbeaufsichtigtes Lernen (Unsupervised Learning): Der Algorithmus erhält
unstrukturierte Datenberge, aber keine Vorgaben, wonach er suchen soll. Das
System wühlt sich eigenständig durch die Informationen und sortiert sie nach
selbst entdeckten Gemeinsamkeiten – zum Beispiel, um komplexe Fehlerbilder in
einem Produktionsprozess zu gruppieren.
* Bestärkendes Lernen (Reinforcement Learning): Die Maschine lernt nach dem
Prinzip von Versuch und Irrtum. Ein Programm (der Agent) probiert in einer
simulierten Umgebung verschiedene Handlungen aus. Für gute Entscheidungen
erhält er eine Belohnung, für schlechte Abzüge. So optimiert er sein
Verhalten schrittweise, was sich perfekt für die Steuerung komplexer
Industrieanlagen eignet.
GUTE DATEN: DAS FUNDAMENT DER INDUSTRIE-KI
Während Konsumenten-KI oft nur harmlose Lieder vorschlägt, steuert Industrie-KI
mitunter tonnenschwere Roboter. Rät der Algorithmus hier falsch, drohen fatale
Anlagenschäden. Weil industrielle Systeme deutlich kritischer arbeiten und
extrem robust sein müssen, rückt eine zentrale Anforderung in den Fokus:
Maschinelles Lernen benötigt zwingend gute Daten.
Die KI lernt immer nur so gut, wie es das gefütterte Material zulässt. Fachleute
definieren vier Kriterien, die zwingend erfüllt sein müssen:
* Ausreichende Menge: Ein Algorithmus lernt nichts, wenn er nur zwei Bilder
betrachtet. Systeme benötigen massenhaft Trainingsdaten. Grundsätzlich gilt:
Je mehr Material zur Verfügung steht, desto besser entwickelt sich die
Leistung des Modells.
* Repräsentative Auswahl: Menge allein schützt jedoch nicht vor Fehlern. Wer
eine Umfrage ausschließlich über das Festnetz führt, schließt junge Menschen
aus und verfälscht das Ergebnis. Übertragen auf die Fabrik bedeutet das: Die
Daten müssen alle realen Bedingungen abdecken und dürfen keine Schlagseite
haben.
* Hohe Qualität: Rauscht ein Sensor stark oder liefert er ständig Nullwerte,
scheitert der Lernprozess. Eine KI verzeiht zwar kleine Ausreißer, aber wenn
das Fundament korrupt ist, zieht das System falsche Schlüsse.
* Relevante Merkmale: Ein gigantischer Datensee hilft nicht weiter, wenn die
entscheidende Information fehlt. Bergen von einer Million Datenpunkten nur
zehn das eigentliche Problem, geht die Information unter. Oft liefern hundert
gezielt ausgewählte Messungen bessere Resultate als unübersichtliche
Datenmassen.
DATA AUGMENTATION: WIE DIE KI DIE KI TRAINIERT
Oft existieren in der Praxis jedoch nicht genügend reale Fehlerbeispiele. Maier
veranschaulicht dies an einer optischen Qualitätskontrolle: Liegen dem System
lediglich 50 Bilder von defekten Kunststoffbauteilen vor, erkennt es nur rund 86
Prozent der tatsächlichen Mängel. Um in der Industrie die oft geforderte
Genauigkeit von über 99 Prozent zu erreichen, muss der Mensch den Algorithmus
mit 500 bis 1.000 Bildern füttern.
Die Lösung: Man trainiert die KI mit veränderten und auch KI-generierten Daten.
Bei der sogenannten Data Augmentation erweitern Fachleute den
Trainingsdatensatz, indem sie vorhandene Bilder drehen, zuschneiden oder den
Kontrast verändern. Reicht dieser einfache Kniff nicht aus, nutzen Entwickler
3D-Simulationen. Sie entwerfen beispielsweise makellose Flaschen am Computer und
verbeulen diese virtuell, um einer KI beizubringen, wie recycelbarer Abfall auf
einem Förderband aussieht.
Sogar hilft beim Training: Spezielle Algorithmen studieren wenige echte Vorlagen
und generieren daraus täuschend echte künstliche Risse in Asphaltproben. Eine
entscheidende Regel gilt jedoch auch hier: Das Verhältnis zwischen echten und
künstlichen Daten muss ausgewogen bleiben, damit die Algorithmen in der Realität
nicht scheitern.
Aber viel allein hilft nicht immer. Maier betont, dass es stets ein
Zusammenspiel der obigen vier Kriterien ist: „Machen Sie sich Gedanken, dass Sie
genug haben, dass diese aber auch repräsentativ sind, qualitativ hochwertig und
das Verhältnis an relevanten Daten stimmt“, rät der Wissenschaftler.
JETZT NEWSLETTER ABONNIEREN
TÄGLICH DIE WICHTIGSTEN INFOS ZU BIG DATA, ANALYTICS & AI
Geschäftliche E-Mail
Bitte geben Sie eine gültige E-Mailadresse ein.
Abonnieren
Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und
Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details)
einverstanden und akzeptiere die . Weitere Informationen finde ich in unserer .
Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von
redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu
Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).
Aufklappen für Details zu Ihrer Einwilligung
Stand: 08.12.2025
Es ist für uns eine Selbstverständlichkeit, dass wir verantwortungsvoll mit
Ihren personenbezogenen Daten umgehen. Sofern wir personenbezogene Daten von
Ihnen erheben, verarbeiten wir diese unter Beachtung der geltenden
Datenschutzvorschriften. Detaillierte Informationen finden Sie in unserer .
EINWILLIGUNG IN DIE VERWENDUNG VON DATEN ZU WERBEZWECKEN
Ich bin damit einverstanden, dass die Vogel IT-Medien GmbH,
Max-Josef-Metzger-Straße 21, 86157 Augsburg, einschließlich aller mit ihr im
Sinne der §§ 15 ff. AktG verbundenen Unternehmen (im weiteren: Vogel
Communications Group) meine E-Mail-Adresse für die Zusendung von Newslettern und
Werbung nutzt. Auflistungen der jeweils zugehörigen Unternehmen
können abgerufen werden.
Der Newsletterinhalt erstreckt sich dabei auf Produkte und Dienstleistungen
aller zuvor genannten Unternehmen, darunter beispielsweise Fachzeitschriften und
Fachbücher, Veranstaltungen und Messen sowie veranstaltungsbezogene Produkte und
Dienstleistungen, Print- und Digital-Mediaangebote und Services wie weitere
(redaktionelle) Newsletter, Gewinnspiele, Lead-Kampagnen, Marktforschung im
Online- und Offline-Bereich, fachspezifische Webportale und E-Learning-Angebote.
Wenn auch meine persönliche Telefonnummer erhoben wurde, darf diese für die
Unterbreitung von Angeboten der vorgenannten Produkte und Dienstleistungen der
vorgenannten Unternehmen und Marktforschung genutzt werden.
Meine Einwilligung umfasst zudem die Verarbeitung meiner E-Mail-Adresse und
Telefonnummer für den Datenabgleich zu Marketingzwecken mit ausgewählten
Werbepartnern wie z.B. LinkedIN, Google und Meta. Hierfür darf die Vogel
Communications Group die genannten Daten gehasht an Werbepartner übermitteln,
die diese Daten dann nutzen, um feststellen zu können, ob ich ebenfalls Mitglied
auf den besagten Werbepartnerportalen bin. Die Vogel Communications Group nutzt
diese Funktion zu Zwecken des Retargeting (Upselling, Crossselling und
Kundenbindung), der Generierung von sog. Lookalike Audiences zur
Neukundengewinnung und als Ausschlussgrundlage für laufende Werbekampagnen.
Weitere Informationen kann ich dem Abschnitt „“ in der Datenschutzerklärung
entnehmen.
Falls ich im Internet auf Portalen der Vogel Communications Group einschließlich
deren mit ihr im Sinne der §§ 15 ff. AktG verbundenen Unternehmen geschützte
Inhalte abrufe, muss ich mich mit weiteren Daten für den Zugang zu diesen
Inhalten registrieren. Im Gegenzug für diesen gebührenlosen Zugang zu
redaktionellen Inhalten dürfen meine Daten im Sinne dieser Einwilligung für die
hier genannten Zwecke verwendet werden. Dies gilt nicht für den Datenabgleich zu
Marketingzwecken.
Recht auf Widerruf
Mir ist bewusst, dass ich diese Einwilligung jederzeit für die Zukunft
widerrufen kann. Durch meinen Widerruf wird die Rechtmäßigkeit der aufgrund
meiner Einwilligung bis zum Widerruf erfolgten Verarbeitung nicht berührt. Um
meinen Widerruf zu erklären, kann ich als eine Möglichkeit das unter abrufbare
Kontaktformular nutzen. Sofern ich einzelne von mir abonnierte Newsletter nicht
mehr erhalten möchte, kann ich darüber hinaus auch den am Ende eines Newsletters
eingebundenen Abmeldelink anklicken. Weitere Informationen zu meinem
Widerrufsrecht und dessen Ausübung sowie zu den Folgen meines Widerrufs finde
ich in der .
WIE TOKENS IN LLMS FUNKTIONIEREN: DIE MATHEMATIK HINTER DEN WÖRTERN
Auch wenn die Fabrik stark vom klassischen maschinellen Lernen geprägt ist,
sorgt die generative KI für den aktuellen Hype. Sie bildet einen spezifischen
Subbereich des .
Große Sprachmodelle beruhen auf einem faszinierenden mathematischen Prinzip. Da
Computer keine geschriebenen Wörter verstehen, zerlegt das System Texte zunächst
in kleine Wortschnipsel, sogenannte , und nummeriert diese durch. Die
eigentliche Magie passiert beim Word Embedding. Dabei wandelt der Algorithmus
die Token in Vektoren um, die er in einem hochdimensionalen Raum verortet.
Wörter mit ähnlicher Bedeutung liegen in diesem Raum dicht beieinander.
So lässt sich die semantische Logik der menschlichen Sprache exakt in Vektoren
beschreiben und mathematisch berechnen. Addiert das System zum Vektor des Wortes
„Mann“ den Vektor „Königlich“, landet es im Raum direkt beim Wort „König“.
Subtrahiert man davon den „Mann“ und addiert die „Frau“, lautet das rechnerische
Ergebnis „Königin“. Basierend auf der leistungsstarken Transformer-Architektur
verarbeiten die Algorithmen diese Wörter stets im zeitlichen Kontext. Was für
den Anwender am Bildschirm so wirkt, als kreiere die Maschine kreativ neue
Texte, ist im Kern bloß Mathematik: Das System berechnet schlicht, wie
wahrscheinlich ein bestimmter Vektor auf den nächsten folgt.
KONSUMENTEN-KI VS. INDUSTRIE-KI
Wenn wir im Alltag Künstliche Intelligenz nutzen, analysiert diese meist, wie
wir uns psychologisch verhalten. Große Technologiekonzerne wie Google, Meta oder
Amazon greifen dafür auf gigantische, zentrale Datenmengen zu. Dabei wissen die
Algorithmen anfangs wenig über die einzelne Person, operieren in einem
unbekannten Umfeld und suchen schlicht nach dem Durchschnitt. Das Ziel sind gute
Treffer, keine perfekten. Schlägt das System ein falsches Lied oder ein
uninteressantes Produkt vor, klickt der Konsument einfach weiter. Solche Fehler
bleiben unkritisch.
In der Fabrik sieht die Welt anders aus. Industrielle KI schätzt keine Vorlieben
ein, sondern kontrolliert exakt, was Maschinen physisch leisten. Sie agiert in
einem streng definierten Umfeld und nutzt das enorme Vorwissen der Fachleute an
den Anlagen. Hier fahndet die Software nicht nach dem Durchschnitt, sondern
sucht gezielt nach Ausreißern. Sie vergleicht den Ist-Zustand permanent mit dem
perfekten Ideal, der sogenannten „Golden Batch“. Ein falsches Negativ zieht hier
gravierende Konsequenzen nach sich. Übersieht das Programm einen Fehler, drohen
kaputte Roboter, teure Stillstände oder sogar verletzte Menschen. Daher gilt in
der Industrie strikt das Prinzip „better safe than sorry“, lieber auf Nummer
sicher gehen.
Technisch gehe mit KI jetzt schon mehr als tatsächlich in der Praxis eingesetzt
wird, weiß Sebastian Maier: „Man hätte da Vorhersagewahrscheinlichkeiten von
99,9 Prozent, dass das Ganze gut funktioniert. Aber diese 0,01 Prozent sind
genau die, die die Probleme am Ende des Tages machen. Was passiert, wenn dann
doch mal so ein Algorithmus falsch reagiert? Wer haftet denn am Ende des Tages
dafür?“
Diese Fragen beantworten wir in Teil 3 der Artikelserie „KI-Wissen für
Ingenieure“. Um die industrielle Praxis, wo KI schon jetzt eingesetzt wird, geht
es zunächst in Teil 2, in dem wir Ihnen sieben Anwendungsfälle vorstellen. Hier
finden Sie die Links zu den Folgeartikeln, sobald sie online sind.
Dieser Artikel stammt von unserem Partnerportal .
(ID:50906031)