Interview: Wie BMW die Produktion per KI automatisiert
Der Autokonzern BMW will bis Frühjahr 2023 seine Fabriken virtuell nachbilden. Marc Kamradt gewährt im Interview Einblick in die Autoproduktion der Zukunft.
(Bild: Gerd Altmann, gemeinfrei (Creative Commons CC0))
Auch vor der Autoproduktion machen Digitalisierung, Künstliche Intelligenz und Virtual Reality nicht Halt. Wir haben mit Marc Kamradt, Senior Expert Innovation bei BMW in München, gesprochen und uns seine Vision der Autoproduktion der Zukunft erklären lassen.
c’t: Mit der von BMW entwickelten und als Open Source veröffentlichten App LabelTool Lite soll jeder Mitarbeiter in der Produktion seine eigene Künstliche Intelligenz (KI) für Qualitätssicherung trainieren können. Wie kann man sich das vorstellen?
Marc Kamradt: Das LabelTool Lite hilft zunächst, Trainingsfotos zu erstellen und mit einer passenden Kategorie zu versehen. Eine von unseren Mitarbeitern trainierte KI erkennt zum Beispiel unterschiedliche Typen von im Türrahmen montierten Einstiegsleisten, selbst wenn diese mit Schutzfolie beklebt sind – und schlägt Alarm, wenn das falsche Modell eingebaut wurde. Das LabelTool Lite hat sich schnell im Konzern verbreitet und wurde auch außerhalb der Produktion angenommen. Wir haben den Ansatz daher ausgebaut und eine komplette KI-Pipeline entwickelt, sodass die einzelnen Schritte heute auf Wunsch vollautomatisch ablaufen.
Wenn die KI trainiert ist, kommt unser neues Evaluation Tool zum Einsatz: Es testet das Netz und stößt bei Bedarf ein neues Training an. Dieser Schritt hat sich als besonders wichtig herausgestellt, da sich die Anforderungen und Prüfkriterien je nach Anwendungsfall stark unterscheiden können. Mal kommt es auf die exakte Position eines Teils an, mal nur darauf, ob es überhaupt vorhanden ist.
(Bild: BMW Group)
c’t: Wie lange hat es gedauert, diese Einstiegsleisten-Erkennung zu trainieren? Wie viele Bilder mussten Ihre Mitarbeiter insgesamt anfertigen und labeln?
Kamradt: Das eigentliche Training der KI dauert weniger als eine Stunde. Unsere Mitarbeiter können dafür einen auf solche Aufgaben spezialisierten GPU-Cluster nutzen. Mehr als fünf Bilder pro Einstiegsleiste brauchen wir dazu nicht. Das manuelle Kategorisieren nimmt insgesamt keine 20 Minuten mehr in Anspruch. Die KI-Pipeline optimiert diese Daten anschließend und ergänzt sie um geeignete synthetisch erzeugte Bilder und Labels. Für den Mitarbeiter läuft dieser Schritt transparent und ohne manuellen Aufwand ab.
c’t: Kann man sich das LabelTool Lite als vortrainiertes Bilderkennungssystem vorstellen, das Ihre Mitarbeiter dann mit geeigneten Fotos auf die spezifischen Tasks hin verfeinern? Mit welchem Material wurde es vortrainiert?
Kamradt: Unserem System liegen tatsächlich spezifische, vortrainierte neuronale Netze zugrunde, wobei sich das Training stark auf fotorealistische synthetische Daten stützt. Wir haben zu jedem Produktionsschritt einen digitalen Zwilling des Fahrzeuges vorliegen. Aus den CAD-Daten dieses Zwillings können wir quasi unendlich viele fotorealistische und bereits gelabelte Bilder erzeugen. Ergänzt um reale Fotos entsteht so eine perfekte Kombination, mit der unsere Mitarbeiter ohne großen Aufwand eine KI für ihre eigenen Zwecke trainieren können.
c’t: Das bedeutet, Sie besitzen einen enormen Schatz an produktionsspezifischen Daten, vergleichbar mit dem, was Google oder Facebook im Online-Business auf die Beine gestellt haben?
Kamradt: Unsere eigenen synthetischen Trainingsdaten umfassen die gesamte Fahrzeugproduktion und Logistik inklusive der verschiedenen Verbauzustände unserer Fahrzeuge. Einen Teil hiervon teilen wir als SORDI-Datensatz mit der Open-Source-Community. SORDI steht für Synthetic Object Recognition Dataset for Industries. Es wird der weltweit größte und realistischste Open-Source-Datensatz für das industrielle Umfeld. Der Einsatz von SORDI wird die Nutzung von KI im industriellen Umfeld revolutionieren und uns in Zukunft vieles ermöglichen, was bisher als nicht umsetzbar galt.
»SORDI wird der weltweit größte und realistischste Open-Source-Datensatz für das industrielle Umfeld.«
c’t: Welche weiteren Aufgaben, auch abseits der Qualitätssicherung, könnten Ihre Mitarbeiter damit noch an eine selbst trainierte KI delegieren?
Kamradt: Die Qualitätssicherung steht natürlich nach wie vor stark im Fokus. Ein weiteres Beispiel aus diesem Bereich wäre die Kontrolle der Steckverbindungen von Kabeln oder Schläuchen. Dank SORDI konnten wir aber auch ganz neue Aufgaben in Angriff nehmen, vor allem in der Logistik. Dort war zum Beispiel der manuelle Aufwand extrem hoch, neuronale Netze darauf zu trainieren, den Füllstand von Transportkisten, Behältern oder Regalen exakt zu bestimmen. Es mussten tausende Fotos manuell kategorisiert werden, um die unglaubliche Anzahl möglicher Variationen abzubilden. Mittels SORDI und der KI-Pipeline können wir heute auf Knopfdruck hunderttausende solcher Bilder automatisch inklusive Label generieren. Jeder mögliche Fall, jede denkbare Kombination, einschließlich unterschiedlicher Lichtverhältnisse et cetera wird von SORDI dabei berücksichtigt und abgedeckt. Der Mitarbeiter kann diese Daten automatisch ins LabelTool Lite laden und sofort ohne weiteren manuellen Aufwand mit dem Training beginnen.
(Bild: BMW Group)
c’t: Das LabelTool Lite und SORDI veröffentlichen Sie kostenlos als Open Source. Profitiert BMW davon auch selbst?
Kamradt: Der Ansatz, unsere Tools als Open Source zur Verfügung zu stellen, hat sich als sehr erfolgreich herausgestellt. Unsere Community wächst stetig, wobei auch große Unternehmen wie Microsoft oder Google hinzugestoßen sind und uns aktiv bei der Entwicklung unterstützen. Allein bei den Einstiegsleisten konnten wir aufgrund solcher Verbesserungsvorschläge die Zeit, die der Mitarbeiter zur Erstellung der KI benötigt, um mehr als zwei Drittel reduzieren, bei höherer Benutzerfreundlichkeit und noch einmal gesteigerter Qualität. Auch das eingangs erwähnte Evaluation Tool werden wir zeitnah auf unserer GitHub-Seite veröffentlichen und mit der Community teilen.
c’t: Das Cockpit des BMW iX wurde mithilfe eines digitalen Zwillings entwickelt, der wiederum mithilfe von KI erzeugt wurde. Welche Art von KI kam dabei zum Einsatz und worauf genau wurde diese trainiert?
Kamradt: Für die Tragstruktur des BMW iX kam ein KI-basierter Methodenbaukasten namens "M.OPT" zum Einsatz. Der zeichnet sich dadurch aus, dass nur wenige Trainingsbeispiele zum Anlernen der KI benötigt werden. Um dies zu erreichen, werden in M.OPT Ansätze des Deep Learnings und des klassischen Machine Learnings kombiniert. Bei der hier angewandten Methode "M.OPT warpage" können alle Prozessparameter sowie viele Werkzeug- und auch Geometrieparameter des Bauteils – zum Beispiel Wanddicken – in der Optimierung berücksichtigt werden. Dadurch war es möglich, ein hinreichend genaues Bauteil prozesssicher zu produzieren und trotzdem in erheblichem Umfang Material und Zeit in der Freigabephase zu sparen und somit deutlich nachhaltiger zu sein.
c’t: Welchen Teil legen dabei noch die Ingenieure fest?
Kamradt: Bei M.OPT legen die Ingenieure das Grundkonzept des Bauteils und die Varianz der einzelnen Parameter fest. Dadurch nehmen sie Einfluss auf die konstruktive Gestaltung und sichern die Umsetzbarkeit in den geplanten Prozessen ab. So können in M.OPT auch die physikalischen Eigenschaften des Bauteils oder kompletter Baugruppen optimiert werden. Beispielsweise lassen sich die Effizienz eines Elektromotors steigern – und gleichzeitig das Gewicht reduzieren, die Lebensdauer verlängern und die Verzüge der Spritzgussbauteile minimieren.
(atr)
