Fraunhofer-Institut für Naturwissenschaftlich-Technische Trendanalysen INTMaschinelles Lernen – Eine Schlüsseltechnologie für die Produktion von Morgen
Ob es nun um autonomes Fahren, die Entwicklung neuer Werkstoffe oder die Analyse und Optimierung von Produktionsprozessen (Industrie 4.0) geht – Künstliche Intelligenz ist in der Zukunft nicht mehr weg zu denken. Und Verfahren des maschinellen Lernens gehören zu den Schlüsseltechnologien dieses Gebiets und werden zunehmend wichtiger für die intelligente Analyse von immer größeren und komplexeren bzw. vernetzten Datenmengen. Dabei handelt es sich um Verfahren, die aus Daten Wissen generieren. So werden diese Systeme zunächst „trainiert“ und dadurch in die Lage versetzt, aus Erfahrungen zu lernen und sich stetig zu verbessern.
Das Thema Maschinelles Lernen ist ein vielfältiges und in seiner Gesamtheit unübersichtliches Forschungsfeld, in dem die Entwickler-Community und die Anwender-Community fließend ineinander übergehen. Eine erste Sortierung dieses Themas kann über die verschiedenen Lernverfahren erfolgen. So kann zwischen überwachtem Lernen (supervised learning), teilüberwachtem Lernen (semi-supervised learning), unüberwachtem Lernen (unsupervised learning), bestärkendem Lernen (reinforcement learing) und aktivem Lernen (active learning) unterschieden werden. Je nach Lernmethodik finden schließlich unterschiedliche Algorithmen ihren Einsatz.
Das Fraunhofer INT hat dieses Forschungsfeld anhand bibliometrischer Verfahren hinsichtlich seiner wesentlichen methodischen Ansätze, der relevanten Akteure und deren Forschungsschwerpunkte untersucht. Bibliometrie ist ein wichtiges quantitatives Analysewerkzeug und wird am Fraunhofer INT eingesetzt, um die zukünftige Bedeutung und den Entwicklungsverlauf einer Technologie besser bewerten zu können. Indikatoren wie beispielsweise die sogenannte Giant-Component geben dabei Auskunft über den Vernetzungsgrad der jeweiligen Forschungs-Community und damit indirekt auch über den potenziellen wissenschaftlichen Reifegrad einer Technologie. Akteursanalysen zeigen die wesentlichen wissenschaftlichen Player auf, während sogenannte Overlay-Maps (vgl. Bild) die Möglichkeiten bieten, die fachlichen Schwerpunkte einer Institution auf einer Art „Landkarte der Wissenschaften“ zu projizieren, wodurch eine Einordung der Akteure in die thematische Forschungslandschaft möglich ist.
Die Analysen bestätigen die generelle Wahrnehmung, dass Maschinelles Lernen in der Fabrik der Zukunft – beispielsweise im Bereich der Produktion – eine immer wichtigere Rolle spielen wird. Das Thema ist hochentwickelt und findet eine immer größere Verbreitung in sehr unterschiedlichen Anwendungsfeldern. Unternehmen sollten im Rahmen ihres Technologie- und Innovationsmanagements genau analysieren, welchen Nutzen sie vom Gebrauch dieser Technologie in Zukunft haben können und ihre Planungen zeitnah voranbringen.