Podcast Künstliche Intelligenz verstehen: Antonin Königsfeld erhält Nachwuchsforschungspreis für Masterarbeit
Wuppertal · Künstliche Intelligenz ist in aller Munde. Man gibt einen sogenannten Prompt ein – und die KI gibt eine Antwort. Aber warum genau kommt die KI eigentlich zu dem Ergebnis, auf das sie gekommen ist?
Mit dieser Frage hat sich Antonin Königsfeld in seiner Masterarbeit unter dem Titel „Investigation of XAI methods for quality prediction in arc welding using discrete representations of a vector quantized variational autoencoder“ (dt: Untersuchung von XAI Methoden für die Qualitätsvorhersage beim Lichtbogenschweißen mithilfe von diskreten Repräsentationen eines VQ-VAEs) befasst. Für seine Arbeit ist er nun mit dem Nachwuchsforschungspreis der Fabu (Freunde und Alumni der Bergischen Universität) ausgezeichnet worden.
Seine Thesis hat er am Lehrstuhl Technologies and Management of Digital Transformation (TMDT) der BUW geschrieben. Wirtschaftsingenieurwesen, allerdings mit Schwerpunkt auf Elektrotechnik, hat er im Bachelor an der Hochschule Düsseldorf studiert. Für den Master wollte er sich jedoch auf den Bereich Informationstechnik spezialisieren, was ihn nach Wuppertal geführt hat.
„‘Explainable AI‘ befasst sich mit der Fragestellung, wie wir das, was uns das Modell ausgibt, irgendwie erklären können“, erklärt Königsfeld. Wenn etwa eine Person mit einer KI ein Bild einer Katze erstellt, braucht es vorher einen sogenannten Prompt, also eine Aufforderung an die Künstliche Intelligenz. Diese entwickelt dann ein Bild einer Katze. „Aus welchem Grunde werden hier Sachen generiert, welche Wörter im Wunsch, im Prompt, sind hier wie sehr gewichtet“, so Königsfeld. „Oder wenn ein Modell, wie in meinem Fall, eine Qualität vorhersagt und sagt, das war gut, das war schlecht, dann hilft es zu wissen, auf welchem Teil des Inputs diese Entscheidung basiert“.
Das Ziel seiner Masterarbeit war es, die Entscheidungen eines KI-Modells verständlich zu machen, das die Qualität von Lichtbogenschweißprozessen vorhersagt. Lichtbogenschweißen ist ein industrieller Prozess. „Das funktioniert so: Wir haben einen Roboterarm, der an den Werkstücken, die zusammengeschweißt werden sollen, entlangfährt und da wird quasi so ein Draht durchgefüttert und am Ende dieses Arms entsteht durch starke Erhitzung, indem man halt mit viel Strom dieses Ende versorgt, ein Lichtbogen. Und dieser Lichtbogen ist natürlich sehr heiß und schmilzt den Draht“, erklärt er. Von dem Draht lösen sich Tropfen ab, die auf das Werkstück fallen und die Schweißnaht werden, wenn sie aushärten.
Manchmal könne es aber auch sein, dass der Tropfen noch ein bisschen länger am Draht hängen bleibe, sich zöge und dann entstehe kurz ein Kontakt, wo der Tropfen schon am Werkstück ist, aber auch noch oben am Draht und so entsteht ein sogenannter Kurzschluss. „Den sieht man dann auch in den Daten, direkt durch Spannungsabfall und wieder Spannungsanstieg“, so Königsfeld. „Und so ein Kurzschluss kann natürlich im Endeffekt, wenn es zu oft vorkommt, für eine schlechte Qualität sorgen.“ Und das Problem mit schlechter und guter Qualität vom Schweißvorgang sei, wie man dies feststellen würde. „Also es gibt da entweder sehr kostenaufwendige Methoden, wenn man zum Beispiel die Werkstücke in eine Art Röntgenuntersuchung schickt und sich genau anguckt, wie die Schweißnaht von innen aussieht oder alternativ, destruktiv, man bricht es auseinander und guckt, wie viel Kraft man gebraucht hat, wie die Naht von innen aussieht, dann ist das Stück aber kaputt.“
Das heißt, das Ziel dieses Forschungsprojektes, aus dem die Masterarbeit entstanden ist, sei es, die Vorhersage der KI zu unterstützen oder zu stützen, indem man während des Schweißprozesses Daten aufnimmt und währenddessen schon ein Feedback bekommt, ob das gerade gut oder schlecht läuft.
