Intelligenz und autonome Entscheidungen für das Internet der Dinge
Das Internet der Dinge und moderne Verfahren des maschinellen Lernens (Deep Learning) ermöglichen neuartige Anwendungen für Industrie und Wirtschaft. Am Beispiel von Cyber-Physical Systems für die Industrie 4.0, Affective Computing und automatisiertem Fahren zeigen intelligente Softwareagenten ihre Leistungsfähigkeit bei der dezentralen Entscheidungsfindung in komplexen Situationen. Die Forschungsgruppe Verteilte Systeme (Distributed Systems Group) der Hochschule Augsburg HSA_dsg unterstützt Forschungspartner und Unternehmen in diesen Bereichen durch angewandte Forschung und Softwareentwicklung.

Neben der allgegenwärtigen Digitalisierung aller Lebensbereiche durch das Internet der Dinge werden eingebettete und verteilte IT-Systeme zunehmend in die Lage versetzt, komplexe Entscheidungen zu treffen. Mittels maschineller Lernverfahren erfassen Systeme komplexe Bilddaten oder Messwertverläufe, überwachen Prozesse, erkennen Situationen und treffen Entscheidungen, basierend auf den zur Verfügung stehenden Daten. Ermöglicht werden diese Entwicklungen durch neuartige Verfahren des maschinellen Lernens (Deep Learning), leistungsfähigere Hardware zur Berechnung (z.B. durch die Verwendung von Grafikkarten) sowie die Verfügbarkeit riesiger Datenmengen (Big Data), um solche Systeme anzulernen und Muster in den Daten zu erkennen.

In der Forschungsgruppe Verteilte Systeme (Distributed Systems Group) werden aktuelle Verfahren zur Umsetzung von Cyber-Physical Systems bzw. verteilter intelligenter Softwaresysteme, sogenannte Softwareagentensysteme entwickelt. Die Intelligenz und Entscheidungsfindung der Softwareagenten basiert auf traditionellen Verfahren der künstlichen Intelligenz (wie z.B. regelbasierten Ansätzen und Complex Event Processing), aber auch auf aktuellen Verfahren des maschinellen Lernens wie z.B. Deep Convolutional Neural Networks. Dadurch werden einzelne Softwareagenten aber auch mehrere Softwareagenten zusammen in die Lage versetzt, Entscheidungen autonom zu treffen. Ihr formalisiertes Wissen (sogenannte Ontologien) ermöglicht ihnen, mit anderen Softwareagenten zu kooperieren und zu kollaborieren.

Anwendungen in der Industrie 4.0
Im Verbundprojekt myJoghurt werden gemeinsam Verfahren für Cyber-Physical Production Systems erarbeitet. Das in der Forschungsgruppe an der Hochschule Augsburg verwendete Fertigungsanlagenmodell ist in ein komplexes Produktionssystem über verschiedene produzierende Unternehmen und Zulieferer hinweg eingebettet. Die miteinander verbundenen Systeme ermöglichen eine durchgängige vertikale Vernetzung bis auf die Feldebene. Die intelligenten Softwareagenten zur Produktionssteuerung und -überwachung werden in Zusammenarbeit mit dem Fachausschuss 5.15 „Agentensysteme“ der Gesellschaft für Mess- und Automatisierungstechnik (GMA) weiterentwickelt.

Im Projekt Transparenz in industriellen Prozessen (TRiP) werden innovative Big-Data-Analytics-Lösungen mit dem Ziel der intelligenten Auswertung von Produktionsdaten und der Entwicklung digitaler Services und Geschäftsmodelle für kleine und mittelständische Industrieunternehmen entwickelt. Dazu werden Produktions- und Produktdaten gesammelt, intelligent aufbereitet, analysiert und Zusammenhänge erschlossen. Die zu entwickelnde MicroServices-Softwareplattform basiert auf intelligenten, kooperierenden Softwareagenten, welche u. a. Fehlerfälle erkennen und vorhersagen können (Predictive Maintenance). Die erhöhte Transparenz in den industriellen Prozessen ermöglicht weiterhin eine gesteigerte Ressourceneffizienz.

Maschinelles Lernen auf Sensordaten
Im Forschungsfeld Affective Computing wird versucht, den emotionalen Zustand des Menschen maschinell zu interpretieren. Hierzu wird die elektrische Aktivität des Gehirns mittels EEG aufgezeichnet und durch Verfahren des maschinellen Lernens interpretiert. Über die in der Forschungsgruppe erarbeiteten Verfahren können beispielsweise Gegenstände des Internets der Dinge, wie z.B. Geräte im Smart Home, über das Brain-Computer-Interface „nur durch Gedanken“ gesteuert werden. Die Interpretation komplexerer emotionaler Zustände mittels Deep Learning ist aktueller Forschungsinhalt. Hierdurch können neue Verfahren zur Analyse von Zeitreihendaten gefunden und in andere Anwendungsgebiete übertragen werden.

Intelligente Softwareagenten kommen in der Forschungsgruppe auch in der Robotik im automatisierten Fahren von Modellautos zum Einsatz. Das Modellauto der Forschungsgruppe verwendet eine Kamera sowie Ultraschallsensoren, um selbstständig eine durch farbige Leitkegel markierte Rennstrecke abzufahren. Sensordaten werden mittels Deep Learning analysiert und entsprechende Lenkentscheidungen getroffen. Die gefundenen Verfahren können ebenfalls zur Mustererkennung und intelligenten Entscheidungsfindung in industriellen und wirtschaftlichen Anwendungen eingesetzt werden.