Microsoft startet Project Bonsai, eine KI-Entwicklungsplattform für Industriesysteme

Besuchen Sie unsere On-Demand-Bibliothek, um Sitzungen von VB Transform 2023 anzusehen. Registrieren Sie sich hier

Microsoft kündigte während seiner Online-Konferenz Build 2020 die öffentliche Vorschau von Project Bonsai an, einer Plattform zum Aufbau autonomer industrieller Steuerungssysteme. Das Unternehmen stellte außerdem eine experimentelle Plattform namens Project Moab vor, die Ingenieure und Entwickler mit der Funktionalität von Bonsai vertraut machen soll.

Project Bonsai ist ein „maschineller Lehrdienst“, der maschinelles Lernen, Kalibrierung und Optimierung kombiniert, um den Steuerungssystemen im Herzen von Roboterarmen, Bulldozerblättern, Gabelstaplern, Untertagebohrgeräten, Rettungsfahrzeugen, Wind- und Solarparks und mehr Autonomie zu verleihen . Steuerungssysteme bilden eine Kernkomponente von Maschinen in Sektoren wie Fertigung, chemische Verarbeitung, Baugewerbe, Energie und Bergbau und helfen bei der Verwaltung von Umspannwerken und HVAC-Anlagen bis hin zu Flotten von Fabrikrobotern. Aber die Entwicklung von KI- und maschinellen Lernalgorithmen darauf aufbauend – Algorithmen, die Prozesse bewältigen könnten, die zuvor zu schwierig zu automatisieren waren – erfordert Fachwissen.

Project Bonsai versucht, dieses Fachwissen mit einem leistungsstarken Simulations-Toolkit zu verbinden, das auf Microsoft Azure gehostet wird.

Auf hoher Ebene besteht das Ziel von Project Bonsai darin, die Einführung von „Industrie 4.0“ zu beschleunigen, einer industriellen Transformation, die Microsoft als die Einführung von Intelligenz, Konnektivität und Automatisierung in die physische Welt definiert. Über neue Technologien hinaus bringt Industrie 4.0 neue Ökosysteme und Strategien mit sich, die KI zu großem Nutzen nutzen. Microsoft zitiert eine Studie des Weltwirtschaftsforums, die ergab, dass 50 % der Unternehmen, die KI innerhalb der nächsten sieben Jahre einsetzen, ihren Cashflow verdoppeln könnten.

VB Transform 2023 On-Demand

Haben Sie eine Sitzung von VB Transform 2023 verpasst? Registrieren Sie sich, um auf die On-Demand-Bibliothek aller unserer vorgestellten Sitzungen zuzugreifen.

Für Hersteller in der Übergangsphase besteht das Endziel häufig darin, „vorschreibende“ Intelligenz zu erlangen, bei der adaptive, selbstoptimierende Technologien und Prozesse dabei helfen, Geräte und Maschinen an veränderte Eingaben und Bedingungen anzupassen. Bestehende Steuerungssysteme weisen eine Einschränkung auf, da sie auf einer Reihe deterministischer Anweisungen in vorhersehbaren, unveränderlichen Umgebungen arbeiten. Steuerungssysteme der nächsten Generation nutzen KI, um über die grundlegende Automatisierung hinauszugehen, indem sie sich in Echtzeit an sich ändernde Umgebungen oder Eingaben anpassen und sogar im Hinblick auf mehrere Ziele optimieren.

Project Bonsai soll diese Systeme schaffen, die auch eine Kombination aus digitalen Feedbackschleifen und menschlicher Erfahrung nutzen, um Maßnahmen und Empfehlungen zu informieren. Historische Daten treiben bestimmte Abläufe und Produktverbesserungen voran und ermöglichen es Systemen, Aufgaben wie die Kalibrierung schneller und präziser als menschliche Bediener durchzuführen.

Project Bonsai ist ein Ergebnis der Übernahme des im kalifornischen Berkeley ansässigen Unternehmens Bonsai durch Microsoft im Jahr 2018, das zuvor Mittel von der Risikokapitalsparte M12 des Unternehmens erhalten hatte. Bonsai ist die Idee der ehemaligen Microsoft-Ingenieure Keen Browne und Mark Hammond, der heute General Manager für Business AI bei Microsoft ist. Das Paar entwickelte einen Ansatz auf Basis des TensorFlow-Frameworks von Google, der KI-Mechaniken auf niedriger Ebene abstrahiert und es Fachexperten ermöglicht, autonome Systeme zu trainieren, um Ziele zu erreichen – unabhängig von der KI-Fähigkeit.

Im September 2017 setzte Bonsai einen neuen Maßstab für autonome industrielle Steuerungssysteme und trainierte in einer Simulation erfolgreich einen Roboterarm zum Greifen und Stapeln von Blöcken. Die Leistung war angeblich 45-mal schneller als ein vergleichbarer Ansatz von Alphabets DeepMind.

Microsoft bezeichnet den Abstraktionsprozess als maschinelles Lernen. Sein zentraler Mandant ist die Problemlösung, indem Arbeitsbelastungen in einfachere Konzepte (oder Unterkonzepte) zerlegt und diese dann einzeln trainiert werden, bevor sie kombiniert werden. Diese Technik wird auch als hierarchisches Deep Reinforcement Learning bezeichnet, bei dem die KI lernt, indem sie Entscheidungen ausführt und Belohnungen für Aktionen erhält, die sie einem Ziel näher bringen. Das Unternehmen behauptet, dass diese Technik die Schulungszeit verkürzen und es Entwicklern gleichzeitig ermöglichen kann, Konzepte wiederzuverwenden.

In einem Lager- und Logistikszenario könnte beispielsweise ein Ingenieurteam maschinelles Lernen nutzen, um autonome Gabelstapler zu schulen. Ingenieure würden mit einfacheren Fertigkeiten wie dem Ausrichten an einer Palette beginnen und darauf aufbauend dem Gabelstapler beibringen, auf die Palette zuzufahren, sie aufzunehmen und abzusetzen. Letztendlich würde der autonome Gabelstapler lernen, andere Personen und Geräte zu erkennen und zu seiner Ladestation zurückzukehren.

„Es gibt unter Forschern einen Witz über das Reinforcement Learning, der ungefähr so ​​lautet: Wenn Sie ein Problem haben und es wie ein Reinforcement-Learning-Problem modellieren, haben Sie jetzt zwei Probleme“, sagte Microsoft CVP Gurdeep Pall gegenüber VentureBeat in einem Telefoninterview. „Es ist ein sehr komplexes Feld. Es geht nicht nur um die Auswahl des richtigen Algorithmus – kontinuierlich oder diskret, richtlinienkonform oder nicht richtlinienkonform, modellbasiert oder modellfrei und hybride Modelle –, sondern auch um Belohnungen.“

Wie Pall erklärte, beschreiben Belohnungen beim Reinforcement Learning jeden richtigen Schritt, den eine KI versucht. Die Erstellung dieser Belohnungen – die mathematisch ausgedrückt werden müssen – ist schwierig, da sie jede Nuance mehrstufiger Aufgaben erfassen müssen. Und falsch gestaltete Belohnungen können zu einem katastrophalen Vergessen führen, bei dem ein Modell die zuvor gelernten Informationen vollständig und abrupt vergisst.

„Was maschinelles Lernen bewirkt, ist, dass es viele dieser schwierigen Probleme aufgreift und das Problem wirklich auf die Schiene bringt. Es schränkt die Art und Weise ein, wie Sie das Problem spezifizieren“, fügte Pall hinzu. „Die [Bonsai-Plattform] wählt automatisch den Algorithmus und [Parameter] … aus einer ganzen Reihe von Optionen aus und verfügt über Abstraktionsziele, die vom Benutzer nicht verlangen, eine Belohnung anzugeben, sondern ihn stattdessen das Ergebnis angeben lassen, das er erreichen möchte.“ Angesichts eines Zustandsraums und dieses Ergebnisses ermitteln wir automatisch eine Belohnungsfunktion, anhand derer wir den Reinforcement-Learning-Algorithmus trainieren.“

Die universelle Reinforcement-Learning-Plattform von Project Bonsai orchestriert die Entwicklung von KI-Modellen. Es bietet Zugriff auf Algorithmen und Infrastruktur sowohl für die Modellbereitstellung als auch für das Training und ermöglicht die Bereitstellung von Modellen vor Ort, auf dem Gerät oder in der Cloud mit Unterstützung für Simulatoren wie MATLAB Simulink, Transys, Gazebo und AnyLogic. (Für Bereitstellungen vor Ort ist ein Controller-Begleiter erforderlich, der in Echtzeit mit dem Controller-Computer kommuniziert.) Über ein Dashboard können Bonsai-Kunden alle aktiven Jobs – sogenannte BRAINs – sowie deren Trainingsstatus und Möglichkeiten zum Debuggen, Überprüfen und Verfeinern anzeigen Modelle. Und sie können mit Kollegen zusammenarbeiten, um gemeinsam neue Modelle zu erstellen und bereitzustellen.

Es ist ein größtenteils freihändiger Prozess. Nachdem Konzepte mit der speziellen Programmiersprache Inkling von Project Bonsai in ein Modell programmiert wurden, wird der Code mit einer Simulation eines realen Systems kombiniert und zum Training in die Bonsai AI Engine eingespeist. Die Engine wählt automatisch den besten Algorithmus zum Trainieren eines Modells aus, legt die neuronalen Netze fest und stimmt ihre Parameter ab. Und die Plattform führt mehrere Simulationen parallel aus, um die Trainingszeit zu verkürzen, indem sie Vorhersagen von trainierten Modellen über von Bonsai bereitgestellte Bibliotheken an Software oder Hardware überträgt.

Bonsai verfolgt bei der Simulation einen „Digital Twin“-Ansatz – ein Ansatz, der sich in anderen Bereichen durchgesetzt hat. Das in London ansässige Unternehmen SenSat hilft beispielsweise Kunden aus der Bau-, Bergbau-, Energie- und anderen Industriezweigen bei der Erstellung von Modellen von Standorten, die für die Projekte, an denen sie arbeiten, relevant sind, und übersetzen die reale Welt in eine Version, die von Maschinen verstanden werden kann. GE bietet Technologie, die es Unternehmen ermöglicht, digitale Zwillinge tatsächlicher Maschinen zu modellieren, deren Leistung genau verfolgt wird. Oracle verfügt über Dienste, die auf virtuellen Darstellungen von Objekten, Geräten und Arbeitsumgebungen basieren. Und Microsoft selbst stellt Azure Digital Twins bereit, die die Beziehungen und Interaktionen zwischen Menschen, Orten und Geräten in simulierten Umgebungen modellieren.

Innerhalb der Plattform von Project Bonsai würde ein Modell, das beispielsweise lernt, einen Bulldozer zu steuern, Informationen über die Variablen in der simulierten Umgebung erhalten – etwa die Art des Schmutzes oder die Nähe von Menschen, die in der Nähe gehen –, bevor es über Maßnahmen entscheidet. Diese Entscheidungen würden sich im Laufe der Zeit verbessern, um den Nutzen zu maximieren, und Domänenexperten könnten das System optimieren, um zu einer funktionierenden Lösung zu gelangen.

Es ähnelt dem AirSim-Framework für Unity von Microsoft – wenn auch scheinbar einfacher zu verwenden –, das maschinelles Lernen nutzt, um Umgebungen mit realistischer Physik für Systemtests von Drohnen, Autos und mehr zu simulieren. Wie die Project Bonsai-Plattform soll sie als sicheres, wiederholbares Testgelände für autonome Maschinen genutzt werden – mit anderen Worten, als Mittel zur Datenerfassung vor dem realen Prototyping. In einem aktuellen Fachartikel demonstrierten Microsoft-Forscher, wie AirSim zum Trainieren und Übertragen von Drohnen steuernder KI aus der Simulation in die reale Welt genutzt werden könnte, um so die Lücke zwischen Simulation und Realität zu schließen.

Laut Microsoft können Bonsai-Simulationen – die auf Azure gehostet werden – Millionen verschiedener realer Szenarien nachbilden, denen ein System begegnen könnte, einschließlich Grenzfällen wie einem Sensor- und Komponentenausfall. Nach dem Training können Modelle entweder als Entscheidungsunterstützungsfunktion eingesetzt werden, bei der sie in vorhandene Überwachungssoftware integriert werden, um Empfehlungen und Vorhersagen bereitzustellen, oder mit direkter Entscheidungsbefugnis, sodass die Modelle Lösungen für schwierige Situationen entwickeln.

Um Ingenieure und Entwickler einzubinden, die gerne mit dem Bonsai experimentieren möchten, hat Microsoft Project Moab entwickelt, ein neues Hardware-Kit, das als Simulator in MathWorks und bald als physisches Kit für 3D-Drucker verfügbar ist. (Entwickler, die es nicht selbst drucken möchten, können später im Jahr vollständig zusammengebaute Einheiten erwerben.) Es handelt sich um einen dreiarmigen Roboter mit einem Joystick-Controller, der versucht, einen Ball auf einer mit einem Magneten befestigten transparenten Platte im Gleichgewicht zu halten. und es soll Benutzern eine Umgebung bieten, in der sie Simulationen lernen und damit experimentieren können.

Das Auswuchten von Kugeln ist eine klassische Herausforderung im Maschinenbau und wird als Regelproblem bezeichnet. Unter jeder Bedingung muss ein selbstbalancierendes System ein Steuersignal lernen, um den gewünschten Endzustand zu erzeugen – z. B. einen Ball, der in der Mitte der Plattform zur Ruhe gebracht wird. Die meisten klassischen Lösungsansätze umfassen Differentialgleichungen, die physikalische Größen und ihre Änderungsraten darstellen. Aber Project Moab versucht, maschinelle Lernlösungen für das Problem zu finden.

Es ist anspruchsvoller, als es sich anhört, denn jedes Ballausgleichssystem muss in der Lage sein, zu verallgemeinern – das heißt, auf der Grundlage von Trainingsdaten ein robustes Kontrollgesetz zu konstruieren. Um eine gute Generalisierung zu erreichen, muss während der Trainingsphase ein ausreichend umfangreicher Satz an Eingaben generiert werden. Gelingt es nicht, vielfältige Eingaben zu generieren, führt dies zu einer schlechten Leistung.

Warum ein Kit für dieses Problem erstellen und nicht für ein anderes? Laut Hammond wollte das Project Moab-Team ein Gerät auswählen, mit dem Ingenieure und Entwickler die Schritte lernen konnten, die sie ausführen mussten, wenn sie ein autonomes System aufbauen wollten. Bei Moab müssen Entwickler Simulatoren einsetzen, um physikalische Systeme zu modellieren und diese in ein Trainingsprogramm zu integrieren. Was Ingenieure betrifft, von denen viele wahrscheinlich mit klassischen Lösungen für das Ball-Balance-Problem vertraut sind, müssen sie lernen, es mit KI zu lösen.

„Wir geben den Menschen mehr Werkzeuge in ihre Werkzeugkiste, mit denen sie das Spektrum der Probleme, die sie lösen können, erweitern können“, sagte Hammond. „Man kann es sehr schnell in Bereiche bringen, in denen es auf herkömmliche Weise nicht einfach wäre, wie zum Beispiel das Ausbalancieren eines Eies. Der Zweck des Project Moab-Systems besteht darin, einen Spielplatz bereitzustellen, auf dem Ingenieure, die verschiedene Probleme angehen, den Umgang mit Werkzeugen und Simulationsmodellen erlernen können. Sobald sie die Konzepte verstanden haben, können sie sie auf ihren neuartigen Anwendungsfall anwenden.“

Die Tutorials von Project Moab befassen sich mit mehr als nur dem Balancieren von Bällen. Man kann Moab beibringen, Bälle aufzufangen, die auf ihn geworfen werden, nachdem sie auf einen Tisch springen, und Bälle wieder ins Gleichgewicht zu bringen, die gestört wurden, nachdem ein Gegenstand wie ein Bleistift auf sie gestoßen wurde. Es kann auch lernen, Objekte auszubalancieren und dabei sicherzustellen, dass sie nicht mit Hindernissen auf der Platte in Berührung kommen, ähnlich wie bei einem eigenständigen Labyrinthspiel.

Die meisten Komponenten von Moab – einschließlich der Platten- und Armsteuerungsaktuatoren – sind austauschbar. Entwickler können leistungsstärkere Aktuatoren installieren, um Moab beispielsweise dazu zu bringen, Dinge zu werfen und zu fangen. Und mit dem Software Development Kit können andere Simulationsprodukte und benutzerdefinierte Simulationen verwendet werden, um Moab für die Bewältigung anspruchsvollerer Aufgaben zu trainieren.

Hammond würde zukünftige Robotik-Bausätze für Bonsai nicht ausschließen, sagte aber, dass dies weitgehend von der Gemeinde und ihrer Reaktion auf Moab abhänge. „Wir möchten, dass die Community die Möglichkeit hat, zu experimentieren und alle möglichen lustigen, neuartigen Dinge zu tun, an die die Leute vorher nicht gedacht hatten“, sagte Hammond. „Wenn man [ein Projekt wie dieses] Open Source macht, ist das möglich.“

SCG gehört zu den Unternehmen, die Project Bonsai genutzt haben, um ihre industriellen Steuerungssysteme mit maschinellem Lernen zu versehen. Die Chemieabteilung von SCG hat innerhalb der Bonsai-Plattform eine Simulation erstellt, um den Prozess der Optimierung petrochemischer Abläufe zu beschleunigen, und zwar im Umfang von 100.000 Simulationen pro Tag, von denen jede Millionen von Szenarien modelliert. Microsoft behauptet, dass das vollständig trainierte Modell in der Lage sei, eine Sequenz in einer Woche zu entwickeln, während zuvor eine Gruppe erfahrener Ingenieure mehrere Monate dafür benötigt hätte.

„Polymere werden für eine bestimmte Anwendung entwickelt. Um die Herstellungsphasen herauszufinden, müssen Sie die Mischung, die Temperatur und andere Faktoren kennen“, sagte Pall. „Der Prozess der Ausarbeitung eines Plans, wie ein Polymer hergestellt werden kann, dauert traditionell sechs Monate, da er in einem Simulator durchgeführt wird, wobei ein menschlicher Experte den Simulator leitet und einen Schritt ausprobiert, ihn schließlich richtig hinbekommt und dann weitermacht.“ der nächste Schritt. Bonsai hat ein GEHIRN gefunden, das Lösungen für die Herstellbarkeit eines bestimmten Polymers findet und dann Maschinen steuert, um es herzustellen.“

Laut Microsoft ist SCG der erste Anbieter, der ein von Bonsai trainiertes Modell in der Produktion einsetzt. Was die Preisgestaltung betrifft, so steht den Kunden die Machine-Teaching-Komponente von Bonsai kostenlos zur Verfügung, die in Azure durchgeführten Simulationen werden jedoch nach Nutzung abgerechnet. Unternehmen müssen eine kommerzielle Lizenz erwerben, wenn sie ihre Modelle in der realen Welt verwenden möchten.

Siemens nutzte Project Bonsai für einen anderen Zweck: die Kalibrierung seiner CNC-Maschinen. Bisher war dies ein manueller Prozess, der durchschnittlich 20 bis 25 iterative Schritte über mehr als zwei Stunden erforderte, typischerweise unter der Aufsicht von externen Experten. Im Gegensatz dazu ist die Project Bonsai-Lösung darauf ausgelegt, die Maschinenkalibrierung in Sekunden oder Minuten zu automatisieren. Siemens sagt, dass durch das Training eines Modells mit Bonsai eine Genauigkeit von zwei Mikrometern bei durchschnittlich vier bis fünf Iterationsschritten über 13 Sekunden und eine Präzision von weniger als einem Mikrometer in etwa 10 Iterationsschritten erreicht werden konnte.

„Der Ansatz von [Project Bonsai] verbindet KI-Wissenschaft und Software mit der traditionellen Ingenieurswelt“, sagte Hammond. „[Es ermöglicht Bereichen] wie dem Chemie- und Maschinenbau, intelligentere, leistungsfähigere und effizientere Systeme zu bauen, indem sie ihr eigenes Fachwissen mit KI-Fähigkeiten erweitern.“