温馨提示：本站仅提供公开网络链接索引服务，不存储、不篡改任何第三方内容，所有内容版权归原作者所有
AI智能索引来源：http://www.tup.com/die-tup-reihe-ki-deep-learning
点击访问原文链接

Die TUP-Reihe 'KI in der Intralogistik' - Deep Learning

进入原网站 导航首页
Die TUP-Reihe 'KI in der Intralogistik' - Deep Learning TUP GmbH & Co. KG - Warehouse Management Solutions

Unternehmen Aktuelles Glossar Lagerverwaltung Lagerverwaltungssoftware Warehouse Management System Materialflusssteuerung Mobile Aviation System Erweiterungen Software follows function Projektablauf Migrationsstrategie Software Philosophie Success Stories Bosch Breuninger Grass Zalando Weitere Success Stories Logistik-Services Planung & Beratung Logistische Beratung Planung Ihrer Logistik Warehouse Modernisierung IT-Infrastruktur Systemintegration Software-Beratung Hardware-Beratung System-Hosting IT-Services Schulungen Wartung Customer Support 24/7 Referenzen Karriere Menschen & Werte Stellenangebote Ausbildung bei TUP Logistik Knowhow Kontakt Search Unternehmen Aktuelles Glossar Die TUP-Reihe KI - Deep Learning20. April 2020|In Aktuelles, Forschung, Digitalisierung|By TUP Redaktion Die TUP-Reihe KI – Deep Learning20. April 2020|In Aktuelles, Forschung, Digitalisierung|By TUP RedaktionKünstliche Intelligenz (KI) ist aus unserem Leben nicht mehr wegzudenken. Ganz gleich, ob es um Übersetzungen oder Bilderkennung geht, um Heilmethoden für Krankheiten oder die Entwicklung neuer Werkstoffe – in vielen Bereichen wird KI eingesetzt, um Menschen bei ihrer Arbeit zu unterstützen. Häufig taucht in diesem Zusammenhang der Begriff Deep Learning (DL) auf. Dieser Teil der TUP-Reihe zu KI befasst sich genauer mit dem Thema Deep Learning, um einen ersten Überblick zu geben.

Deep Learning ist, anders als vielleicht auf den ersten Blick vermutet, kein abstraktes oder futuristisches Konstrukt. DL stellt einen Teilbereich des Machine Learnings (ML) dar, das wir in diesem Beitrag näher beleuchtet haben. ML wiederum wird als ein Teilmenge des Themenfeldes KI angesehen.

DL ist ein Teilgebiet des Maschinellen Lernens Kurz gesagt ist DL eine Lernmethode, mit der Algorithmen beigebracht wird, autonom Aufgaben zu lösen. Dabei lernen diese durch den Einsatz von Testdaten selbstständig, was gleichgesetzt wird mit einer Art von Intelligenz, sprich einer schwachen KI. Ergo: DL wird angewendet, um KI herzustellen.

Deep Learning und Künstliche Neuronale Netze Der Begriff DL ist dabei untrennbar mit dem der Künstlichen Neuronalen Netze (KNN) verbunden, denn sie sind die Grundlage dieser Lernmethode. KNN sind den Neuronengeflechten im menschlichen Gehirn nachempfunden. Die künstlichen Neuronen werden in hintereinander liegenden Schichten (englisch: Layer) angeordnet und sind miteinander vernetzt. In den einfachsten Modellen gibt es eine Eingabe- (Input Layer) und eine Ausgabeschicht (Output Layer) sowie eine dazwischen befindliche sogenannte ‚verborgene‘ Schicht (Hidden Layer). Ähnlich wie im menschlichen Gehirn entscheidet auch hier die Signalstärke, ob ein Signal von einer Schicht in die andere weitergeleitet wird. So wird am Ende das jeweilige Ergebnis beeinflusst. KNN sind so strukturiert, dass sich die einzelnen Signale gewichten und summieren lassen.

Hinter den KNN steckt aber nicht etwa unkoordiniertes wissenschaftliches Vorgehen. Das Grundkonzept basiert auf statistischen Rechenmethoden, wie etwa der logistischen Regression, die in diesem Video (Englisch) anschaulich erklärt wird.

In den zu verarbeitenden Daten sollen unter anderem mit Hilfe von Wahrscheinlichkeitsaussagen, Regelmäßigkeiten gefunden werden. Ein KNN entzerrt sehr komplexe Zusammenhänge in abstrakte Informationen und führt diese später wieder zu einer Interpretation zusammen. Die gewonnenen Erkenntnisse lassen sich dann mit anderen Daten in Bezug setzen und in einem weiteren Kontext verknüpfen. Stark vereinfacht ausgedrückt kann in diesem Zusammenhang auch von einer automatisierten, statistischen Auswertung von Daten gesprochen werden.

Herausforderungen beim Deep Learning Von DL ist dann die Rede, sobald in einem KNN mehr als ein Hidden Layer vorhanden ist. Je mehr künstliche Neuronen und Schichten existieren, desto komplexere Sachverhalte lassen sich abbilden. Bis jedoch komplexe Problemstellungen, wie etwa bei der Bilderkennung, gelöst werden können, benötigt ein KNN eine große Menge an Trainingsdaten. Erst dann kann es mit großer Sicherheit Regelmäßigkeiten in den Daten erkennen. Je größer die Datenbasis, desto besser lernt das KNN. Einmal erlernt, kann das System dank DL dynamisch auf Veränderungen reagieren, ohne dass der Mensch noch eingreifen muss.

Je mehr Schichten ein neuronales Netz hat, desto schwerer ist das Zustandekommen des Ergebnisses zu erklären Die Verarbeitung dieser großen Datenmengen hat dem DL in den vergangenen Jahrzehnten Grenzen gesetzt. Da viel Rechenleistung vonnöten ist, um die schnelle Verarbeitung vieler Daten sicherzustellen, erlebte DL seinen Durchbruch erst in den letzten Jahren. Dabei reichen die dahinterstehenden Theorien sogar zurück bis in die frühen 1940er-Jahre.

Beispielhafte Darstellung von Deep Learning in der Bildererkennung. Quelle: Sven Behnke, Deep Learning, CC BY-SA 4.0 Deep Learning in der Intralogistik Da Deep Learning die Grundlage für Machine Learning bildet, wird es heutzutage in fast allen Systemen verwendet, die mit KI arbeiten. Bild- und Spracherkennung, die Steuerung komplexer Systeme, Frühwarnsysteme, Zeitreihenanalysen, die Steuerung autonomer Fahrzeuge – all das sind Anwendungsfälle, in denen DL eingesetzt wird, um den Menschen zu unterstützen.

Damit eignen sie sich auch besonders für den Einsatz in der Intralogistik. Hier kann es unter anderem bei der Mustererkennung zum Einsatz kommen. Mithilfe von DL können beispielsweise Trendartikel erkannt werden, woraufhin Maßnahmen zu deren optimierten Einlagerung getroffen werden können. Auch im Bereich der Artikelerkennung etwa bei Picking-Prozessen kann DL unterstützen (Pick-by-Vision, Pick-by-Voice etc.). Und auch beim Einsatz von Fahrerlosen Transport Systemen (FTS) hat DL zu entscheidenden Fortschritten geführt.

Fazit Schon heute ist DL nicht mehr aus unserem Alltag wegzudenken. Es ist anzunehmen, dass die Leistungen, die durch DL erbracht werden aufgrund von weiter steigender Rechenleistung noch weiter zunehmen. Dazu trägt auch die fortschreitende Digitalisierung all unserer Lebensbereiche bei, was – Stichwort Big und Smart Data – wiederum die Datengrundlage für weitere DL-Anwendungen bilden kann. Auch in der Intralogistik wird DL weiter eine gewichtige Rolle spielen. Der bereits heute hohe Automatisierungsgrad innerhalb von Lagern sowie die (relativ) einfachen, wiederkehrenden Prozesse sind eine hervorragende Grundlage für DL-Algorithmen.

Autor Teaser-Bild: Carson Mastersion

Zur Beitragsübersicht

Zurück zur Startseite

TUP-Reihe KI PrevNext

TUP GmbH & Co. KG

Die kombinierbare Lagerverwaltungs-Software von TUP, liefert dank ihrer Flexibilität immer die effektivste Lösung und ist zudem in hohem Maße wiederverwendbar.

Kontakt

TUP GmbH & Co. KG
Fraunhoferstraße 1
D 76297 Stutensee
what3words http:///ersehnt.beruf.hell

Telefon: +49 721 7834-0
E-Mail: infoka@tup.com

Logistik Software

Warehouse Management System Materialflusssteuerung Mobile Aviation System Erweiterungen

Logistik Services

Intralogistik Beratung Planung Ihrer Intralogistik Warehouse Modernisierung Systemintegration Software-Beratung Hardware-Beratung System-Hosting Systemschulungen Wartung Customer Support 24/7

Karriere

Menschen & Werte Stellenangebote Ausbildung bei TUP

Rechtliches

Hinweis geben Cookie-Richtlinie (EU) Datenschutzerklärung Impressum Grounding Page

Aktuelles

Change Management in der Intralogistik Werkstudierende bei TUP – Ausbildung – Studium – Softwarentwickler TUP auf der LogiMAT 2026 | Stand 4A29 Minimum Viable Change als Kompass für erfolgreiche Retrofits und Greenfield-Projekte Retrofit par excellence: TUP modernisiert Materialflusssteuerung in Hermes-Versandzentrum © 2024 TUP GmbH & Co. KG – Warehouse Management Solutions

Englisch

Englisch Deutsch Spanisch Französisch Italienisch Polnisch Schwedisch Finnisch Portugiesisch Rumänisch Slowenisch Slowakisch Niederländisch Dänisch Griechisch Tschechisch Ungarisch Litauisch Lettisch Estnisch Kroatisch Irisch Bulgarisch Norsk Türkçe Bahasa Indonesia Português (Brasil) 日本語 한국어 简体中文 العربية Русский हिन्दी Українська Srpski Barrierefreiheit-Anpassungen Unterstützt von OneTap

Wählen Sie Ihr Barrierefreiheitsprofil Modus für Sehbehinderte Verbessert die visuelle Darstellung der Website Profil für Anfallssicherheit Beseitigt Blitze und reduziert Farben ADHD-freundlicher Modus Fokussiertes Surfen, ohne Ablenkungen Blindenmodus Reduziert Ablenkungen, verbessert den Fokus Epilepsie-sicherer Modus Dämpft Farben und stoppt das Blinken Inhalt Größerer Text

Cursor

Zeilenhöhe

Buchstabenabstand

Lesbare Schriftart Schriftart für Legastheniker Text ausrichten

Textlupe Links hervorheben Farben Farben umkehren

Helligkeit

Kontrast

Graustufen

Sättigung

Orientierung Leselinie Tastaturnavigation Titel hervorheben Lesemaske Bilder ausblenden Alles hervorheben Seite vorlesen Töne stummschalten Animationen stoppen Einstellungen zurücksetzen Version 6.4.0 Cookie-Zustimmung verwalten Wir verwenden Cookies, um Inhalte und Anzeigen zu personalisieren, Funktionen für soziale Medien anbieten zu können und die Zugriffe auf unsere Website zu analysieren. Funktional Funktional Immer aktiv Die technische Speicherung oder der Zugang ist unbedingt erforderlich für den rechtmäßigen Zweck, die Nutzung eines bestimmten Dienstes zu ermöglichen, der vom Teilnehmer oder Nutzer ausdrücklich gewünscht wird, oder für den alleinigen Zweck, die Übertragung einer Nachricht über ein elektronisches Kommunikationsnetz durchzuführen. Vorlieben Vorlieben Die technische Speicherung oder der Zugriff ist für den rechtmäßigen Zweck der Speicherung von Präferenzen erforderlich, die nicht vom Abonnenten oder Benutzer angefordert wurden. Statistiken Statistiken Die technische Speicherung oder der Zugriff, der ausschließlich zu statistischen Zwecken erfolgt. Die technische Speicherung oder der Zugriff, der ausschließlich zu anonymen statistischen Zwecken verwendet wird. Ohne eine Vorladung, die freiwillige Zustimmung deines Internetdienstanbieters oder zusätzliche Aufzeichnungen von Dritten können die zu diesem Zweck gespeicherten oder abgerufenen Informationen allein in der Regel nicht dazu verwendet werden, dich zu identifizieren. Marketing Marketing Die technische Speicherung oder der Zugriff ist erforderlich, um Nutzerprofile zu erstellen, um Werbung zu versenden oder um den Nutzer auf einer Website oder über mehrere Websites hinweg zu ähnlichen Marketingzwecken zu verfolgen. Optionen verwalten Dienste verwalten Verwalten von {vendor_count}-Lieferanten Lese mehr über diese Zwecke Cookies akzeptieren Ablehnen Einstellungen anzeigen Einstellungen speichern Einstellungen anzeigen {title} {title} {title} Zustimmung verwalten

智能索引记录