Grundlagen künstlicher Intelligenz und machine learning in der Energiewirtschaft

artificial intelligence 3382507 1920 pixabay

Der Begriff "künstliche Intelligenz" ist ein Modebegriff, der ähnlich wie "Blockchain" oder "Big Data" seit einiger Zeit intensiv diskutiert und in der Praxis an vielen Stellen eingesetzt wird.

In diesem Beitrag möchten wir den Begriff "künstliche Intelligenz" übersichtlich darstellen sowie mögliche Anwendungsfälle und nutzbare Algorithmen vorstellen. Der Fokus liegt hierbei weniger auf der Theorie, sondern auf der praktischen Anwendung und dem Nutzen für die Energiewirtschaft. Zur Beschreibung einzelner Algorithmen und der Anwendung der Programme dient insbesondere die Programmiersprache Python sowie die kostenlose Software-Bibiliothek "Scikit-learn" [1].

Begriffsdefinition: Machine Learning und künstliche Intelligenz

Künstliche Intelligenz (KI, egl. Artificial Intelligence AI) kann in verschiedene Kategorien unterteilt werden. Dabei gestaltet sich eine exakte Definition ebenso schwierig, wie die Definition der Intelligenz als solche.

Grundsätlich kann KI als Oberbegriff verstanden werden. Dieser lässt sich wiederum grundsätzlich in nachfolgende Kateorien unterteilen:

1. Narrow AI / schwache KI: Unterstützung oder Übernahme bestimmter Aufgaben

2. General AI / starke KI: der menschlichen Intelligenz nachempfunden; kann aber abstrakt denken und Probleme in verschiedenen Bereichen lösen

3. Super AI / künstliche Superintelligenz: der menschlichen Intelligenz deutlich überlegen [2]

Aus den Kategorien wird klar, dass die Entwicklung einer General- und Super-AI einen deutlichen Einfluss auf alle Lebensbereiche haben kann. Auch wenn die heutige Entwicklung schnell vorangeht, bewegen sich die Algorithmen auch noch in naher und in mittlerer Zukunft im Bereich der Narrow AI. Dieses Feld steht deshalb im Fokus dieses und nachfolgender Artikel, da die Algorithmen bereits heute eingesetzt werden können [1].

Während KI/AI eher die generelle Einsatzform beschreibt; beschäftigen sich heutige Algorithmen insbesondere mit dem maschinellen Lernen ("Machine Learning"). Beim Machine Learning geht es darum, Muster und Gesetzmäßigkeiten in großen Datenmengen zu erkennen. Diese können wiederum genutzt werden, um spätere Entscheidungen und Handlungen abzuleiten.

Machine Learning lässt sich in die nachfolgenden Kategorien unterteilen:

  • Unsupervised (unüberwachtes Lernen): Der Algorithmus erkennt selbst Muster und Gesetzmäßigkeiten in großen Datenmengen. So können Cluster gebildet, Datenpunkte kategorisiert oder auch Anomalien identifiziert werden (z. B. defekte Geräte).
  • Supervised (überwachtes Lernen): Der Algorithmus erlernt anhand von Trainingsdaten einen Zusammenhang zwischen Input und Output und kann mit diesem "Wissen" das Ergebnis für weitere Input-Werte errechnen. Auf der Basis der aus Trainingsdaten erlernten Zusammenhänge können zum Beispiel neue Datenpunkte bekannten Gruppen/Clustern zugeordnet oder aus dem erlernten Zusammenhang zwischen Input und Output eine Prognose erstellt werden (z. B. für Wetter, Börsenpreise oder EE-Erzeugung).
  • Reinforcement learning (Verstärkungslernen): Beim Reinforcement-Learning wird der Algorithmus für den berechneten Output "belohnt" oder "bestraft", je nachdem, wie gut das Ergebnis dem erwarteten Ziel entspricht (vgl. Konditionierung). Auf der Basis dieses Feedbacks passt das Programm wiederum das Verhalten ("action") bei zukünftigen Entscheidungen an, so dass es schrittweise besser wird. Die Möglichkeiten von Reinforced-Learning werden in diesem Video deutlich: https://www.youtube.com/watch?v=Lu56xVlZ40M

Deep Learning ist ein Begriff, der ebenfalls häufig verwendet wird. Dabei handelt es sich um eine Unterkategorie von "Machine Learning", meist mit Hilfe künstlicher neuronaler Netze. Im Fokus steht auch hier das Erkennen von Mustern und Gesetzmäßigkeiten in Datenmengen. Dabei erfolgt jedoch die prozessuale Verarbeitung der Imput-Werte über eine Reihe hierarchischer Schichten. Dabei werden z. B. bei der Bilderkennung in verschiedenen Ebenen (Input-Layer, Hidden-Layer und Output-Layer bei neuronalen Netzen) unterschiedliche Aspekte des Bildes (Ecken, Kanten, Farben, Objekte etc.) vom Algorithmus abstrahiert betrachtet und am Ende daraus ein Output abgeleitet. Diese Algorithmen kommen zum Beispiel bei der Erkennung von Sprache (natural language processing) oder der Bilderkennung zum Einsatz.

Mittels "Deep Learning" können insbesondere Anwendungsfälle mit komplexen Zusammenhängen zwischen In- und Output umgesetzt werden. Häufig sind diese daher der Hauptfokus, wenn von "KI" die Rede ist [3].

Unabhängig von der KI-Technologie, die eingesetzt werden soll, ist Data-Preprocessing erforderlich. Auch bringen KI-Systeme einen Paradigmenwechsel bei der Programmierung. Diese Aspekte werden im nächsten Beitrag vorgestellt.

Weitere Informationen:

 

 

[1] Pedregosa, Fabian et al.: Scikit-learn: Machine Learning in Python. In: Journal of Machine Learning Research 12 (2011) 2825-2830. Palaiseau: Parietal, INRIA Saclay, 2011.
[2] Hildesheim, Wolfgang et al.: Künstliche Intelligenz im Jahr 2018 - Aktueller Stand von branchenübergreifenden KI-Lösungen: Was ist möglich? Was nicht? Beispiele und Empfehlungen. Hamburg: IBM Deutschland, 2018.
[3] Zimmermann, Hendrik et al.: Künstliche Intelligenz für die Energiewende:  Chancen und Risiken. Bonn: Germanwatch e.V., 2019.

 

 

 

Bild von Gerd Altmann auf Pixabay

Um unsere Webseite für Sie optimal zu gestalten verwenden wir Cookies. Durch die weitere Nutzung der Webseite stimmen Sie der Verwendung von Cookies zu.
Weitere Informationen zu Cookies erhalten Sie in unserer Datenschutzerklärung.