Start des DFG-geförderten Projekts (KoKAKI) zur nachvollziehbaren Automatisierung von Konstruktionsaufgaben in der Entwurfs- und Auslegungsphase mit Künstlicher Intelligenz im Mai 2024
Aufgrund des Kostendrucks in Industrieländern und der daraus resultierenden Notwendigkeit zur Automatisierung von Standard- und Routine-Tätigkeiten nimmt der Einsatz von KI-Methoden auch in der Produktentwicklung stetig zu. Solche Methoden werden häufig als Blackboxen in den Entwicklungsprozess integriert. Diese Implementierung hat zur Folge, dass die Lösungswege der KI-generierten Lösungen nur schwer nachvollzogen werden und dadurch fehlerhafte Schlussfolgerungen entstehen können. Durch diese fehlende Nachvollziehbarkeit ist die Akzeptanz dieser neuen Verfahren gering. Um den Lösungsweg zugänglich und verständlich zu gestalten und somit die Akzeptanz unter Produktentwickelnden zu vergrößern, sollen die KI-Methoden näher an die Denkweise der Produktentwickelnden angelehnt werden. Dafür bietet sich die Anwendung von Reinforcement Learning an. Vorteile dieser Art des Maschinellen Lernens sind die Möglichkeiten zur Anpassung an die Denkweise des Produktentwickelnden sowie zur direkten Prüfung des Lösungswegs und der Ergebnisse.
Damit ist das Ziel dieses Projekts die Erhöhung der Nachvollziehbarkeit von automatisiert verbesserten Produkten durch die Anwendung von Reinforcement Learning. Als Demonstratoren werden für diesen Anwendungsfall Faser-Kunststoff-Verbund Bauteile verwendet, deren Auslegung auf komplizierten Zusammenhängen basiert.
Um ein solches Automatisierungswerkzeug umzusetzen, soll zunächst die Zustandsbeschreibung der Bauteile erweitert werden. Dadurch soll sichergestellt werden, dass dem Automatisierungswerkzeug die gleichen Informationen zur Verfügung stehen wie dem Produktentwickelnden. Das ermöglicht, dass im Folgenden alle notwendigen Zusammenhänge zwischen diesen Informationen für die Entwicklungsaufgabe genutzt werden können. Im Anschluss an die Erweiterung der Zustandsbeschreibung werden Strategien entwickelt, um intuitive Erkundungsstrategien der Produktentwickelnden in Explorationsstrategien des KI-Modells zu überführen. Zum Schluss sollen Möglichkeiten analysiert werden, wie über intrinsische Belohnungen implizierte Zusammenhänge im Entwicklungsprozess erkannt werden können.