00:00:05: Willkommen zu Fischer Highlights, dem Podcast der Unternehmensgruppe Fischer.

00:00:42: Manufacturing companies are faced with the ultimate question.

00:00:46: How do we use these technologies to become better, faster and more efficient?

00:00:51: Our guest today Professor Peter Fettke has the right answers!

00:00:56: He teaches a Saarland University at the German Research Centre for Artificial Intelligence.

00:01:02: His research focuses on how artificial intelligence & process management is converging.

00:01:08: In seinem Forschungs-Lab arbeitet er mit Robots, die erfüllen Taschen autonomerweise mit Softwareagenten, die von Erfahrung lernen und mit Technologien, die den gesamten Prozess revolutionieren können.

00:01:19: Er funktioniert auch mit Simulationmodellen aus Fischertechnik.

00:01:25: Heute möchte ich ihn fragen, wie er diese Modelle benutzt.

00:01:29: Mein Name ist Wolfgang Pot, Professor Fettke.

00:01:32: Wie wird man eine Forschung in Artificial Intelligenz und Prozessmanagement sein?

00:01:39: Und was interessiert ihr in diesem Thema?

00:01:41: Ich

00:01:42: bin sehr faszinierend von diesem Thema seit vielen Jahren.

00:01:45: Vor ungefähr vier Jahren, als ich zwölf oder dreizehn Jahre alt war, habe ich meinen ersten Home Computer, ein Commodore C-SixTieFour, gefunden, wie die Computer absolut faszineriert wurden.

00:01:55: Und was mich dann auch wirklich interessiert, war, wie man mit Robots arbeiten kann.

00:01:59: Ich fand es sehr interessant, dass Fischer Technik Computing schon ein Robot-Kit an der Zeit geöffnet hat, das ich jemals mit großartigem Passion für meine Jugend gebaut habe.

00:02:06: Und ich erinnere mich sehr, dass es noch ein Robot war, der die Tauern von Hanoi auf sein eigenes Auto lösen konnte.

00:02:13: Nachdem ich dann endlich auf Computer-Science zu studieren ging, v.a.

00:02:16: Business Informatik, weil ich immer sehr interessiert bin in den Applikationen.

00:02:21: Und diese Tage ist nicht nur interessant zu schauen an individuellen Computers, sondern auch an computeren Netzwerken.

00:02:27: Computeren Netzwerk, so wie sie in Organisationen funktionieren.

00:02:30: Und das ist sicherlich ein sehr, sehr interessantes Thema, den ich seit mehr als zwentig Jahren auf dem Deutschen Forschungszentrum für Artificial Intelligenz, DFKI.

00:02:38: Das ist unglaublich!

00:02:39: Du

00:02:40: hast mit Fischer-Technik für so lange

00:02:44: gearbeitet.

00:02:44: Ja, du könntest sagen, dass ich dann wieder als zwölf oder dreizehn Jahre alt bin.

00:02:48: Ich würde sicher nicht glauben, dass es vierzehn Jahre später sein wird.

00:02:51: Ich werde eine Podcaste wie diese aus Twitter schaffen

00:02:54: können.

00:02:54: Ja und natürlich hat viel das mit uns geklappt.

00:02:57: As you just mentioned, in your lab today use Fischer Technik Models to simulate real production environments.

00:03:03: That is with robots transport vehicles and cameras.

00:03:08: Why isn't it enough test such systems digitally?

00:03:11: And what have you learned from implementing these systems with Fisher Technic?

00:03:15: The key point of that every simulation model must be tested against reality.

00:03:19: Even the most elegant theory is useless if doesn´t hold up in practice.

00:03:23: Um das zu verwerfen, haben wir einen Laboratorie-Resum, in dem wir Laboratorien und den Field-Rennern besuchten.

00:03:30: Wir können uns auf verschiedene Levels des Realismus testen.

00:03:34: Ich finde es besonders spannend heute, dass die Realität und der Lab konvergieren werden.

00:03:39: Die Leute referen oft an dies als Digital Twins.

00:03:41: Das Digital Twin repräsentiert die reale Welt.

00:03:44: Und gleichzeitig kann man das Digital Twin manipulieren um Veränderungen zur Realität zu machen.

00:03:49: In diesem Sinne ist Ihre Frage... Warum es nicht genug ist, um nur digitale Simulationen zu machen, ist ein sehr wichtiges.

00:03:57: Es geht nicht nur darum, dass man in dem Modell sprechen kann, sondern auch damit, dass sie mit der Realität kommunikieren

00:04:03: können.

00:04:03: Könntest du die Fischer Technik-Learning-Faktorie in einem bisschen mehr Detail beschreiben und auch den Vorteil, das es dir eröffnet?

00:04:10: Wir werden viel mehr als glücklich sein!

00:04:12: Natürlich hier bei DFKI haben wir eine ganze Serie des realen Weltlabs mit actualen Robots und Produktmaschinen im Werk.

00:04:19: As you can imagine, setting up labs like that involves a tremendous amount of effort.

00:04:23: In contrast with the Fisher Technic Learning Factory virtually everything comes ready to use.

00:04:29: You can start using this system right away!

00:04:35: Diese sind alle präsentierte Modelle, die man sofort benutzen kann.

00:04:43: Und was ich finde besonders interessant ist, dass auf der einen Seite dieses Modell letztendlich aus dem Welt des Töres kommt, aber auf den gleichen Zeitpunkt korrespondiert es unglaublich nahe zu Realität.

00:04:53: Ich habe schon gesagt das Autonomous Vehicle.

00:04:55: Es ist kontrolliert based on Industriestandards.

00:04:58: Die Maschinenkontrolle von Aktuatoren und Sensoren betrifft die aktuellen Standards, als ist es typisch für Maschinkontrollable Systeme.

00:05:06: Und was ich auch sehr schnell verstanden habe, während die Systeme operieren ist, dass es wirklich Probleme sind von realen Roboten und realen Robotiksystems.

00:05:15: Dass diese Probleme auch in den Fischer Technikfaktoren entstehen, z. B., der Synchronisation des Klatschen im System.

00:05:22: Es gibt mehr als neun Klatsche installiert, wenn ich das genau erinnere.

00:05:26: Synchronisierend diesen Klatsch und eigentlich kontrollieren die Prozesse based auf sie.

00:05:30: Diese sind alle Probleme, die wir von den Real-World-Labs mitbekommen haben.

00:05:34: Das macht es natürlich unglaublich spannend zu arbeiten in einer solchen kontrollierten Umgebung und ich denke es ist wichtig nicht zu vergessen dass die Motivation als Teenager, wenn man mit Fischer Technologien arbeitet, ist etwas, was ich heute noch sehe bei jungen Employees und Studenten, die einfach zur Sucht des Models finden.

00:05:49: Interessant und aufregend!

00:05:51: Ich wollte euch nur fragen, wie viel dieses Gefühl der Spaß ist eigentlich in all dieser Situation?

00:05:55: Also ist alles, was du komplett seriös machst?

00:05:59: Oder sind es noch ein paar Fun- und Games involved?

00:06:01: Es gibt sicherlich eine Elemente von Fun und Games hier, aber natürlich in meiner aktuellen Position, als ich auf der Lebensstelle mit meinem Vater sitze, habe ich die Chance, mit Robots zu spielen.

00:06:13: Aber in einer realen Lab weiß ich, dass die Studenten auch etwas Spaß haben.

00:06:16: Aber die Probleme, die wir uns an unsere Real-World Problems betrachten, genauso wie das, was wir in einer Real-Lab

00:06:23: arbeiten.

00:06:24: Das bedeutet, dass du in den Resultaten ganz genau interessiert bist.

00:06:27: Das ist perfekt klar, oder?

00:06:28: Du hast es

00:06:28: gesagt!

00:06:29: Ja, genau.

00:06:29: Die

00:06:29: Unternehmen haben jetzt für lange Zeit ihre Prozesse automatisiert.

00:06:35: Was genau ist der Fundamentale Unterschied zwischen traditioneller Automation und was man nennt Intelligent Process Management?

00:06:42: Computers haben für eine sehr, sehr lange Zeit automatisiert und in der Vergangenheit war es typisch der Fall, dass individuelle Tatsache automatiert wurde, wie Generating an Invoice oder Sorting ein Kostüm fiel.

00:06:55: Was wir heute sehen ist, dass Computer-Systems sehr integrierte Applikationen sind.

00:07:00: Und um wirklich solche Applikations zu verstehen, gibt es drei wichtige Aspekte, die ultimately geregelt werden müssen.

00:07:05: Der erste Aspekt ist das, dass man die Terminologie der Applikate verstehen muss.

00:07:09: Also was ist ein Produkt?

00:07:10: Was ist eine Verkaufstelle?

00:07:11: Was sei Material?

00:07:12: Was war eine Maschine?

00:07:13: Was wäre eine Transportorderung?

00:07:15: In dem wahrsten Sinne des Wortes gruspte ich die Konzepte mit den richtigen Terminologien.

00:07:20: Der zweite Punkt ist, dass du sicherlich musst verstehen die Prozesse in den Systemen.

00:07:27: Wie

00:07:27: z.B.,

00:07:28: wie du einen Verkaufsordern machst?

00:07:29: Wie wird die Produktion ausgeführt?

00:07:32: Wie ist eine Invoice kreiert?

00:07:34: Und diese Prozessen müssen in Ordnung sein, um das System wirklich zu graspen.

00:07:39: Ein dritter Punkt ist, dass heute's Systeme nicht mehr von individuellen Computern oder individuelleren Modulen consistieren.

00:07:45: Vielmehr sind die Komplexität von einer Multitöne von Submodulern, die enthalten werden müssen und Interfaces, die in diversen Richtungen verbinden können, und so weiter.

00:07:55: Nur wenn diese drei Elemente zusammenkommen – die Terminologie, die Prozesse und die Systeme – dann haben Sie wirklich ein Verständnis des aktuellen Systems?

00:08:03: Und das ist, als ich mit intelligentem Process-Management gesprochen

00:08:07: habe!

00:08:08: Auf der einen Seite klingt es sehr spannend, aber auf der anderen Seite klingelt es auch ein bisschen kompliziert.

00:08:13: Manchmal findest du Dinge, die kompliziert sind oder man immer eine Lösung finden kann?

00:08:19: Die Forschung würde bauern, wenn wir immer die Antwort genau wissen.

00:08:22: Der Appeal von all das lief in versuchen zu verstehen die Probleme und die Herausforderungen, die sie präsentieren und eventuell eine Soluzion finden.

00:08:30: Wenn das Problem sofort solved war, dann würden wir den Wissenschaftlern nicht wirklich mit ihnen betrachten.

00:08:36: Das bringt mich zu einem anderen Punkt, weil viele Unternehmen nicht genau wissen, wie ihre Prozesse wirklich funktionieren.

00:08:42: Sondern wenn die Leute involviert sind und Sie – Professor Fettke – arbeiten auf automatisch automatische Prozessreignisse.

00:08:49: Können Sie uns erklären, wie Sie ein Computer lernen, um zu verstehen, was eigentlich passiert, based on Observations?

00:08:57: At this point, we can certainly distinguish between two major categories of methods.

00:09:02: One category consists so-called rule based methods where for example a value is read from the sensor and it then determines that certain threshold has been exceeded.

00:09:13: Die zweite größte Kategorie besteht von Methoden, die auf Maschinen-Lehrung sind.

00:09:22: Maschin-Lehren-Methode betrachten häufig große Mengen der Daten und es ist natürlich immer interessant zu considerieren, was die Daten eigentlich für uns disponibel sind.

00:09:31: Haben wir alle sensordaten aus den Sensoren installiert im System?

00:09:34: Können die Aktuatoren vielleicht auch Operationaldaten geben?

00:09:38: Ist das Datum geäugt, ist der Image- und Videodatum bei diesen Locations möglich?

00:09:43: Und depending on what data is available the possibilities for process recognition are completely different.

00:09:49: What's really exciting these days is certainly when these different methods are combined In research.

00:09:56: we refer to this as so called multimodal data analysis or hybrid learning approaches.

00:10:01: Man

00:10:02: muss also auch die A.I.

00:10:03: zu monitorieren und über alle Kontroll-Prozesse benutzen.

00:10:07: Wann soll der A. I. eigentlich möglich sein, um Entscheidungen auf its own?

00:10:11: Und in welchen Situationen ist unsere Involvement,

00:10:13: d.h.,

00:10:14: die Involvenz des Menschen, noch absolut notwendig?

00:10:19: Yes, I think your question has many different aspects.

00:10:21: First i believe there's the technical aspect.

00:10:24: if you want to automate this decision is it even technically feasible?

00:10:28: then theres the economic aspect.

00:10:30: Is It Worth It?

00:10:31: There's The Legal Aspect.

00:10:32: Is It Even Allowed?

00:10:34: Take EU AI Act for example?

00:10:37: and finally there are ethical questions should we be automating certain tasks so as u can see?

00:10:44: Und ich sage immer, dass wir in bestimmten Decision-Making-Situationsen eigentlich die Entscheidung-Mackelung transparent betreffen.

00:10:56: Also was sind die wichtigsten Entscheidmackelungsprämeter?

00:10:59: Was sind die Konsequenzen mit den Entscheidungen geöffnet?

00:11:01: Und was passiert letztendlich, wenn eine falsche Entscheidung gemacht ist?

00:11:05: Vielleicht wäre ein Beispiel hier sehr hilfreich.

00:11:08: Ein E-Mail, das ein automatisiertes System ist, um Flaggers Spam oder automatisch zu blockieren.

00:11:13: Diese Entscheidung hat sicherlich verschiedene Konsequenten und Kosten.

00:11:17: und die Situation ist komplett anders von, sagen wir mal, der Frage, ob ein Künstler bei einer Bank allein sein sollte.

00:11:23: Beide Entscheidungen für Szenarien sind sicherlich komparabel im Hinblick auf Kosten.

00:11:27: Aber sie brauchen eine vorsichtliche Analyse, weil in einem schlimmen Szenario, die Konsequenzen des Verwaltens zu blockieren, einen einzelnen Spam-E-Mail might be very different from those of granting a loan that shouldn't have been approved in the first place and these issues must be understood through indepth detailed analysis not simply handed off to machine.

00:11:45: Sie experimentieren auch mit Modellen wie ChatGPT als Prozessagent.

00:11:49: Das klingt ein bisschen ungewöhnlich zu mir, seit.

00:11:52: viele dieser Systeme sind primärlich für Text- und Textgeneration genutzt.

00:11:58: Wie kann eine Modelle wie Chat GPT als Agenten in realer Weltprozesse intervenieren?

00:12:05: Yes, your assessment is certainly spot on.

00:12:07: Yes!

00:12:08: The topic of using large language models for automation Is currently all the rage and at the same time it offers a whole range Of interesting possibilities.

00:12:17: I think that to understand this better you really need To know how large language Models typically work And in the past language models have broken down large texts Into individual letters or sequences of words and use them Technically.

00:12:30: we always refer to these as tokens.

00:12:33: Was vorhin gemacht wurde, ist, dass diese Token nicht nur individuelle Wort- oder Lettersequenzen representieren, sondern auch Aminoassid.

00:12:43: Manche von Ihnen haben gehört, dass zwei Jahre ago die Nobelprise in der Chemie für die Prediction des Aminoaussidens angeboten war.

00:12:50: Und technisch ist das genau das gleiche unterliegende Prinzip als wie große Langemodelle arbeiten.

00:12:56: mit der Unterschiede, dass die Tokens nicht Wörter oder Sequenzen von Wörtern sind, sondern eher Aminoassid und Amino-Assid Komponente.

00:13:05: Und diese Idee – using such tokens to represent actions or sequences of actions and then applying the same techniques Und was wirklich interessant ist, dass diese Techniken schon in bestimmten geschlossenen Systemen gewohnt werden.

00:13:26: Aber wie das in den kommenden Jahren spielen wird, ist sicherlich eine sehr, sehr interessante und großartige Forschungsfrage.

00:13:33: Die

00:13:33: modernen AI-Systeme sind oft so wie Black Boxes – zumindest ist das so, als ich sie sehe!

00:13:39: So, they produce results.

00:13:41: But it's hard to understand exactly how they arrive at their decisions.

00:13:45: At the same time They aim to use methods that are mathematically verifiable.

00:13:50: I'd love to hear from you How do you reconcile these two approaches?

00:13:55: First of all i don't think AI systems Are just the individual black boxes we have Rather.

00:14:00: this is very typical Of other technical devices as well.

00:14:04: Denk z.B.

00:14:05: von der Maschine oder deinem Auto.

00:14:07: Diese Devices haben einen schönen User-Interface, aber wie ein Layperson kann man sich nicht so sehr auf dem Inneren

00:14:14: drehen.

00:14:15: Ja, das ist richtig!

00:14:15: Es ist

00:14:16: sicherlich nicht, besonders nicht, wenn eine Erinnerung entsteht.

00:14:19: Und die Kriterie für die Entscheidung, wann eine Explanation ist eigentlich ein guter oder einen guten in der langen Runde, sicherlich sehr großartig.

00:14:27: Was ich finde particulär interessant ist, wie man eine Maschine verwendet, um den Resultaten zu verwerfen, das es produziert, im Hinblick auf ihre Akkursivität.

00:14:36: Schauen wir zum Beispiel eine Situation, in der ein Komponente-Film muss beortet werden.

00:14:41: Dann, wenn die Maschine den Result an dieser Begründung auszieht, kann man es einfach checken, ob der Foto geäußert ist oder nicht.

00:14:47: Man kann sehen, dass vielleicht zwei Verkaufs-Rekorde nicht in alphabetischer Ordnung sind.

00:14:52: Die Forschung wird jetzt in solchen Evaluations- und Wettbewerbungen im Legalproceding und anderen Kontext, wo größte Language-Modelle oder andere AI-Systeme erarbeitet werden können.

00:15:04: Aber auch in diesem Bereich sind die Ergebnisse nun nicht besonders aufregend oder interessant für individuelle Subfields.

00:15:09: Wir

00:15:10: haben viel über Prozesse geredet.

00:15:12: Die gute News ist, dass die Prozesses immer von Menschen geübt werden.

00:15:16: Aber wie wird die Rolle der Mitarbeiter in den Unternehmen verändern?

00:15:21: Wie können Intelligent-Systems mehr Besonderheiten betreffen?

00:15:27: In other words what must people be able to do that machines cannot ...

00:15:31: These intelligent systems relieve users of routine tasks allowing them focus on the truly complex issues.

00:15:39: Ich glaube, das ist auch der größte Gefängnis von solchen technischen Systemen.

00:15:45: imagine, wenn du deine Muskeln stoppen hast.

00:15:48: Sie würden Atrophy.

00:15:49: Du wirst weig geworden!

00:15:50: Auch die leichtste physische Exertion, wie beim Stärken, causiert dich zu breiten.

00:15:57: Und das ist natürlich den großen Gefängnissen, als es um die mentalen Tatsache kommt.

00:16:02: Wenn wir normalerweise unsere eigene mentalen Fakultäne öffnen, dann wird die menschliche Meinung in der Entdeckung atrophiert.

00:16:07: Und Menschen werden plötzlich nur wie Maschinen denken.

00:16:10: Wir müssen diesen Staat sicherlich überkommen oder nicht uns nicht erlauben zu fallen in den ersten Platz.

00:16:18: Und das ist sicherlich eine unserer wichtigsten Tatsache.

00:16:21: Wir dürfen regelmäßig betreffen, dass wir wirklich das technische System im Entdecken

00:16:27: verstehen.

00:16:28: Das ist sicherlich ein besonderes Ziel, wenn man effektiv mit der Artificial-Intelligence arbeiten kann, wo immer sie verwendet werden.

00:16:35: Jetzt, um zu rufen, habe ich noch eine sehr persönliche Frage.

00:16:39: Aus einem professionellen Standort bist du ständig mit der Optimisation und die Effizienz des Prozess- und Werkflöten beendet.

00:16:47: Was sieht das eigentlich aus in deinem persönlichen Leben?

00:16:51: Bist du immer auf Effizienten gefordert oder sagtest du manchmal, dass es gut genug ist?

00:16:55: Ich möchte nur, dass es ineffizient ist für eine Veränderung und lasse die Dinge schliessen.

00:17:00: Bevor ich Ihre Frage antworte, möchte ich Ihnen ein seemingly kleiner Detail zeigen, das eigentlich sehr wichtig ist zu mir.

00:17:06: Optimisation ist eine präzise mathematical Termin, die eine mathematische Optimization Funktion braucht.

00:17:12: Und wenn du den Optimum in diesem mathematischen Sinne gefunden hast, hast du einen bestimmten Degree von Effizienz.

00:17:17: Das Problem ist, dass es eine Rule ist, keine Optimisation für viele Probleme zu funktionieren oder die Optimisation nicht wirklich reflektiert.

00:17:25: Dies bedeutet, dass man in solchen Situationen nicht wirklich die Optimisierung sprechen sollte, sondern diese Systeme zu verbessern.

00:17:33: Und dann ist es meistens immer besonderlich, genauer was ein System aus dem Fall steht, das man eigentlich wollen möchte.

00:17:40: Aber zurück zur Frage!

00:17:42: Ich genieße Rowing auf der Saar, besonders in einer Ate.

00:17:45: Das ist ein krügeres Boot und wenn eine Ate gläubt, wie sie sagen, ist es sicherlich sehr, sehr leicht zu vergessen die Themen, die wir diskutieren haben.

00:17:54: Und in diesem Moment finde ich mich wünscht, dass das Boot über den Wasser immer rübergliede.

00:18:00: Das klingt toll!

00:18:01: Wir wünschen euch alle das Beste in vielen Gründen.

00:18:04: Nicht nur mit deinem Gehäuse, aber auch mit deiner Prozessoptimisation und vor allem mit der Anleitung von Fischer Technologie.

00:18:11: Es war sehr interessant zu hören, wie und wo ihr es benutzt.

00:18:15: Und wenn Sie, liebe Zuschauerinnen, gerne mehr über Professor Fettke's Forschung lernen wollen, dann fühlen Sie sich frei um die Website des Saarland Universitäts- oder den German Research Centre für Artificial Intelligenz zu checken!

00:18:28: Du findest die Links in unseren Shownoten.

00:18:29: Vielen Dank für das Lesen!

00:18:32: Und zu dir, Professor Fettke, vielen Dank für uns auf

00:18:37: Fischer Highlights.