WO2019092154A1 - Vorrichtung zur unterstützung eines benutzers an einem arbeitsplatz, verfahren und computerprogrammprodukt - Google Patents

Vorrichtung zur unterstützung eines benutzers an einem arbeitsplatz, verfahren und computerprogrammprodukt Download PDF

Info

Publication number
WO2019092154A1
WO2019092154A1 PCT/EP2018/080693 EP2018080693W WO2019092154A1 WO 2019092154 A1 WO2019092154 A1 WO 2019092154A1 EP 2018080693 W EP2018080693 W EP 2018080693W WO 2019092154 A1 WO2019092154 A1 WO 2019092154A1
Authority
WO
WIPO (PCT)
Prior art keywords
processing
layer
data
workstation
information
Prior art date
Application number
PCT/EP2018/080693
Other languages
English (en)
French (fr)
Inventor
Thorsten GRESSLING
Original Assignee
ARS Computer und Consulting GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ARS Computer und Consulting GmbH filed Critical ARS Computer und Consulting GmbH
Priority to EP18800608.4A priority Critical patent/EP3707651A1/de
Publication of WO2019092154A1 publication Critical patent/WO2019092154A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Definitions

  • the invention relates to a device for assisting a user in a workplace with:
  • the invention further relates to a method for operating the device and a computer program product. From CN 206058263 U a laboratory system is known in which
  • Data is collected at various lab workstations and passed through a network connection to a main terminal where the data is evaluated.
  • the well-known laboratory ⁇ system enables the central planning and evaluation of laboratory examinations from the main terminal and therefore enables efficient use of laboratory resources.
  • the invention is therefore an object of the invention to provide an improved device for supporting users at workstations.
  • the data processing system is set up to detect operations at the workplace, which involve the implements, by means of the implements and / or the input ⁇ unit. These operations can be either actions performed by the user in the workplace or events related to the applications of the implements.
  • the verarbei ⁇ treatment plant is further adapted to recognize by means of a new processing component romorphen a situation and outputting on the basis of the detected situation, a message to the user. The device is thus able to assist the user depending on the situation in an effective manner.
  • the data processing system has at least one processing layer, each having at least one assembly in which a proces ⁇ processing unit is formed with at least one neuromorphic processing ⁇ component.
  • the structuring into different processing layers enables the different processing layers to be trained separately for the respective tasks.
  • the processing speed in The different processing levels vary according to the tasks to be performed and adapted to the respective tasks.
  • the processing ⁇ unit which is equipped with at least one neuromorphic processing ⁇ component has, additionally at least an algorithmic processing component that cooperates with the neuromor ⁇ phen processing component.
  • the processing component algorithmic see particular can take Routineaufga ⁇ ben that run according to fixed rules or take the place of neuromorphic processing component, so long as the ⁇ neuromorphic processing component is not fully trained or if it fails.
  • the assembly may be switched from an operating mode to a learning mode.
  • a compositor may pressurize the neuromorphic processing component with training information and an evaluator in response to the generated by the processing component neuromorphic response generate a rating and thereby pressurize the neuromorphic processing ⁇ component. Based on this feedback, the neuromorphic processing component can be effectively trained.
  • each processing layer at least one module can receive over a communication channel Situationsin ⁇ formations of a lower-level module and send it to a higher-level module and received over a wide ⁇ ren communication channel instruction information from the parent module and send to the subordinate construction ⁇ group. In this way, the flow of information from the devices through the data processing system and back to the devices is back.
  • the module can furthermore have a situation memory which is located upstream of the processing unit, in which situation information from the subordinate module can be stored, and / or have an instruction memory which is preceded by the processing unit and in which instruction information can be stored from the superordinate module, so that the situation information and instruction information Persistent processing unit.
  • the compositor may generate the Trainingsinformatio ⁇ NEN based on information that is extracted from the situation memory and / or instruction memory.
  • the compositor can also generate the training information himself.
  • the evaluator may then in response to the data generated by the neuromorphic processing component situa ⁇ tion information and / or instruction information generating evaluation and neuromorphic processing component apply to the assessment.
  • the processing unit can be equipped with a
  • Database are stored in the processing rules for the processing of the situation information and / or the instruction information.
  • the processing rules stored in the database can be used to adapt and control the behavior of the module.
  • the processing unit is typically result in the processing of the situation information in response to the instruction information in order to enable in this way the higher-level application layer to influence the loading ⁇ processing of the situation information and the derivation of instructions for the subordinate processing layer.
  • the data processing system has a device layer underlying the at least one processing layer and configured to communicate with the device Work tools exchange data, wherein the lying above the device layer processing layer newly added Ar ⁇ beits réelles automatically recognizes a device catalog. Since the user does not have to act on his own to integrate the work tools into the device, this represents a considerable amount of work for the user.
  • the input unit can comprise a camera and the data processing system can be set up to generate data for recognizing the situation from the images supplied by the camera by means of image recognition.
  • the user may also control the device by gestures.
  • the camera along with a subordinate
  • the image recognition may be carried out in a temperature above the device layer processing layer for signal ⁇ processing, further also Legrich- is tet, due to the recognized situation necessary for commissioning ⁇ acceptance of the newly added implement, since ⁇ th from the run in a database Read device catalog.
  • the device may be a white ⁇ tere processing layer for reactions and also have a processing layer for conclusions on the processing layer for signal processing, whereby faster with the processing layer for reactions in comparison with the processing layer for Conclusions
  • Control commands for the tools and / or the Ausgabege ⁇ councils can be generated as to the processing means for Conclusions. In this way it is ensured that the device can respond quickly when needed to the acts of loading user and other events in the workplace and is also able to draw complex reasoning ⁇ conclusions because of the situation information itself if more time is needed. In addition, it is possible to carry out the training of the neuromorphic processing component separately for simple but rapid reactions and complex but lengthy conclusions, which also facilitates troubleshooting.
  • the device may have an uppermost processing layer to which several workstations are connected. This embodiment allows the coordination of different workplaces.
  • the devices associated with the various workstations can be centrally monitored and controlled so that the messages to the user also take into account the workstation overlapping situation.
  • the output of the messages to the user can be made acoustically or by the presentation of information on a visual display.
  • the output unit of the device may also include a projector that can be projected instructions for the user to the workplace, so that the user understands any instructions of the device simp ⁇ cher and faster.
  • the device is particularly suitable for jobs that serve the material processing and / or material examination.
  • Figure 1 is a device for a workplace for material processing and / or material examination or generally for the performance of technical, chemical, physical or medical engineering studies;
  • Figure 2 is a representation of the basic architecture of the associated data processing
  • Figure 3 is a representation of the structure of an assembly of
  • FIG. 4 shows a representation of the varying proportions of algorithmic logic and artificial intelligence in the processing layers, as a function of the level of abstraction or layer;
  • Figure 5 is an illustration of the architecture of Figure 2 for an embodiment with four processing levels
  • FIG. 6 shows a representation of possible data and information flows in the embodiment from FIG. 5.
  • FIG. 1 shows a device 1 for the support of one or more human users 2 at a workstation 3 for material processing and / or for material examination or generally for carrying out technical, chemical or physical examinations.
  • Workstation 3 can be located in a room where these examinations are carried out. It can be a laboratory, a technical center or an examination room. At this workplace 3, studies in the field of natural sciences, medicine and technology are to be carried out. There are usually various experiments, process controls, quality controls, tests and measurements performed. This will be materials and Products examined as well as optional products manufactured in small quantities.
  • Examples of this type of workstation 3 can be: scientific laboratories such as chemical and pharmaceutical
  • the processes can be a sequence of macro-process steps, which in turn are composed of micro-process steps. Examples of a macro process step are "Get Material” or "Titanium pH”. Examples of micro-process steps are " ⁇ a device switch” or "Agent X move from a location A to a location B”.
  • these activities have a manual part that is performed by user 2 to perform these well-defined activities.
  • these activities have a manual part that is performed by user 2 to perform these well-defined activities.
  • three fully automated systems such as those used in large-scale production or jobs with not accurate enough defi ⁇ ned steps as in a bakery or a psychotherapy practice.
  • the interaction of the device 1 with the user or users 2 is adapted to the human user 2 in such a way that the device 1 is not perceived by the users 2 as a machine.
  • This property of the device 1 is achieved in that the device 1 comprises a data processing system 4 which exhibits features of the so-called artificial intelligence.
  • the data processing system 4 From the physical construction to the data processing system 4 comprises hardware components that are suitable for performing algo ⁇ rithmischer logic or artificial intelligence, or a combination of both. These hardware components are connected to each other ver ⁇ through a network. 5
  • the network 5 may comprise a direct connection or a local or world-wide data network, the connection being wired or wireless as required.
  • Hardware components may be one or more computer 6 in which it can a personal computer, or a combination thereof, for example, a server and / o ⁇ , which are interconnected via the network.
  • one or more Schwarzge ⁇ boards 7 of the device 1 may comprise hardware components, which are suitable for executing algorithmic logic or artificial intelligence. These components are then just ⁇ if considered to be part of the data processing system 4.
  • IoT Internet of Things
  • FIG. 1 shows various examples of the workstation devices 7 on a work surface 8.
  • the workstation equipment 7 comprise a number of working devices 11, which are typical for the respective workstation 3 process steps are executed.
  • the data processing system 4 may be used as input devices 9 comprise one or more keyboards 12, with or without a mouse and / or as akusti ⁇ specific input devices 9, one or more microphones. 13 Furthermore, the user 2 can non-verbally communicate with the system via gesture recognition or via the evaluation of the images delivered by a camera 14. It is also possible to control the device 1 in a non-verbal form by way of a cognitively interpreted brain activity measured by means of electroencephalography (EEG). Can be used as audio-visual output devices 10 are used monitors 15, projectors 16 or speaker 17.
  • EEG electroencephalography
  • this output devices 10 can be output to the user two hand ⁇ development recommendations, for example, by the projectors 16, the space 3 existing in the labor and be currently used tools 11 mark with a ray of light.
  • the space 3 existing in the labor and be currently used tools 11 mark with a ray of light.
  • personal devices such as spectacles, not shown in Fi gur ⁇ 1 with projection for augmented reality.
  • personal devices such as a smart phone or a tactile feedback device such as smartwatch, fitness bracelets, or the like may also be used on the user 2.
  • the input devices 9 and the output devices 10 can also form a physical unit.
  • Such input devices 9 and output devices 10 are typically bound a ⁇ via a wired or wireless local data link in the data processing system. 4
  • a plurality of user 2 operates as the device 1 can distinguish the user 2 and assigning the respective personal data environment, such as formulation requirements ⁇ or records of the data, the respective user 2 and the work context. If, for example, the user 2B goes to a high-performance liquid chromatography unit previously used by the user 2A, then when 2B arrives, the corresponding presettings of user 2B are loaded there. Another example is the assignment of measurement data to the respective customer for an optician.
  • the customer the user 2 which passes through various measuring stations and at each measurement site has its virtual patient record this in context - other than to adjust the glasses where all UN tersuchungshunt the optician in the final Bera ⁇ tung conversation on a tablet computer display become.
  • the device 1 comprises further working devices 11, which may be connected to the data processing system 4 via the network 5.
  • Some tools 11 may also be incorporated with no direct data connection to the data processing system 4 in the Vorrich ⁇ device 1, such as a conventional analog heater 18.
  • the apparatus 1 via one or more associated with the data processing system 4 cameras 14 has, by executed by the data processing system 4 such image recognition, with the data processing system 4 in terms of data not verbun ⁇ dene tools 11 and detect and recognize their use.
  • the implements 11 may be various devices with or without sensors: for example, a conventional analog heater 18, the setting and use of which is visually detected and cognitively evaluated by the camera 14, a modern thermometer 19 with up-to-date hardware to execute processing logic, either algorithmically or via artificial intelligence, and which is integrated via the network 5 in the rest ⁇ Liche data processing system 4, connected via the network 5 to the data processing system 4 power supply 20, connected via the network 5 with the data processing system 4 balance 21 with optional camera for Glassware for chemistry experiments used, such as test tubes, instru: goods identification, such as a barcode, or over the network 5 connected to the data processing system 4 from ⁇ train 22 more for this kind of job
  • three typical working ⁇ device 11 may for example be ⁇ me n opticians such as the lenses of an optician, ver
  • the Ar ⁇ beitsmaschine 11 may be provided with an optical or a radiofrequency readable ID that facilitates the identification, and thus the evaluation of the use of tools. 11
  • the Ge ⁇ councils may be attached by means of converters, in which a field bus is used and / or protocols as the KNX be used. No specifications are made regarding the topology of the fieldbus or the protocol of the fieldbus
  • the exact number and positioning of workstation equipment 7, the measurement and observation data from the data processing system 4 are evaluated cognitively is, so choose and optimize the information space needed sufficiently and as homogeneous as possible, without überze ⁇ ssige ups and Depths of information density, is covered.
  • the cameras 14 required for situation detection are to be mounted in such a way that they cover all relevant points of the workstation 3.
  • the data processing system 4 has an architecture, the basic structure of which is shown in FIG. In general it comprises a device layer 30 which comprises the Ar ⁇ beits marator 11 of the work station 3 as data sources, as well as the input devices 9 and output devices 10 for the direct interaction with the user. 2
  • the devices Gl and G2 each contain the modules MO .1 and MO .2;
  • device Gmo in FIG. 3 does not include such a subassembly M0.m 0 .
  • the architecture comprises one or more processing layers 31, which are designated in FIG. 2 as processing layer M1 to Mn.
  • the internal structure of the assemblies Mi. j will be explained below with reference to FIG.
  • Each processing layer Mi processes the data supplied from the underlying processing layer M (il), interprets them and synthesizes them into larger contexts of meaning. Every higher layer processing of the Mi proces ⁇ Anlagentungs füren Ml to Mn can therefore optionally also with multiple instances of the modules 32 of an adjacent lower processing layer M (il) to be connected.
  • the processing layer M1 concentrates the communication with a plurality of devices, each with or without an assembly MO. j, 30 from the device layer Analogously, the proces ⁇ tung layer Mi communication with a plurality of modules M (il) .j in the processing layer M (il) bundle. If several of these processing layers M1 to Mn are present in a specific system, then these address different abstraction levels of the data processing and the controller.
  • the processing layer Ml which sits directly on the device layer 30 thereby is the most concrete processing layer 31.
  • the processing based on it ⁇ layers Ml to Mn are more abstract. With increasing mendem distance from the device layer 30 thus increases the degree of abstraction ⁇ tion of the processed in the processing layer Mi o- the information generated.
  • Each two adjacent processing layers Mi and M (il) and the lowest processing layer Ml and the devices ⁇ layer 30 are connected through communication channels 33 and 34 of the miteinan ⁇ .
  • the white block arrows in Figure 2 illustrate the communication channels 33 for data or calculation results, which each lower processing ⁇ layer 31 or the device layer 30 as documentation of a measured or interpreted by their situation to the next higher processing layer 31 provides, as inputs to the calculations ,
  • the higher processing layer 31 in turn is determined by their calculation results of the adjacent underlying processing layer 31 or device layer 30 also as an input available than ⁇ In constructions in the sense of control information.
  • the communication channels 34 for instructions are illustrated in Figure 2 by black block arrows.
  • Each assembly 32 in the device layer 30 and the proces ⁇ tung layers 31 has the internal structure shown in FIG. 3
  • Each module 32 receives input data via the two Kiru ⁇ nikationskanäle 33 and 34: a communication channel 33 for the measurement data or the interpreted situation from the bottom of the next lower processing layer 31 or the device layer 30, and a communication channel 34 for the instructions from the top of the next higher processing layer 31
  • a communication channel 33 for the measurement data or the interpreted situation from the bottom of the next lower processing layer 31 or the device layer 30, and a communication channel 34 for the instructions from the top of the next higher processing layer 31
  • the device layer 30 and the top processing layer 31 form special cases because they have only one upper or lower adjacent processing layer 31.
  • For i 0 he ⁇ holds the module MO. j the input data from below directly from the meter Gj, on its hardware MO. j is executed.
  • the incoming data is stored within the assembly 32.
  • the measurement data received from below from the processing layer M (il) or the interpreted situation is persisted in a situation memory 35.
  • the instructions incoming from the top of the processing layer M (i + 1) are persisted in an instruction memory 36.
  • the situation memory 35 and the instruction memory 36 may be either symbolic or subsymbolic in nature.
  • the situation memory 35 and the instruction memory 36 may also have separate memory areas for memory contents of symbolic and subsymbolic nature.
  • the assembly 32 includes a knowledge database 37. This is filled initially from outside of the assembly 32 with explicit knowledge, crizspiels- example in the form of control systems via physical Grundge set ⁇ .
  • the module 32 includes as the fourth persistent memory an audit-proof, permanent logbook 38. This is only described within the module 32, but not read out. However, it can be read from outside the assembly 32. In this log 38 logs the corresponding assembly 32, the itself is part of device 1, automatically everything, so for example all inputs, calculations, outputs, feedbacks to the knowledge database 37 of the assembly 32, or changes of weights in a neural network of the assembly 32. From the resulting data amount are poten ⁇ ziell different Results derivable.
  • the core of the module 32 is the processing unit 40.
  • This is realized by a combination of an algorithmic processing component 41 with algorithmic logic and ei ⁇ ner further neuromorphic processing component 42 with artificial intelligence.
  • the proportions of the two processing components change depending on the level of abstraction of the associated processing layer 31. While in the processing unit 40 on the lower, ie the kon ⁇ tary processing layers 31 outweigh the proportions of the algorithmic logic, are in the higher, so the more abstract processing layers 31, as illustrated in Figure 3, the proportions of artificial intelligence in the foreground.
  • the neuromorphic processing components 42 of the processing unit 40 in which artificial intelligence concepts and techniques are implemented and which include, for example, neural networks or a combination of different topologies of neural networks, implicit knowledge of the processing unit is in the weights and parameters of these neural networks 40, which influences the specific course of the processing mechanism and thus also the results.
  • the algorithmic processing component 41 and the neuromorphic processing component 42 may interact in the processing unit 40 in various ways. In particular ⁇ sondere they can in any order and intermixing research be connected in series or also work concurrently.
  • thermometer 19 represents the thermometer 19 from Fi ⁇ gur 1, in which an algorithmic processing component 41 detects whether the measured value exceeds a certain threshold ⁇ value, and in this case the measurement data of the thermometer 19 is forwarded to its neuromorphic processing component 42 so that it recognizes the current situation from the course of the previous measurement data.
  • An embodiment for the in-line switching of the neuro ⁇ morphing processing component 42 and the algorithmic processing component 41, that is in reverse order to the preceding embodiment, is on a proces ⁇ beitungs für Mi above the device layer 30, the analysis of measurement data of various implements 11 by a Neural network in the neuromorphic processing component 42, which identifies and classifies on this basis, the situation in which just analyzed Operaaus ⁇ section of device 1 is currently.
  • This Klassifika ⁇ tion result so the information on the realized Situational ⁇ tion, is then component in the algorithmic cookedskompo- pass 41, which then handles the predefined procedure for treatment of such situations.
  • a first algorithmic processing component 41 and a further neuromorphic processing component 42 with a following, connected in series, second algo- rithm processing component 42.
  • rithmischen processing component 41 is abutme ⁇ mechanism, in which a first algorithmic cookedskom ⁇ component 41 and the neuromorphic processing component 42 depending ⁇ wells in itself evaluate measurement and device data and made to this basis, each for itself classify the current situation. Based on this compares a downstream second algorithmic processing component 41 determines whether the results obtained coincide and how ge ⁇ is optionally proceed.
  • the embodiments described herein are to be understood in ⁇ way of example, and the algorithmic skilletskompo ⁇ component 41 and the neuromorphic processing component 42 were selected with artificial intelligence to better understand the interaction. Basically, the algorithmic processing component 41 and the neuromorphic processing component 42 may be combined in any manner.
  • the processing unit 40 processes inputs from three different sources: the input data stream El from the situation memory 35, the input data stream E2 from the instruction memory 36, and the input data stream E3 from the knowledge database 37.
  • the assembly 32 comprises two further components, namely a compositor 43 and an evaluator 44, which can be used during the training of the processing unit 40.
  • the amount ⁇ impaired data paths are marked in Figure 3 by dashed and ge ⁇ scored lines.
  • the compositor 43 can, on the one hand, extract information Sr from the situation memory 35, reassemble it and restore it to the situation memory 35 as training data. On the other hand, the compositor 43 can also generate new information Sg in the sense of a simulator and load it into the situation memory 35. Both also applies to information Ir and Ig from the instruction memory 36. From the compositor 43 in the situation memory 35 and the instruction memory 36 provided training data EIT and E2T be processed by the processing unit 40 in the training ⁇ mode and the two resulting Ant ⁇ words A1T and A2T sent to the evaluator 44.
  • the evaluation result generated by the evaluator 44 will eventually played back to the neuromorphic processing component 42, for example at a about coaching neural network in the neuromorphic processing component 42 and influenced there the one hand, the weights of the individual compounds in this neural network and on the other hand, the topology of the neuro ⁇ dimensional network by adding or removing pathways (corresponding to the dendrites in a human brain) in the neural network.
  • the evaluation of the result generated by the neuromorphic processing component 42 on the basis of the training data is carried out on the basis of goals and evaluation guidelines which are defined by rules. These specify which Krite ⁇ rien of the training result should be evaluated as "good” - For example, minimizing costs or maximizing security.
  • the rating corresponds to an ontological-semantic mapping to this rule catalog. If a data processing system 4 comprises several modules implemented according to the blueprint in FIG. 3, the evaluators 44 in the individual modules each have their own, module-specific rules. The respective rules can also be stored in the database 37.
  • the compositor 43 and the evaluator 44 are usually active in the assembly 32 only when the processing unit 40 of the assembly 32 is trained. In the productive mode of the processing unit 40, however, they are generally not active.
  • the device 1 knows the four states: "Ready to work”, “Learn”, “Maintenance” and “Off”.
  • the process of learning can take place in the entire device 1 only in the state “learning”, ie in particular not when the device 1 is in the " ready to work” state.
  • a second device 1 can be used to take over the learning process for a first device 1, wherein the learning process takes place on a copy of the respective situation memory 35 and instruction memory 36 and the knowledge databases 37 of the first device 1, so that only in a short phase of loading (state "maintenance") the first device 1 is not available.
  • Figure 5 shows a concrete embodiment of the architecture of the device 1 with four processing layers 31 and the
  • Device layer 30 the processing layer Ml for signal ⁇ processing, the processing layer M2 for reactions of the processing layer M3 for conclusions and the processing layer M4 for organization.
  • the processed bundles beitungs für M4 optionally communicate with meh ⁇ reren jobs and processing the data of sev- reren further jobs 3, which are referred to in Figure 2 with "workplace 2" to "workplace k” and which are also constructed on the same principle. These jobs 3 do not have to be the same. Different workstations 3 can therefore be connected to the processing layer M4 for organization.
  • the processing ⁇ layer M4 for organization must be set so that it bears the justified in the diversity of the connected workstations 3 complexity bill.
  • the rules stored in the knowledge database 37 must take into account all types of connected workstations 3.
  • the size and topology of the neuromorphic processing component 42 in the processing unit 40 of the processing layer M4 for organization must be selected to suit the size and complexity of the overall device 1, so that the processing layer M4 is not undersized.
  • further processing layers M2, M3, M4 and optionally further processing layers 31 extends the performance of the device 1.
  • further processing layers 31 beyond the processing layer M4 are also conceivable, analogous to the basic architecture in FIG. 2.
  • the division into FIG the processing layers M1 to M4 are based on the cognitive experiential space of humans and can be changed in their cutting to newer findings.
  • the data processing system 4 for these four layers of processing includes not only the device layer 30 31 four assemblies 32: an assembly 51 for the signal processing in the processing ⁇ layer Ml, an assembly 52 for reactions in regard to the processing ⁇ tung layer M2, an assembly 53 for conclusions in the processing layer M3 and an assembly 54 for Organization ⁇ sation in the processing layer M4.
  • the white block arrows represent the rising of the device layer 30 to the module 54 information flow of precisely measured ⁇ nen or interpreted situations. They are equipped with Sl to
  • Each of the four processing layers Ml to M4 and each of the assemblies MO. j in the device layer 30 has portions in its processing unit 40 based on machine learning or subsymbolic processing with the respective neuromorphic processing component 42.
  • the assemblies MO. j these are implemented directly within the respective device Gj.
  • Each assembly 51 to 54 can implement this processing ⁇ unit 40 locally or take 5 services of the computer 6 in claim through the network.
  • the amount of abstraction increases from the device layer 30 and the assemblies MO. j via the module 51 to the module 54 with the transition from symbolic to subsymbolic processing.
  • the top two assemblies 53 and 54 are completely subsymbolic.
  • a neuromorphic processing component 42 in particular in the form of a neural network.
  • the device layer 30 and the assemblies 51 to 54 fulfill the following tasks:
  • the device layer 30 is used to connect the implements 11 and the input devices 9 for the direct user interaction ⁇ tion, such as the keyboard 12, the camera 14, or the microphone 13, and provided for output output ⁇ devices 10 such as the speaker 17, of the Moni ⁇ sector 15 or the projector 16.
  • the device layer 30 may be present a connection to the conventional information technology, for example via a field bus, and thus the connection to the technology of a conventional workstation be accomplished.
  • the device layer 30 are over a non-predetermined
  • the workstation equipment 7 of the device layer 30 log automatically to the assembly 51, which forms the processing ⁇ layer Ml for signal processing.
  • the knowledge database 37 of the assembly 51 contains information about the attachable workstation devices 7 and their functionalities, in the sense of a service catalog.
  • the package 51 which realizes the signal processing processing layer Ml serves as a cognitive recording and reproducing layer for audiovisual signal processing such as seeing and hearing with respect to observation of the signal processing Operations that take place at the workplace 3, wherebystä ⁇ term recognition services are provided, and not only on the visual and auditory input devices 9 and output ⁇ devices 10.
  • the provided with sensors or actuators work 11 are considered as possibilities of sensory perception and used for communication with the user 2.
  • cognitive evaluations are also carried out. For example, for the thermometer 19, results such as "temperature curve rises very quickly" or "nothing happens for a long time" can be generated.
  • thermometer 19 Due to this in the neuromorphic processing component Runaway ⁇ led 42 cognitive evaluation of the measurement data of the thermometer 19, the flow of information from the thermometer 19 is ten kausstrom 4 to a cognitive channel to the DA, analogous to the cognitive channel of visual perception. Information that needs to be merged to recognize a cognitive context is bundled into an associated cognitive channel.
  • the implementation of the measurement data and monitoring data from the device layer 30 in cognitive channels with which may be accompanied by a bundling, separation and renaming of the data used for the communication with the devices Gl to CMO represents an abstraction in the processing layer Ml. This he ⁇ facilitates the processing in the overlying processing layer M2 and makes the device 1 independent of changes in the device layer 30.
  • the information of the cognitive channels are forwarded via the information flow S2 to the overlying module 52 of the processing layer M2 and persisted there in the situation memory 35 of the module 52 ,
  • An important function of the assembly 51 is the self-recognition of the devices in the device layer 30, in particular the Ar ⁇ beits marmaker 11. This means: Whatever the device 1 new is automatically added to Vorrich ⁇ tion 1 and must not be installed or configured.
  • a performance catalog is kept in the knowledge database 37 of the assembly 51, in which all devices and device classes with their characteristics and possibilities are entered.
  • the camera 14 with downstream image recognition can support the detection of newly introduced into the device 1 workplace devices 7.
  • the information flows from the recognized workstation devices 7 flow as inputs Sl.j in the assembly 51 to the processing ⁇ tung layer Ml for signal processing.
  • the instructions for the underlying device layer 30 calculated in the module 51 flow back as technical instruction via the channels Il.j into the corresponding devices Gj.
  • the assembly 52 for reactions which realizes the processing layer M2 for reactions serves predominantly regelba ⁇ overbased and reflexive control with predetermined Listemus- tern and reaction patterns.
  • this module provides 52 with the aid of machine learning the ability to simp ⁇ chen conclusions and complex dialogs and the diagram of a simple semantic context.
  • About the assembly 52 also takes place communication with other information technology systems.
  • Assembly 52 for reactions, an evaluation of the information acquired in the module 51 for the signal processing takes place.
  • the vast majority of this control is algorithmic-static and is done using the associated algorithmic processing component 41 the module 52 implemented so-called capabilities. These follow process descriptions for specific action contexts. These capabilities are mostly implemented on the basis of rules in fixed algorithms. These rules are stored in the knowledge database 37 of the assembly 52. However, portions of the abilities can already be based on machine learning in the assembly 52 and use the neuromorphic processing component 42 of the assembly 52 for this purpose.
  • Assembly 52 contains the primary security guidelines of workstation 3, which should not be overridden by overlying processing layers 31.
  • the history of an object be ⁇ records while the sequence of linked activities with this object.
  • the activities depict the relationships between the objects in the form of actions and dependencies between the objects.
  • the activities can have a multi-level hierarchy: activity groups, macro activities, and micro activities. For example, a microactivity is a single handle in the parent macro activity "Weighing".
  • Assembly 52 implemented capabilities form. Depending on the action contexts capabilities produce reactions that are passed in the form of concrete Kognitiva and action commands via the channel for the instructions 12 to the underlying assembly 51 for the Signalverarbei ⁇ tung Ml. This information is stored in the module 51 in the instruction memory 36.
  • the processing unit 40 of module 51 processes these instructions further, integrated with the measurement data and device data from the situation memory 35 of the assembly 51, and then passes them via the channels II to the devices in the device. Tetik 30 integrated into the device 1 workstation 7 back.
  • the assembly 53 which implements the inference processing layer M3
  • conclusions are drawn and action instructions generated based on the information present in the situation memory 35, the instruction memory 36, and the knowledge database 37 of the assembly 53.
  • the generated instructions are returned via the channel for instructions 13 to the subassembly 52 underneath, where they are stored persistently in their instruction memory 36.
  • the conclusions on the situation are, however, passed a flow of information to the overlying module 54, which realizes the processing layer M4 for organizational and stored there persistent in their Situations ⁇ memory 35th
  • the device 1 behaves such that the user 2 does not have the impression of interacting with a machine.
  • the assembly 53 generates the identity, that is, the We ⁇ sen the device 1. Due to the operation of the ⁇ construction group 53 is communicated from the device 1 out so with the Benut ⁇ zer 2 that the behavior patterns of the data processing system 4 not of which a person is differentiated .
  • the module 53 is connected to a specific application scenario (for example "laboratory”, “optician”, “operating room”, etc.) customized quality Turing test.
  • the behavior of the assembly 53 is determined by the data stored in its Wis ⁇ sens Scheme 37 rules.
  • the knowledge database 37 of the assembly 53 contains rules that determine the behavior of the data processing system 4 in relation to the operator 2. The creation of these rules therefore requires special care for ethical reasons.
  • the behavior patterns are learned, are generated by a combination of conventional algorithmic processing components 41 and neuromorphic processing components 42, in particular a neural network of the assembly 53, and are based on concrete symbolic rules.
  • the weights of the parameters that control the neuromorphic processing component 42, and thus determine the behavior of the assembly 53, can be managed similarly to a program code and thus loaded into the device 1 from outside in versions.
  • the assembly 53 generates two output currents.
  • the information in Issue AI on the "Situation” relates to the situation at the workplace 3 and the conclusions and conclusions drawn from it in the assembly 53. They are transmitted via the channel S4 to the next higher assembly 54 for the organization and persisted in their situation memory 35.
  • the output A2 with the instructions is transmitted via the channel 13 to the underlying module 52 and stored there in the instruction memory 36. These instructions flow into assembly 52 in their calculations of responses, triggering appropriate actions and microactions there. These can trigger actions into the information technology systems that are connected to the assembly 52, for example an order process for a material that is about to run out. More communicated over the Lie including constricting layers including the device layer 30 as a hand ⁇ development recommendations to the user.
  • the assembly 54 implements the processing layer M4 for organization.
  • the concrete situation at the workplace 1 supported by the device 1 only plays a subordinate role. Rather, it is about the processing of information about the general situation.
  • the data are evaluated, which are supplied by multiple workstations 3, which are designated in Figure 5 with "workstation 2" to "workplace k", the evaluation is carried out in particular across workplaces.
  • the jobs will be controlled by three übergeordne ⁇ th criteria and planned resources together and used. This procedure can refer to any ⁇ together assortment of drugs and jobs. 3 In particular, these jobs 3 need not be similar.
  • the information exchange with the sub-assembly 53 of the in-process processing layer M3 associated with the individual work stations 3 is uniform.
  • the processing unit 40 of the assembly 54 comprises an algorithmic processing component 41 and a new romorphe processing component 42, the latter weighing about ⁇ .
  • the neuromorphic processing component 42 behavior patterns are trained on the basis of concrete symbolic rules.
  • the assembly 54 behaves ent ⁇ properly learned content.
  • the evaluator 44 in the assembly 54 is a set of symbolic rules and Geset ⁇ zen basis.
  • the processing layer M4 for organization realized by the assembly 54 is to be understood as an analogy to the human community, the collective.
  • the Re ⁇ gelwerk that the assembly 54 underlies the evaluator 44 set by the owners of various jobs 3.
  • Each of these jobs for 3 comprises an egg ⁇ gene device layer 30 and modules 51 to 53.
  • the purchase settlement ⁇ pulpal the module 54 is broken down according to several owners.
  • the assembly 54 need not be mandatory before ⁇ handen.
  • the device 1 is already executable with a device layer 30 and the assembly 51, with still very simple functionality. With the addition of the assembly 52 and optionally assembly 53 and optionally Bau ⁇ group 54, the power spectrum of the device 1 expands accordingly.
  • Figure 6 is illustrated by a concrete example of the flow of information processing in the device 1 with the architecture of FIG 5. 6 This illustrates figure by way of example with reference to a specific execution ⁇ example of the device 1 and based on a specific situation and on the basis of a specific process step on Workstation 3, the information flows occurring between the processing layers 31 in their time sequence.
  • the information on the chronology is in the first column.
  • the device 1 has a number of input devices 9, some outputs. beoop 10 and some tools 11.
  • the associated Ar ⁇ beitsplatz 3 is located in a chemical laboratory.
  • thermometer 19 a heater 18 (Koch ⁇ plate, oven) and three cameras 14 (CAM1, CAM2, CAM3) as input devices 9 and a speaker 17 (LSP) and an e-mail connection as output device 10 or IT service available.
  • a user 2 is at work 3.
  • Temperature measurements and the position of the recognized user 2 in a time slice 1 are transmitted from the device layer 30 to the signal processing processing layer M1.
  • thermometer 19 is a cognitive interpretation, namely "rise” and "steep rise” generated. This information is passed via S2 to the processing layer M2 for reactions.
  • time slice 3 the incoming information on a situation is synthesized in the processing layer M2 for reactions. This is already quite extensive in this small example, but still symbolic in nature. It should be noted that in the processing layer M2, feedback of simple rule-based decisions about 12 to the processing layer M1 could already be made, such as safety instructions or immediate reactions. However, this is not necessary in the ⁇ sem example.
  • the information about the situa ⁇ tion is forwarded via S3 to the processing layer M3 for final ⁇ clusions.
  • time slice 4 the processing layer M3 for
  • the Vorrich ⁇ device 1 concludes from the situation that relationships between the non-compliance of the formulation procedure (DOE 89), the objects in the laboratory (thermometer 19, heater 18) and the user 2 are made as an available capacity to act resource.
  • the reaction is generated, which in this case consists of a single- fold action recommendation, which is transmitted via 13 to the processing layer M2.
  • this reaction via Re ⁇ rules is in a specific action implemented (time slice 5) and finally handed over to the processing layer Ml for signal ⁇ processing to the device layer 30, specifically to the speaker LSP, which in time slot 6 the operator to Correction of the oven temperature is recommended.
  • the method example is not yet finished, because the finding from the processing layer M3 is also interpreted in the higher-level processing layer M4, but more expansively: Due to the situation communicated via the information channel S4, it is noticeable that there is a systematic error. which is related to the formulation DOE 89. In the situation memory 35 of the processing layer M4, beyond this concrete situation, more and longer-term data are available which this
  • the finding is the processing ⁇ layers M3 and M2 (time slices 5, 6 and 7) down to the device layer, where the 30th
  • the findings from the processing layer M4 are enriched with a caring safety note. This would have taken from the processing ⁇ layer M2 on its own so can not be created.
  • the information present in the situation memory 35 of the processing layer M2 is addressed to the creator of the specification DOE 89.
  • the use of the device 1 offers various advantages. Below are some selected examples are ge ⁇ Nannt. Security:
  • Materials and working time can be better used. For example, the multiple execution of experiments is avoided. By learning the material consumption vo ⁇ out looking stocks can be optimized.
  • the handling of work equipment 7, materials and the right handles when working at the workplace 3 can be taught by means of the device 1 directly to the user 2.
  • the device 1 In response to a question during the work, the device 1 immediately supplies the appropriate information - whether by reading aloud, by a teaching video projected on the laboratory table or augmented by a pair of spectacles with a projection surface for augmented reality.
  • the device 1 automatically documents all facts and processing steps in the audit-proof log books 38, from which the experimental and evaluating parts of each publication can be generated at any time (assuming access authorization by the role "auditor”).
  • the data processing system 1 can ⁇ form a physical computing device or may be distributed as a logical unit across multiple physical Re ⁇ chenticianen. Parts of the data-can be implemented in hardware and / or software, and can be used in particular for the neuromorphic processing ⁇ components neuromorphic circuits that implement a neural network in hardware processing plant.
  • the operation of the device may be performed using a computer program product whose code is for the operation of the device described herein when the code is executed by a processor or a neuromorphic processing unit.
  • the code may be stored on a data carrier readable by the data processing system, such as a floppy disk, a compact disc (CD) or a digital versatile disc (DVD) or the like.
  • the computer program product may include code stored on a data store of a server or a group of servers.
  • the carrier can also be an electrical carrier signal which is used to transmit the code by a Ser ⁇ ver by downloading to a server.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

Es wird eine Vorrichtung (1) zur Unterstützung eines Benutzers (2) an einem Arbeitsplatz (3) beschrieben. Die Vorrichtung (1) verfügt über eine dem Arbeitsplatz (3) zugeordnete Datenverarbeitungsanlage (4), wenigstens eine am Arbeitsplatz (3) vorhandene und mit der Datenverarbeitungsanlage (4) verbundene Ausgabeeinheit (10), eine Eingabeeinheit (9) und eine Vielzahl von am Arbeitsplatz (3) vorhandenen und von der Datenverarbeitungsanlage verwalteten Arbeitsgeräten (11), die zur Ausführung der am Arbeitsplatz (3) ausgeführten Tätigkeiten verwendbar sind. Die Vorrichtung (1) zeichnet sich dadurch aus, dass die Datenverarbeitungsanlage (4) dazu eingerichtet ist, Vorgänge am Arbeitsplatz (3), die die Arbeitsgeräte (3) einbeziehen, mittels der Arbeitsgeräte (11) und/oder der Eingabeeinheit (9) zu erfassen, auf der Grundlage der erfassten Vorgänge mittels einer neuromorphen Verarbeitungskomponente (42) eine Situation zu erkennen und auf der Grundlage der erkannten Situation eine Nachricht an den Benutzer (2) auszugeben. Ferner wird ein Verfahren zum Betrieb der Vorrichtung beschrieben.

Description

Beschreibung
Vorrichtung zur Unterstützung eines Benutzers an einem Arbeitsplatz, Verfahren und Computerprogrammprodukt
Die Erfindung betrifft eine Vorrichtung zur Unterstützung eines Benutzers an einem Arbeitsplatz mit:
- einer dem Arbeitsplatz zugeordneten Datenverarbeitungsanlage,
- wenigstens einer am Arbeitsplatz vorhandenen und mit der Datenverarbeitungsanlage verbundenen Ausgabeeinheit zur Wi¬ dergabe von Information,
- wenigstens einer am Arbeitsplatz vorhandenen und mit der Datenverarbeitungsanlage verbundenen Eingabeeinheit, die al- lein dem Zweck dient, Daten an die Datenverarbeitungsanlage zu übermitteln,
- einer Vielzahl von am Arbeitsplatz vorhandenen und von der Datenverarbeitungsanlage verwalteten Arbeitsgeräten, die zur Ausführung der am Arbeitsplatz ausgeführten Tätigkeiten ver- wendbar sind.
Die Erfindung betrifft ferner ein Verfahren zum Betrieb der Vorrichtung und ein Computerprogrammprodukt. Aus der CN 206058263 U ist ein Laborsystem bekannt, bei dem
Daten an verschiedenen Laborarbeitsplätzen gesammelt und über eine Netzwerkverbindung an ein Hauptterminal weitergegeben werden, wo die Daten ausgewertet werden. Das bekannte Labor¬ system ermöglicht die zentrale Planung und Auswertung von La- boruntersuchungen vom Hauptterminal aus und ermöglicht daher die effiziente Nutzung von Laborressourcen.
Bei der Ausführung von Labortätigkeiten oder anderen Tätigkeiten mit wissenschaftlichem Charakter tritt häufig die Si- tuation auf, dass der Benutzer Unterstützung benötigt, entweder weil die Abläufe komplex sind und daher nur schwer zu be- herrschen sind, oder weil das präsente Fachwissen des jewei¬ ligen Benutzers nicht ausreicht, um die anstehenden Aufgaben bewältigen zu können. Diese Situation wird mit dem Fortschreiten der Technik immer häufiger auftreten.
Ausgehend von diesem Stand der Technik liegt der Erfindung daher die Aufgabe zugrunde, eine verbesserte Vorrichtung für die Unterstützung von Benutzern an Arbeitsplätzen zu schaffen .
Diese Aufgabe wird durch eine Vorrichtung, ein Verfahren und ein Computerprogrammprodukt mit den Merkmalen der unabhängigen Ansprüche gelöst. In davon abhängigen Ansprüchen sind vorteilhafte Ausgestaltungen und Weiterbildungen angegeben.
Bei der Vorrichtung ist die Datenverarbeitungsanlage dazu eingerichtet, Vorgänge am Arbeitsplatz, die die Arbeitsgeräte einbeziehen, mittels der Arbeitsgeräte und/oder der Eingabe¬ einheit zu erfassen. Diese Vorgänge können entweder Handlun- gen sein, die der Benutzer am Arbeitsplatz ausführt, oder Geschehnisse sein, die im Zusammenhang mit der Anwendungen der Arbeitsgeräte zu einem Arbeitszweck sein. Die Datenverarbei¬ tungsanlage ist ferner dazu eingerichtet, mittels einer neu- romorphen Verarbeitungskomponente eine Situation zu erkennen und auf der Grundlage der erkannten Situation eine Nachricht an den Benutzer auszugeben. Die Vorrichtung ist damit in der Lage den Benutzer situationsabhängig auf wirksame Weise zur unterstützen . Bei einer Ausführungsform verfügt die Datenverarbeitungsanlage über wenigstens eine Verarbeitungsschicht, die jeweils wenigstens eine Baugruppe aufweist, in der eine Verarbei¬ tungseinheit mit wenigstens einer neuromorphen Verarbeitungs¬ komponente ausgebildet ist. Die Strukturierung in verschie- dene Verarbeitungsschichten ermöglicht die verschiedenen Verarbeitungsschichten für die jeweiligen Aufgaben separat zu trainieren. Außerdem kann die Verarbeitungsgeschwindigkeit in den verschiedenen Verarbeitungsschichten entsprechend den zu erfüllenden Aufgaben unterschiedlich ausfallen und an die jeweiligen Aufgaben angepasst sein. Bei einer weiteren Ausführungsform verfügt die Verarbeitungs¬ einheit, die mit wenigstens einer neuromorphen Verarbeitungs¬ komponente ausgestattet ist, zusätzlich über wenigstens eine algorithmische Verarbeitungskomponente, die mit der neuromor¬ phen Verarbeitungskomponente zusammenwirkt. Die algorithmi- sehe Verarbeitungskomponente kann insbesondere Routineaufga¬ ben übernehmen, die nach festen Regeln ablaufen oder an die Stelle der neuromorphen Verarbeitungskomponente treten, so¬ lange die neuromorphe Verarbeitungskomponente noch nicht vollständig trainiert ist oder falls diese ausfällt.
Um die neuromorphe Verarbeitungskomponente zu trainieren, kann die Baugruppe aus einem Betriebsmodus in einen Lernmodus umgeschaltet werden. In dem Lernmodus kann ein Kompositor die neuromorphe Verarbeitungskomponente mit Trainingsinformation beaufschlagen und ein Bewerter in Reaktion auf die von der neuromorphen Verarbeitungskomponente erzeugte Antwort eine Bewertung erzeugen und damit die neuromorphe Verarbeitungs¬ komponente beaufschlagen. Anhand dieser Rückkoppelung kann die neuromorphe Verarbeitungskomponente auf effektive Weise trainiert werden.
Die in jeder Verarbeitungsschicht vorgesehene wenigsten eine Baugruppe kann über einen Kommunikationskanal Situationsin¬ formationen von einer untergeordneten Baugruppe empfangen und an eine übergeordnete Baugruppe senden und über einen weite¬ ren Kommunikationskanal Instruktionsinformation von der übergeordneten Baugruppe empfangen und an die untergeordnete Bau¬ gruppe senden. Auf diese Weise ist der Informationsfluss von den Geräten durch die Datenverarbeitungsanlage und zu den Ge- räten zurück gesichert. Die Baugruppe kann weiterhin einen der Verarbeitungseinheit vorgelagerten Situationsspeicher aufweisen, in den Situationsinformationen aus der untergeordneten Baugruppe speicherbar sind, und/oder einen der Verarbeitungseinheit vorge- lagerten Instruktionsspeicher aufweisen, in den Instruktionsinformationen aus der übergeordneten Baugruppe speicherbar sind, so dass die Situationsinformationen und Instruktionsinformationen der Verarbeitungseinheit persistent vorliegen. Auf diese Weise kann der Kompositor die Trainingsinformatio¬ nen anhand von Informationen erzeugen, die aus dem Situationsspeicher und/oder dem Instruktionsspeicher entnommen sind. Daneben kann der Kompositor die Trainingsinformationen auch selbst generieren. Der Bewerter kann dann in Reaktion auf die von der neuromorphen Verarbeitungskomponente erzeugten Situa¬ tionsinformationen und/oder Instruktionsinformation die Bewertung erzeugen und die neuromorphe Verarbeitungskomponente mit der Bewertung beaufschlagen. In jeder Baugruppe kann die Verarbeitungseinheit mit einer
Datenbank verbunden sein, in der Verarbeitungsregeln für die Verarbeitung der Situationsinformationen und/oder der Instruktionsinformation gespeichert sind. Durch die in der Datenbank hinterlegten Verarbeitungsregeln kann das Verhalten der Baugruppe angepasst und gesteuert werden.
Die Verarbeitungseinheit wird in der Regel die Verarbeitung der Situationsinformationen in Abhängigkeit von den Instruktionsinformationen durchführen, um auf diese Weise der über- geordneten Verarbeitungsschicht die Einflussnahme auf die Be¬ arbeitung der Situationsinformation und die Ableitung von Instruktionen für die untergeordnete Verarbeitungsschicht zu ermöglichen . In einer Ausführungsform verfügt die Datenverarbeitungsanlage über eine unter der wenigstens einen Verarbeitungsschicht liegende Geräteschicht, die dazu eingerichtet ist, mit den Arbeitsgeräten Daten auszutauschen, wobei die über der Geräteschicht liegende Verarbeitungsschicht neu hinzugefügte Ar¬ beitsgeräte selbsttätig anhand eines Gerätekatalogs erkennt. Da der Benutzer nicht selbst tätig werden muss, um die Ar- beitsgeräte in die Vorrichtung einzubinden, stellt dies eine erhebliche Arbeitserleichterung für den Benutzer dar.
Die Eingabeeinheit kann insbesondere eine Kamera umfassen und die Datenverarbeitungsanlage dazu eingerichtet sein, aus den von der Kamera gelieferten Bildern mittels Bilderkennung Daten zur Erkennung der Situation zu erzeugen. Bei dieser Ausführungsform kann der Benutzer die Vorrichtung beispielsweise auch durch Gesten steuern. Ferner kann die Kamera zusammen mit einer nachgeordneten
Bilderkennung auch dazu dienen, neu hinzugefügte Arbeitsge¬ räte zu erkennen. Die Bilderkennung kann in einer über der Geräteschicht liegenden Verarbeitungsschicht für die Signal¬ verarbeitung ausgeführt sein, die ferner auch dazu eingerich- tet ist, aufgrund der erkannten Situation die zur Inbetrieb¬ nahme des neu hinzugefügten Arbeitsgerätes erforderlichen Da¬ ten aus dem in einer Datenbank geführten Gerätekatalog auszulesen . In einer weiteren Ausführungsform kann die Vorrichtung über der Verarbeitungsschicht für die Signalverarbeitung eine wei¬ tere Verarbeitungsschicht für Reaktionen und darüber eine Verarbeitungsschicht für Schlussfolgerungen aufweisen, wobei mit der Verarbeitungsschicht für Reaktionen im Vergleich zu der Verarbeitungsschicht für Schlussfolgerungen schneller
Steuerbefehle für die Arbeitsgeräte und/oder die Ausgabege¬ räte erzeugbar sind als mit der Verarbeitungsvorrichtung für Schlussfolgerungen. Auf diese Weise ist sichergestellt, dass die Vorrichtung bei Bedarf schnell auf die Handlungen des Be- nutzers und andere Geschehnisse am Arbeitsplatz reagieren kann und gleichzeitig in der Lage ist, komplexe Schlussfolge¬ rungen aufgrund der Situationsinformation zu ziehen, selbst wenn dafür mehr Zeit benötigt wird. Außerdem ist es möglich, das Training der neuromorphen Verarbeitungskomponente auf einfache, aber schnelle Reaktionen und komplexe, aber lang¬ same Schlussfolgerungen getrennt durchzuführen, was auch die Fehlersuche erleichtert.
Die Vorrichtung kann eine oberste Verarbeitungsschicht auf¬ weisen, an die mehrere Arbeitsplätze angebunden sind. Diese Ausführungsform ermöglicht die Koordination von verschiedenen Arbeitsplätzen. Insbesondere können die den verschiedenen Arbeitsplätzen zugeordneten Vorrichtungen zentral überwacht und gesteuert werden, so dass die Nachrichten an den Benutzer auch die arbeitsplatzübergreifende Lage berücksichtigen. Die Ausgabe der Nachrichten an den Benutzer kann akustisch o- der durch die Darstellung von Information auf einer visuellen Anzeige erfolgen. Daneben kann die Ausgabeeinheit der Vorrichtung auch einen Projektor umfassen, mit dem sich Hinweise für den Benutzer auf den Arbeitsplatz projizieren lassen, so dass der Benutzer eventuelle Hinweise der Vorrichtung einfa¬ cher und schneller versteht.
Die Vorrichtung eignet sich insbesondere für Arbeitsplätze, die der Materialbearbeitung und/oder Materialuntersuchung dienen.
Die hier aufgeführten Vorteile verschiedener Ausführungsformen der Vorrichtung gelten entsprechend für ein Verfahren zum Betrieb der Vorrichtung und ein Computerprogramprodukt , das das Verfahren implementiert.
Weitere Vorteile und Eigenschaften der Erfindung gehen aus der nachfolgenden Beschreibung hervor, in der Ausführungsbeispiele der Erfindung anhand der Zeichnungen im Einzelnen er- läutert werden. Es zeigen: Figur 1 eine Vorrichtung für einen Arbeitsplatz zur Materialbearbeitung und/oder zur Materialuntersuchung oder allgemein zur Durchführung von technischen, chemischen, physikalischen oder medizintechnischen Untersuchungen;
Figur 2 eine Darstellung der prinzipiellen Architektur der zugehörigen Datenverarbeitung; Figur 3 einen Darstellung des Aufbaus einer Baugruppe der
Architektur aus Figur 2;
Figur 4 eine Darstellung der wechselnden Anteile von algorithmischer Logik und künstlicher Intelligenz in den Verarbeitungsschichten, in Abhängigkeit von der Abstraktionsebene bzw. Schicht;
Figur 5 eine Darstellung der Architektur aus Figur 2 für eine Ausführungsform mit vier Verarbeitungsebenen;
Figur 6 eine Darstellung von möglichen Daten- und Informationsflüssen in der Ausführungsform aus Figur 5.
Figur 1 zeigt eine Vorrichtung 1 für die Unterstützung von einem oder mehreren menschlichen Benutzern 2 an einem Arbeitsplatz 3 zur Materialbearbeitung und/oder zur Materialuntersuchung oder allgemein zur Durchführung von technischen, chemischen oder physikalischen Untersuchungen. Der Arbeitsplatz 3 kann sich in einem Raum befinden, in dem diese Unter- suchungen durchgeführt werden. Dabei kann es sich um ein Labor, ein Technikum oder ein Untersuchungszimmer handeln. An diesem Arbeitsplatz 3 sollen vor allem Untersuchungen im Bereich der Naturwissenschaften, der Medizin und der Technik durchgeführt werden. Dort werden üblicherweise verschiedene Experimente, Prozesskontrollen, Qualitätskontrollen, Prüfungen und Messungen durchgeführt. Dabei werden Materialien und Produkte untersucht sowie optional Produkte in kleinen Mengen hergestellt .
Beispiele für diese Art von Arbeitsplätzen 3 können sein: wissenschaftliche Labore wie chemische und pharmazeutische
Forschungseinrichtungen, Technika als Bindeglied zwischen Laboratorium und Großproduktion in der chemischen und pharmazeutischen Industrie, Labore zur Qualitätssicherung in der Industrie, Untersuchungs- und Behandlungsräume in Arztpraxen oder Ladenlokale mit wissenschaftlichen Messstellen wie die Geschäftsräume von Optikern oder Hörgeräteakustikern, sowie mikrobiologische und physikalische Prüflabore. All diese Ar¬ beitsplätze 3 können jeweils stationär oder beweglich realisiert sein.
Zwei Merkmale sind für diese Art von Arbeitsplätzen 3 ty¬ pisch:
Erstens haben die dort ausgeführten Tätigkeiten einen wissen- schaftlichen Charakter, da Messeinrichtungen zu betätigen sind und in einer definierten Umgebung gearbeitet wird. Typisch für diese Art von Arbeitsplätzen 3 ist, dass der überwiegende Teil aller Prozesse, beispielsweise über 95%, wohl¬ definiert sind, also im großen Umfang dokumentiert sind oder werden und eine geringe Streuung der Abläufe an sich sowie der Ergebnisse aufweisen. Die Prozesse können eine Abfolge von Makroprozessschritten sein, die sich wiederum aus Mikro- prozessschritten zusammensetzen. Beispiele für einen Makro- Prozessschritt sind "Material holen" oder "pH-Wert titrie- ren". Beispiele für Mikroprozessschritte sind "Gerät ein¬ schalten" oder "Bearbeiter X von einem Ort A zu einem Ort B bewegen" .
Zweitens weisen diese Tätigkeiten einen manuellen Anteil auf, der vom Benutzer 2 zur Durchführung dieser wohldefinierten Tätigkeiten ausgeführt wird. Im Gegensatz zu dieser Art von Arbeitsplätzen 3 stehen vollautomatische Anlagen, wie sie in der Großproduktion eingesetzt werden, oder Arbeitsplätze mit nicht genau genug defi¬ nierten Arbeitsschritten wie in einer Bäckerei oder einer psychotherapeutischen Praxis.
Die Interaktion der Vorrichtung 1 mit dem oder den Benutzern 2 ist derartig an die menschlichen Benutzer 2 angepasst, dass die Vorrichtung 1 von den Benutzern 2 nicht als Maschine wahrgenommen wird. Die kognitive Immersion soll ein wesentli¬ ches Merkmal der Vorrichtung 1 sein. Diese Eigenschaft der Vorrichtung 1 wird dadurch erreicht, dass die Vorrichtung 1 eine Datenverarbeitungsanlage 4 aufweist, die Merkmale der sogenannten künstlichen Intelligenz zeigt.
Vom physischen Aufbau her umfasst diese Datenverarbeitungsanlage 4 Hardware-Bestandteile, die zur Ausführung von algo¬ rithmischer Logik oder von künstlicher Intelligenz oder von einer Kombination aus beidem geeignet sind. Diese Hardware- Bestandteile sind mit Hilfe eines Netzes 5 untereinander ver¬ bunden. Das Netz 5 kann eine direkte Verbindung oder ein lokales oder weltweites Datennetz umfassen, wobei die Verbindung je nach Bedarf drahtgebunden oder drahtlos erfolgen kann. Hardware-Bestandteile können ein oder mehrere Rechner 6 sein, bei denen es sich beispielsweise um einen Server und/o¬ der einen Arbeitsplatzrechner oder eine Kombination davon handeln kann, die miteinander über das Netz 5 verbunden sind. Darüber hinaus können auch ein oder mehrere Arbeitsplatzge¬ räte 7 der Vorrichtung 1 Hardware-Bestandteile umfassen, die zur Ausführung von algorithmischer Logik oder von künstlicher Intelligenz geeignet sind. Diese Bestandteile sind dann eben¬ falls als Teil der Datenverarbeitungsanlage 4 zu betrachten. Weitere, für die Umsetzung von künstlicher Intelligenz optimierte Spezial-Hardware kann ebenfalls Bestandteil der Daten- Verarbeitungsanlage 4 sein. Auf jedem dieser Hardware-Be¬ standteile können logische Bestandteile der Datenverarbei¬ tungsanlage 4 zur Ausführung kommen, die algorithmische Logik oder künstliche Intelligenz oder eine Kombination aus beidem umfassen .
Die Datenverarbeitungsanlage 4 muss somit nicht ein einzelner Rechner 6 sein, sondern kann über mehrere Rechner 6 mit einem oder mehreren Prozessoren oder über Spezial-Hardware verteilt sein. Dabei ist es möglich, dass die Datenverarbeitungsanlage 4 auch Rechnerkapazitäten umfasst, die in einem der physikalischen Arbeitsplatzgeräte 7 eingerichtet sind. Diese Ar- beitsplatzgeräte 7 können entsprechend den Konzepten des IoT (= Internet of Things) oder den Konzepten des Internets mit dem Rechner 6 verbunden sein.
In Figur 1 sind verschiedene Beispiele für die Arbeitsplatz- geräte 7 auf einer Arbeitsfläche 8 dargestellt. Neben Einga¬ begeräten 9 und Ausgabegeräten 10 umfassen die Arbeitsplatzgeräte 7 eine Reihe von Arbeitsgeräten 11, mit denen die für den jeweiligen Arbeitsplatz 3 typischen Prozessschritte ausgeführt werden.
Für die unmittelbare Kommunikation mit dem Benutzer 2 kann die Datenverarbeitungsanlage 4 als Eingabegeräte 9 eine oder mehrere Tastaturen 12 mit oder ohne Maus und/oder als akusti¬ sche Eingabegeräte 9 ein oder mehrere Mikrofone 13 umfassen. Des Weiteren kann der Benutzer 2 über eine Gestenerkennung o- der über die Auswertung der von einer Kamera 14 gelieferten Bilder nonverbal mit dem System kommunizieren. Auch kann in nonverbaler Form durch eine über Elektroenzephalografie (EEG) gemessene und kognitiv interpretierte Hirnaktivität eine Steuerung der Vorrichtung 1 erfolgen. Als audiovisuelle Ausgabegeräte 10 dienen können Monitore 15, Projektoren 16 oder Lautsprecher 17. Über diese Ausgabegeräte 10 können Hand¬ lungsempfehlungen an den Benutzer 2 ausgegeben werden, beispielsweise, indem die Projektoren 16 die auf dem Arbeits- platz 3 vorhandenen und aktuell zu verwendenden Arbeitsgeräte 11 durch einen Lichtstrahl markieren. Zur Übermittlung von Information von der Vorrichtung 1 zum Benutzer 2 können auch am Benutzer 2 befindliche persönliche Geräte wie eine in Fi¬ gur 1 nicht dargestellte Brille mit Projektionsfläche für augmentierte Realität dienen. Des Weiteren können zur Übermittlung von Information von der Vorrichtung 1 zum Benutzer 2 und vom Benutzer 2 an die Vorrichtung 1 auch am Benutzer 2 befindliche persönliche Geräte wie ein Smartphone oder ein Gerät mit taktiler Rückkopplung wie Smartwatch, Fitnessarmbänder oder Ähnliches dienen. Insofern können die Eingabegeräte 9 und die Ausgabegeräte 10 auch eine physikalische Ein- heit bilden. Derartige Eingabegeräte 9 und Ausgabegeräte 10 sind typischerweise über eine drahtgebundene oder drahtlose lokale Datenverbindung in die Datenverarbeitungsanlage 4 ein¬ gebunden . Sind in einer Vorrichtung 1 mehrere Benutzer 2 tätig, so kann die Vorrichtung 1 diese Benutzer 2 unterscheiden und die jeweilige persönliche Datenumgebung, beispielsweise Rezeptur¬ vorschriften oder Aufzeichnungen der Daten, dem jeweiligen Benutzer 2 und dessen Arbeitskontext zuordnen. Geht bei- spielsweise der Benutzer 2B zu einer vorher vom Benutzer 2A genutzten Hochleistungsflüssigkeitschromatographie-Anlage, so sind dort bei Eintreffen von 2B die entsprechenden Voreinstellungen von Benutzer 2B geladen. Ein anderes Beispiel ist bei einem Optiker die Zuordnung von Messdaten zum jeweiligen Kunden. In diesem Fall ist der Kunde der Benutzer 2, der verschiedene Messplätze durchläuft und an jedem Messplatz seine virtuelle Patientenakte im jeweiligen Kontext dabei hat - bis zum Anpassen der Brille, wo alle Un- tersuchungsergebnisse dem Optiker im abschließenden Bera¬ tungsgespräch auf einem Tablet Computer angezeigt werden. Entsprechendes gilt für die Anwendung der Vorrichtung 1 im Zusammenhang mit der Untersuchung von Patienten in der Radiologie, in der Zahnmedizin, oder anderen medizinischen Berei- chen. Zusätzlich zu den bisher genannten Arbeitsplatzgeräten 7 um- fasst die Vorrichtung 1 weitere Arbeitsgeräte 11, die über das Netz 5 mit der Datenverarbeitungsanlage 4 verbunden sein können. Manche Arbeitsgeräte 11 können auch ohne direkte Da- tenverbindung zur Datenverarbeitungsanlage 4 in die Vorrich¬ tung 1 eingebunden sein, wie beispielsweise ein herkömmliches analoges Heizgerät 18. Zu diesem Zweck kann die Vorrichtung 1, die über eine oder mehrere mit der Datenverarbeitungsanlage 4 verbundenen Kameras 14 verfügt, durch eine von der Da- tenverarbeitungsanlage 4 ausgeführte Bilderkennung derartige, mit der Datenverarbeitungsanlage 4 datenmäßig nicht verbun¬ dene Arbeitsgeräte 11 und deren Verwendung erfassen und erkennen . Die Arbeitsgeräte 11 können verschiedene Geräte mit oder ohne Sensoren sein: beispielsweise ein herkömmliches analoges Heizgerät 18, dessen Einstellung und Verwendung mittels der Kamera 14 visuell erfasst und kognitiv ausgewertet wird, ein modernes Thermometer 19 mit aktueller Hardware zur Ausführung von Verarbeitungslogik, entweder algorithmisch oder über künstliche Intelligenz, und das über das Netz 5 in die rest¬ liche Datenverarbeitungsanlage 4 eingebunden ist, eine über das Netz 5 mit der Datenverarbeitungsanlage 4 verbundene Stromversorgung 20, eine über das Netz 5 mit der Datenverar- beitungsanlage 4 verbundene Waage 21 mit optionaler Kamera zur Warenerkennung, beispielsweise per Barcode, oder ein über das Netz 5 mit der Datenverarbeitungsanlage 4 verbundener Ab¬ zug 22. Weitere für diese Art von Arbeitsplätzen 3 typische Arbeits¬ geräte 11 können beispielsweise sein: für chemische Versuche verwendete Glasware, wie zum Beispiel Reagenzgläser, Instru¬ mente eines Optikers wie die Messgläser eines Optikers, ver¬ schiedene Handwerkzeuge wie Pinzetten oder Spatel, ein Grund- besteck einer Zahnarztpraxis wie beispielsweise Sonden oder
Spiegel sowie auch klassische Werkzeuge. Jeder Einsatz dieser manuellen Werkzeuge und Geräte wird mittels der diversen Ka¬ meras 14 erfasst und kognitiv ausgewertet, zum Beispiel nach Bewegung, Nutzung und Verbleib. Gegebenenfalls können die Ar¬ beitsgeräte 11 mit einer optischen oder über eine Radiofre- quenz auslesbaren Kennung versehen sein, die die Identifizierung und damit auch die Auswertung der Nutzung der Arbeitsgeräte 11 erleichtert.
Die Anbindung dieser Arbeitsplatzgeräte 7 kann auch, wie be- reits erwähnt, entsprechend den Konzepten des IoT (= Internet of Things) oder den Konzepten des Internets erfolgen. Die Ge¬ räte können mit Hilfe von Umsetzern angebunden sein, wobei ein Feldbus zum Einsatz kommt und/oder Protokolle wie KNX verwendet werden. Es werden keine Vorgaben gemacht zur Topo- logie des Feldbusses oder zum Protokoll des Feldbusses
(CPFx) .
Die genaue Anzahl und Positionierung der Arbeitsplatzgeräte 7, deren Mess- und Beobachtungsdaten von der Datenverarbei- tungsanlage 4 kognitiv ausgewertet werden, ist so zu wählen und zu optimieren, dass der benötigte Informationsraum in ausreichendem Maße und möglichst homogen, also ohne übermä¬ ßige Höhen und Tiefen an Informationsdichte, abgedeckt wird. Beispielsweise sind die zur Situationserkennung erforderli- chen Kameras 14 so anzubringen, dass sie alle relevanten Stellen des Arbeitsplatzes 3 abdecken.
Die Datenverarbeitungsanlage 4 verfügt über eine Architektur, deren prinzipieller Aufbau in Figur 2 dargestellt ist. Sie umfasst im Allgemeinen eine Geräteschicht 30, welche die Ar¬ beitsgeräte 11 des Arbeitsplatzes 3 als Datenquellen sowie die Eingabegeräte 9 und Ausgabegeräte 10 für die unmittelbare Interaktion mit dem Benutzer 2 umfasst. In diejenigen Arbeitsplatzgeräte 7 aus der Geräteschicht 30, die Hardware-Be- standteile umfassen, die zur Ausführung von algorithmischer Logik oder von künstlicher Intelligenz geeignet sind, kann jeweils unmittelbar eine Baugruppe MO . j (1 < j < mo, mo = Zahl der Baugruppen in der Geräteschicht 30) integriert wer¬ den, die nachfolgend anhand Figur 3 näher beschrieben wird. In Figur 2 ist dies beispielsweise bei Gerät Gl und G2 der Fall. Die Geräte Gl und G2 enthalten jeweils die Baugruppen MO .1 und MO .2 ; Gerät Gmo in Figur 3 umfasst dagegen keine solche Baugruppe M0.m0.
Des Weiteren umfasst die Architektur eine oder mehrere Verarbeitungsschichten 31, die in Figur 2 als Verarbeitungsschicht Ml bis Mn bezeichnet sind. Die Verarbeitungsschichten Ml bis Mn umfassen wenigsten eine Baugruppe 32, die jeweils mit Mi . j (1 < i < n, 1 < j < mi , mi = Zahl der Baugruppen 32 in der Verarbeitungsschicht Mi) bezeichnet sind. Der innere Aufbau der Baugruppen Mi . j wird nachfolgend anhand von Figur 3 er- läutert werden.
Jede Verarbeitungsschicht Mi verarbeitet die aus der darunter liegenden Verarbeitungsschicht M(i-l) gelieferten Daten, interpretiert diese und synthetisiert sie zu größeren Sinnzu- sammenhängen . Jede höhere Verarbeitungsschicht Mi der Verar¬ beitungsschichten Ml bis Mn kann also gegebenenfalls auch mit mehreren Instanzen der Baugruppen 32 einer benachbarten niedrigeren Verarbeitungsschicht M(i-l) verbunden sein. Beispielsweise bündelt die Verarbeitungsschicht Ml die Kommuni- kation mit mehreren Geräten, jeweils mit oder ohne Baugruppe MO . j , aus der Geräteschicht 30. Analog kann die Verarbei¬ tungsschicht Mi die Kommunikation mit mehreren Baugruppen M(i-l).j in der Verarbeitungsschicht M(i-l) bündeln. Sind in einem konkreten System mehrere dieser Verarbeitungsschichten Ml bis Mn vorhanden, so adressieren diese unterschiedliche Abstraktionsebenen der Datenverarbeitung und der Steuerung. Die Verarbeitungsschicht Ml, die unmittelbar auf der Geräteschicht 30 aufsetzt, ist dabei die konkreteste Ver- arbeitungsschicht 31. Die darauf aufsetzenden Verarbeitungs¬ schichten Ml bis Mn werden zunehmend abstrakter. Mit zuneh- mendem Abstand zur Geräteschicht 30 steigt somit der Abstrak¬ tionsgrad der in der Verarbeitungsschicht Mi verarbeiteten o- der generierten Informationen. Je zwei benachbarte Verarbeitungsschichten Mi und M(i-l) sowie die unterste Verarbeitungsschicht Ml und die Geräte¬ schicht 30 sind über Kommunikationskanäle 33 und 34 miteinan¬ der verbunden. Die weißen Blockpfeile in Figur 2 veranschaulichen die Kommunikationskanäle 33 für Messdaten oder Berech- nungsergebnisse, welche die jeweils untere Verarbeitungs¬ schicht 31 oder die Geräteschicht 30 als Dokumentation einer von ihr gemessenen oder interpretierten Situation an die nächsthöhere Verarbeitungsschicht 31 liefert, als Eingaben für deren Berechnungen. Die höhere Verarbeitungsschicht 31 wiederum stellt von ihr ermittelte Berechnungsergebnisse der benachbarten darunter liegenden Verarbeitungsschicht 31 oder Geräteschicht 30 ebenfalls als Eingabe zur Verfügung, als In¬ struktionen im Sinne von Steuerinformation. Die Kommunikationskanäle 34 für Instruktionen sind in Figur 2 durch schwarze Blockpfeile veranschaulicht.
Jede Baugruppe 32 in der Geräteschicht 30 und den Verarbei¬ tungsschichten 31 weist den in Figur 3 dargestellten inneren Aufbau auf.
Jede Baugruppe 32 erhält Eingabedaten über die beiden Kommu¬ nikationskanäle 33 und 34: ein Kommunikationskanal 33 für die Messdaten oder die interpretierte Situation von unten von der nächsttieferen Verarbeitungsschicht 31 oder der Geräteschicht 30, sowie ein Kommunikationskanal 34 für die Instruktionen von oben von der nächsthöheren Verarbeitungsschicht 31. Über diese Instruktionen fließen fertig berechnete Ergebnisse ei¬ ner höheren Verarbeitungsschicht 31 in die Ergebnisberechnung und damit Entscheidungsfindung der unmittelbar darunter lie- genden Verarbeitungsschicht 31 oder der unmittelbar darunter liegenden Geräteschicht 30 ein. Die Geräteschicht 30 und die oberste Verarbeitungsschicht 31 bilden dabei Spezialfälle, da sie nur über entweder eine obere oder aber über eine untere benachbarte Verarbeitungsschicht 31 verfügen. Für i = 0 er¬ hält die Baugruppe MO . j die Eingabedaten von unten direkt von dem Messgerät Gj , auf dessen Hardware MO . j ausgeführt wird. Für i = n und damit die oberste Verarbeitungsschicht Mn exis¬ tiert keine weitere, darüber liegende Verarbeitungsschicht 31. Entsprechend geht von oben ein leerer Strom von Instruktionen ein. Die eingehenden Daten werden innerhalb der Baugruppe 32 gespeichert. Die von unten von der Verarbeitungsschicht M(i-l) eingehenden Messdaten oder die interpretierte Situation wird in einem Situationsspeicher 35 persistiert. Entsprechend werden die von oben von der Verarbeitungsschicht M(i+1) einge- henden Instruktionen in einem Instruktionsspeicher 36 persistiert. Der Situationsspeicher 35 und der Instruktionsspeicher 36 können entweder symbolischer oder subsymbolischer Natur sein. Der Situationsspeicher 35 und der Instruktionsspeicher 36 können auch getrennte Speicherbereiche für Speicherinhalte symbolischer und subsymbolischer Natur aufweisen.
Als dritten persistenten Speicher umfasst die Baugruppe 32 eine Wissensdatenbank 37. Diese wird initial von außerhalb der Baugruppe 32 mit explizitem Wissen gefüllt, beispiels- weise in Form von Regelsystemen über physikalische Grundge¬ setze .
In vielen Anwendungskontexten ist es erforderlich, alle verarbeiteten Daten, Berechnungen und Veränderungen in der Da- tenverarbeitungsanlage 4 vollumfänglich zu dokumentieren und zu speichern, um die Vorgänge der Datenverarbeitungsanlage 4 nachvollziehbar zu machen. Deswegen umfasst die Baugruppe 32 als vierten persistenten Speicher ein revisionssicheres, permanentes Logbuch 38. Dieses wird innerhalb der Baugruppe 32 lediglich beschrieben, aber nicht ausgelesen. Es kann jedoch von außerhalb der Baugruppe 32 ausgelesen werden. In diesem Logbuch 38 protokolliert die entsprechende Baugruppe 32, die selbst Bestandteil von Vorrichtung 1 ist, automatisch alles, also beispielsweise alle Eingaben, Berechnungen, Ausgaben, Rückkopplungen an die Wissensdatenbank 37 der Baugruppe 32, oder Änderungen von Wichtungen in einem neuronalen Netz der Baugruppe 32. Aus der so entstehenden Datenmenge sind poten¬ ziell verschiedene Ergebnisse ableitbar. Als technische Dar¬ stellung dieser revisionssicheren und nicht veränderbaren Aufzeichnungen eignen sich viele technische Formate und Sze¬ narien mit privaten und öffentlichen Schlüsseln. Aufgrund der innerhalb der Baugruppen 32 anfallenden, möglicherweise sehr großen Datenmengen ist jeweils in Abhängigkeit der Erfordernisse des Anwendungsbereiches sowie mit Blick auf den Fort¬ schritt der Technik zu bestimmen, wie viele Informationen im Logbuch 38 der Baugruppe 32 gespeichert werden sollen.
Kern der Baugruppe 32 ist die Verarbeitungseinheit 40. Diese wird realisiert durch eine Kombination einer algorithmischen Verarbeitungskomponente 41 mit algorithmischer Logik und ei¬ ner weiteren neuromorphen Verarbeitungskomponente 42 mit künstlicher Intelligenz. Die Anteile der beiden Verarbeitungskomponenten verändern sich dabei je nach Abstraktionsebene der zugehörigen Verarbeitungsschicht 31. Während bei der Verarbeitungseinheit 40 auf den niedrigeren, also den konkre¬ teren Verarbeitungsschichten 31 die Anteile der algorithmi- sehen Logik überwiegen, stehen bei den höheren, also den abstrakteren Verarbeitungsschichten 31, wie in Figur 3 veranschaulicht, die Anteile der künstlichen Intelligenz im Vordergrund. Insbesondere in den neuromorphen Verarbeitungskomponenten 42 der Verarbeitungseinheit 40, in denen Konzepte und Techniken der künstlichen Intelligenz realisiert sind und die beispielsweise neuronale Netze oder eine Kombination ver¬ schiedener Topologien von neuronalen Netzen umfassen, ist in den Wichtungen und Parametern dieser neuronalen Netze implizites Wissen der Verarbeitungseinheit 40 codiert, das den konkreten Verlauf des Verarbeitungsmechanismus und damit auch die Ergebnisse beeinflusst. Die algorithmische Verarbeitungskomponente 41 und die neuro- morphe Verarbeitungskomponente 42 können auf verschiedene Weisen in der Verarbeitungseinheit 40 zusammenwirken. Insbe¬ sondere können sie in beliebiger Reihenfolge und Durchmi- schung in Reihe geschaltet sein, oder aber auch nebenläufig arbeiten .
Ein Ausführungsbeispiel für das In-Reihe-Schalten der algo¬ rithmischen Verarbeitungskomponente 41 und der neuromorphen Verarbeitungskomponente 42 stellt das Thermometer 19 aus Fi¬ gur 1 dar, in dem eine algorithmische Verarbeitungskomponente 41 erkennt, ob der gemessene Wert einen bestimmten Schwell¬ wert überschreitet, und in diesem Fall die Messdaten des Thermometers 19 an dessen neuromorphe Verarbeitungskomponente 42 weiterleitet, damit diese aus dem Verlauf der bisherigen Messdaten die aktuelle Situation erkennt.
Ein Ausführungsbeispiel für das In-Reihe-Schalten der neuro¬ morphen Verarbeitungskomponente 42 und der algorithmischen Verarbeitungskomponente 41, also in umgekehrter Reihenfolge zu dem vorherigen Ausführungsbeispiel, ist auf einer Verar¬ beitungsschicht Mi oberhalb der Geräteschicht 30 die Analyse von Messdaten verschiedener Arbeitsgeräte 11 durch ein neuronales Netz in der neuromorphen Verarbeitungskomponente 42, welches auf dieser Grundlage die Situation identifiziert und klassifiziert, in der sich der soeben analysierte Teilaus¬ schnitt von Vorrichtung 1 gerade befindet. Dieses Klassifika¬ tionsergebnis, also die Information über die erkannte Situa¬ tion, wird sodann an die algorithmische Verarbeitungskompo- nente 41 übergeben, welche anschließend den vordefinierten Ablauf zur Behandlung derartiger Situationen abwickelt.
Ein Ausführungsbeispiel für einen zunächst nebenläufigen Einsatz einer ersten algorithmischen Verarbeitungskomponente 41 und einer weiteren neuromorphen Verarbeitungskomponente 42 mit einer nachfolgenden, in Reihe geschalteten, zweiten algo- rithmischen Verarbeitungskomponente 41 ist ein Sicherheitsme¬ chanismus, in dem eine erste algorithmische Verarbeitungskom¬ ponente 41 und die neuromorphe Verarbeitungskomponente 42 je¬ weils für sich genommen Mess- und Gerätedaten auswerten und auf dieser Grundlage jeweils für sich genommen die aktuelle Situation klassifizieren. Darauf aufbauend vergleicht eine nachgelagerte zweite algorithmische Verarbeitungskomponente 41, ob die ermittelten Ergebnisse übereinstimmen und wie ge¬ gebenenfalls weiter vorzugehen ist.
Die hier beschriebenen Ausführungsbeispiele sind als bei¬ spielhaft zu verstehen, und wurden zum besseren Verständnis des Zusammenwirkens der algorithmischen Verarbeitungskompo¬ nente 41 und der neuromorphen Verarbeitungskomponente 42 mit künstlicher Intelligenz ausgewählt. Grundsätzlich können die algorithmische Verarbeitungskomponente 41 und die neuromorphe Verarbeitungskomponente 42 auf beliebige Weise kombiniert sein . Die Verarbeitungseinheit 40 verarbeitet Eingaben aus drei verschiedenen Quellen: den Eingangsdatenstrom El aus dem Situationsspeicher 35, den Eingangsdatenstrom E2 aus dem Instruktionsspeicher 36 und den Eingangsdatenstrom E3 aus der Wissensdatenbank 37.
Die Verarbeitungseinheit 40 erzeugt ferner vier verschiedene Arten von Ausgaben: im Kommunikationskanal 33 den Ausgangsda¬ tenstrom AI als die interpretierte Situation, die an die nächsthöhere Verarbeitungsschicht M(i+1) als Eingabe zur Ver- fügung gestellt wird (oder die ungenutzt bleibt, falls i = n gilt und es somit keine höhere Verarbeitungsschicht 31 mehr gibt) ; im Kommunikationskanal 34 einen Ausgangsdatenstrom A2 mit Instruktionen für die nächsttiefer liegende Verarbeitungsschicht M(i-l) (oder für die konkreten Geräte Gl bis Gmo oder Gf, falls i = 0); einen Ausgangsdatenstrom A3 zur Rück- speisung von explizitem Wissen in die Wissensdatenbank 37; sowie einen Ausgangsdatenstrom A4 für die Dokumentation aller Eingaben, Verarbeitungsschritte, Ausgaben und Wichtungsände¬ rungen, die im Logbuch 38 persistiert wird.
Zum Anlernen der Verarbeitungseinheit 40 umfasst die Bau- gruppe 32 zwei weitere Komponenten, nämlich einen Kompositor 43 und einen Bewerter 44, die im Rahmen des Trainings der Verarbeitungseinheit 40 zum Einsatz kommen können. Die zuge¬ hörigen Datenpfade sind in Figur 3 durch gestrichelte und ge¬ punktete Linien gekennzeichnet.
Der Kompositor 43 kann einerseits Informationen Sr aus dem Situationsspeicher 35 entnehmen, neu zusammenstellen und wieder in den Situationsspeicher 35 als Trainingsdaten zurückspielen. Andererseits kann der Kompositor 43 auch im Sinne eines Simulators neue Informationen Sg generieren und in den Situationsspeicher 35 einspielen. Beides gilt entsprechend auch für Informationen Ir und Ig aus dem Instruktionsspeicher 36. Vom Kompositor 43 in den Situationsspeicher 35 und den Instruktionsspeicher 36 bereitgestellte Trainingsdaten EIT und E2T werden von der Verarbeitungseinheit 40 im Trainings¬ modus verarbeitet und die beiden daraus resultierenden Ant¬ worten A1T und A2T an den Bewerter 44 übermittelt. Das vom Bewerter 44 erzeugte Bewertungsergebnis wird schließlich an die neuromorphe Verarbeitungskomponente 42, zum Beispiel an ein zu trainierendes neuronales Netz in der neuromorphen Verarbeitungskomponente 42 zurückgespielt und beeinflusst dort einerseits die Wichtungen der einzelnen Verbindungen in diesem neuronalen Netz und andererseits die Topologie des neuro¬ nalen Netzes, indem Signalwege (entsprechen den Dendriten in einem menschlichen Gehirn) im neuronalen Netz hinzugefügt o- der entfernt werden.
Die Bewertung des von der neuromorphen Verarbeitungskomponente 42 anhand der Trainingsdaten erzeugten Ergebnisses er- folgt anhand von Zielvorgaben und Bewertungsrichtlinien, die über Regeln definiert sind. Diese legen fest, welche Krite¬ rien des Trainingsergebnisses als "gut" zu bewerten sind - beispielsweise die Minimierung von Kosten oder die Maximie- rung von Sicherheit. Die Bewertung entspricht einer ontolo- gisch-semantischen Abbildung auf diesen Regelkatalog. Umfasst eine Datenverarbeitungsanlage 4 mehrere nach dem Bauplan in Figur 3 realisierte Module, so verfügen die Bewerter 44 in den einzelnen Modulen jeweils über ihr eigenes, modulspezifisches Regelwerk. Das jeweilige Regelwerk kann auch in der Datenbank 37 abgelegt sein.
Der Kompositor 43 und der Bewerter 44 sind in der Baugruppe 32 in der Regel nur dann aktiv, wenn die Verarbeitungseinheit 40 der Baugruppe 32 trainiert wird. Im Produktivbetrieb der Verarbeitungseinheit 40 sind sie dagegen im Allgemeinen nicht aktiv .
Die Vorrichtung 1 kennt die vier Zustände: "Arbeitsbereit", "Lernen", "Wartung" und "Ausgeschaltet". Der Vorgang des Lernens kann in der gesamten Vorrichtung 1 nur im Zustand "Lernen" erfolgen, also insbesondere dann nicht, wenn die Vor¬ richtung 1 im Zustand "Arbeitsbereit" ist. Allerdings kann eine zweite Vorrichtung 1 benutzt werden, um für eine erste Vorrichtung 1 den Lernvorgang zu übernehmen, wobei der Lernvorgang auf einer Kopie der jeweiligen Situationsspeicher 35 und Instruktionsspeicher 36 sowie der Wissensdatenbanken 37 der ersten Vorrichtung 1 erfolgt, so dass nur in einer kurzen Phase des Ladens (Zustand "Wartung") die erste Vorrichtung 1 nicht zur Verfügung steht.
Figur 5 zeigt eine konkrete Ausgestaltung der Architektur der Vorrichtung 1 mit vier Verarbeitungsschichten 31 sowie der
Geräteschicht 30: der Verarbeitungsschicht Ml für die Signal¬ verarbeitung, der Verarbeitungsschicht M2 für Reaktionen, der Verarbeitungsschicht M3 für Schlussfolgerungen und der Verarbeitungsschicht M4 für Organisation. Dabei bündelt die Verar- beitungsschicht M4 gegebenenfalls die Kommunikation mit meh¬ reren Arbeitsplätzen und die Verarbeitung der Daten von meh- reren weiteren Arbeitsplätzen 3, die in Figur 2 mit "Arbeitsplatz 2" bis "Arbeitsplatz k" bezeichnet sind und die ebenfalls nach dem gleichen Prinzip aufgebaut sind. Diese Arbeitsplätze 3 müssen nicht typgleich sein. An die Verarbei- tungsschicht M4 für Organisation können also verschiedenartige Arbeitsplätze 3 angebunden sein. Die Verarbeitungs¬ schicht M4 für Organisation ist so zu dimensionieren, dass sie der in der Diversität der angebundenen Arbeitsplätze 3 begründeten Komplexität Rechnung trägt. Insbesondere müssen die in der Wissensdatenbank 37 abgelegten Regeln alle Typen der angebundenen Arbeitsplätze 3 berücksichtigen. Auch die Größe und Topologie der neuromorphen Verarbeitungskomponente 42 in der Verarbeitungseinheit 40 der Verarbeitungsschicht M4 für Organisation muss passend zum Umfang und der Komplexität der gesamten Vorrichtung 1 gewählt werden, damit die Verarbeitungsschicht M4 nicht unterdimensioniert ist.
Die Vorrichtung 1 mit der Datenverarbeitungsanlage 4 ist je¬ doch auch nur mit der Geräteschicht 30 und der Verarbeitungs- schicht Ml auf einfache Weise pro Arbeitsplatz 3 lauffähig.
Die Hinzunahme weiterer Verarbeitungsschichten M2, M3, M4 und gegebenenfalls weiterer Verarbeitungsschichten 31 erweitert die Leistungsfähigkeit der Vorrichtung 1. Dabei sind auch weitere Verarbeitungsschichten 31 über die Verarbeitungs- schicht M4 hinaus denkbar, analog zur prinzipiellen Architektur in Figur 2. Die hier beispielhaft dargestellte Aufteilung in die Verarbeitungsschichten Ml bis M4 lehnt sich an dem kognitiven Erfahrungsraum des Menschen an und kann bei neueren Erkenntnissen in ihrem Zuschnitt verändert werden.
Für diese beispielhafte Ausgestaltung der Datenverarbeitungs¬ anlage 4 mit vier Verarbeitungsschichten Ml bis M4 umfasst die Datenverarbeitungsanlage 4 neben der Geräteschicht 30 für diese vier Verarbeitungsschichten 31 vier Baugruppen 32: eine Baugruppe 51 für die Signalverarbeitung in der Verarbeitungs¬ schicht Ml, eine Baugruppe 52 für Reaktionen in der Verarbei¬ tungsschicht M2, eine Baugruppe 53 für Schlussfolgerungen in der Verarbeitungsschicht M3 und eine Baugruppe 54 für Organi¬ sation in der Verarbeitungsschicht M4. Die Baugruppen 51 bis
54 weisen jeweils den in Figur 3 dargestellten Aufbau auf. Die weißen Blockpfeile stellen den von der Geräteschicht 30 zur Baugruppe 54 aufsteigenden Informationsfluss der gemesse¬ nen oder interpretierten Situationen dar. Sie sind mit Sl bis
55 bezeichnet. Die schwarzen Blockpfeile stellen den Rück- fluss an Instruktionen dar, die als Rückkopplung von der Bau- gruppe 54 absteigend bis hinunter zur Geräteschicht 30 flie¬ ßen. Sie sind mit 15 bis II bezeichnet. Da die Baugruppe 54 die oberste Verarbeitungsschicht M4 bildet und keine weiteren Baugruppe darüber liegen, werden die über S5 laufenden Informationsflüsse nicht weiter verarbeitet. Aus gleichem Grund werden über 15 keine Instruktionen an die Verarbeitungs¬ schicht M4 übermittelt, da es keine übergeordnete Verarbei¬ tungsschicht 31 zu der Verarbeitungsschicht M4 gibt.
Jede der vier Verarbeitungsschichten Ml bis M4 sowie jede der Baugruppen MO . j in der Geräteschicht 30 hat in ihrer Verarbeitungseinheit 40 Anteile, die auf maschinellem Lernen oder subsymbolischer Verarbeitung mit der jeweiligen neuromorphen Verarbeitungskomponente 42 beruhen. Für die Baugruppen MO . j sind diese direkt innerhalb des jeweiligen Gerätes Gj imple- mentiert. Jede Baugruppe 51 bis 54 kann diese Verarbeitungs¬ einheit 40 lokal implementieren oder über das Netz 5 Dienste des Rechners 6 in Anspruch nehmen. Der Anteil der Abstraktion steigt von der Geräteschicht 30 und den Baugruppen MO . j über die Baugruppe 51 zur Baugruppe 54 mit dem Übergang von symbo- lischer zu subsymbolischer Verarbeitung an. Die obersten beiden Baugruppen 53 und 54 sind komplett subsymbolisch aufgebaut. Entsprechend diesem Aufbau ist in jeder der Baugruppen MO . j sowie 51 bis 54 eine neuromorphe Verarbeitungskomponente 42, insbesondere in der Gestalt eines neuronalen Netzes vor- handen. Die Geräteschicht 30 und die Baugruppen 51 bis 54 erfüllen die folgenden Aufgaben:
Die Geräteschicht 30 dient der Anbindung der Arbeitsgeräte 11 sowie der Eingabegeräte 9 für die direkte Benutzerinterak¬ tion, wie beispielsweise der Tastatur 12, der Kamera 14, oder des Mikrofons 13, sowie der zur Ausgabe vorgesehenen Ausgabe¬ geräte 10 wie beispielsweise des Lautsprechers 17, des Moni¬ tors 15 oder des Projektors 16. In der Geräteschicht 30 kann eine Anbindung an die herkömmliche Informationstechnik vorhanden sein, beispielsweise über einen Feldbus, und damit die Anbindung an die Technik eines herkömmlichen Arbeitsplatzes bewerkstelligt werden. In der Geräteschicht 30 werden über eine nicht vorgegebene
Zahl von Eingabegeräten 9, Ausgabegeräten 10 sowie Arbeitsgeräten 11, die Sensoren und Aktoren bereitstellen, die
Schnittstellen zum Arbeitsplatz 3 und seinen Benutzern 2 bewerkstelligt. Diese Arbeitsplatzgeräte 7 können über lokale Speicher verfügen, in die Daten geschrieben und anschließend von dort ausgelesen werden. Des Weiteren können diese Ar- beitsplatzgeräte 7, wie bereits ausgeführt, Hardware-Bestand¬ teile beinhalten, die zur Ausführung von algorithmischer Logik oder von künstlicher Intelligenz oder von einer Kombina- tion aus beidem geeignet sind.
Die Arbeitsplatzgeräte 7 der Geräteschicht 30 melden sich selbsttätig an der Baugruppe 51 an, die die Verarbeitungs¬ schicht Ml für die Signalverarbeitung bildet. Die Wissensda- tenbank 37 der Baugruppe 51 beinhaltet Informationen über die anbindbaren Arbeitsplatzgeräte 7 und deren Funktionalitäten, im Sinne eines Leistungskatalogs.
Die Baugruppe 51, die die Verarbeitungsschicht Ml für die Signalverarbeitung realisiert, dient als kognitive Aufnahme- und Wiedergabeschicht bezüglich der audiovisuellen Signalverarbeitung wie Sehen und Hören bezüglich der Beobachtung der Vorgänge, die am Arbeitsplatz 3 stattfinden, wobei selbsttä¬ tige Erkennungsleistungen erbracht werden, und zwar nicht nur über die visuellen und auditiven Eingabegeräte 9 und Ausgabe¬ geräte 10. Auch die mit Sensoren oder Aktoren versehenen Ar- beitsgeräte 11 werden als Möglichkeiten der Sinneswahrnehmung und der Kommunikation mit dem Benutzer 2 genutzt. Zusätzlich zur üblichen Erfassung von Messwerten, die ebenfalls Bestandteil der Vorrichtung 1 ist, werden darüber auch kognitive Auswertungen vorgenommen. Beispielsweise können für das Ther- mometer 19 Ergebnisse wie "Temperaturkurve steigt sehr schnell" oder "Lange nichts passiert" erzeugt werden. Durch diese in der neuromorphen Verarbeitungskomponente 42 durchge¬ führte kognitiven Auswertung der Messdaten des Thermometers 19 wird der Informationsfluss vom Thermometer 19 an die Da- tenverarbeitungsanlage 4 zu einem kognitiven Kanal, analog zum kognitiven Kanal der visuellen Wahrnehmung. Informationen, die zur Erkennung eines kognitiven Zusammenhangs zusammengeführt werden müssen, werden in einem zugeordneten kognitiven Kanal gebündelt.
Die Umsetzung der Messdaten und Beobachtungsdaten aus der Geräteschicht 30 in kognitive Kanäle, mit der eine Bündelung, Trennung und Umbenennung der für die Kommunikation mit den Geräten Gl bis Gmo verwendeten Daten einhergehen kann, stellt eine Abstraktion in der Verarbeitungsschicht Ml dar. Dies er¬ leichtert die Verarbeitung in der darüber liegenden Verarbeitungsschicht M2 und macht die Vorrichtung 1 unabhängig von Änderungen in der Geräteschicht 30. Die Informationen der kognitiven Kanäle werden über den Informationsfluss S2 an die darüber liegende Baugruppe 52 der Verarbeitungsschicht M2 weitergegeben und dort im Situationsspeicher 35 der Baugruppe 52 persistiert.
Eine wichtige Funktion der Baugruppe 51 ist die Selbsterken- nung der Geräte in der Geräteschicht 30, insbesondere der Ar¬ beitsgeräte 11. Das bedeutet: Was immer der Vorrichtung 1 neu hinzugefügt wird, wird automatisch Bestandteil der Vorrich¬ tung 1 und muss nicht eingebaut oder konfiguriert werden. Zu diesem Zweck wird in der Wissensdatenbank 37 der Baugruppe 51 ein Leistungskatalog geführt, in den alle Geräte und Geräte- klassen mit ihren Merkmalen und Möglichkeiten eingetragen sind. Die Kamera 14 mit nachgelagerter Bilderkennung kann die Erkennung von neu in die Vorrichtung 1 eingebrachten Arbeitsplatzgeräten 7 unterstützen. Die Informationsflüsse aus den erkannten Arbeitsplatzgeräten 7 fließen als Eingaben Sl.j in die Baugruppe 51 der Verarbei¬ tungsschicht Ml für die Signalverarbeitung. Die in der Baugruppe 51 berechneten Instruktionen für die darunter liegende Geräteschicht 30 fließen dagegen als technische Anweisung über die Kanäle Il.j in die entsprechenden Geräte Gj zurück.
Die Baugruppe 52 für Reaktionen, die die Verarbeitungsschicht M2 für Reaktionen realisiert, dient der überwiegend regelba¬ sierten und reflexiven Steuerung mit vorgegebenen Prozessmus- tern und Reaktionsmustern. Zusätzlich bietet diese Baugruppe 52 mit Hilfe von maschinellem Lernen die Fähigkeit zu einfa¬ chen Schlussfolgerungen sowie zu komplexen Dialogen und der Abbildung von einfachem semantischem Kontext. Über die Baugruppe 52 findet auch die Kommunikation mit anderen Systemen der Informationstechnik statt. Insofern können in der Baugruppe 52 Schnittstellen in die klassische Informationstechnik wie beispielsweise in das ERP (= Enterprise Ressource Planning) , das LIMS (= Labormanagement Informationssystem) o- der andere übliche Systeme der Informationstechnik eingerich- tet sein. Die Informationen aus diesen Systemen fließen in die Wissensdatenbank 37 der Baugruppe 52 ein.
In der Baugruppe 52 für Reaktionen erfolgt eine Auswertung der in der Baugruppe 51 für die Signalverarbeitung erfassten Informationen. Der überwiegende Teil dieser Steuerung ist algorithmisch-statisch und erfolgt mit Hilfe der zugehörigen algorithmischen Verarbeitungskomponente 41. Ferner sind in der Baugruppe 52 sogenannte Fähigkeiten implementiert. Diese folgen Verfahrensbeschreibungen für bestimmte Handlungskontexte. Diese Fähigkeiten sind in den meisten Fällen auf der Grundlage von Regeln in festen Algorithmen implementiert. Diese Regeln sind in der Wissensdatenbank 37 der Baugruppe 52 abgelegt. Anteile der Fähigkeiten können aber auch in der Baugruppe 52 schon auf maschinellem Lernen beruhen und dazu die neuromorphe Verarbeitungskomponente 42 der Baugruppe 52 nutzen. In der Baugruppe 52 sind die primären Sicherheits- richtlinien des Arbeitsplatzes 3 hinterlegt, die nicht durch darüber liegende Verarbeitungsschichten 31 übersteuert werden sollten .
Über alle Objekte am Arbeitsplatz 3 wird in der Baugruppe 52 eine Liste geführt, welche auch die Historie der Objekte am Arbeitsplatz 3 dokumentiert. Die Historie eines Objektes be¬ zeichnet dabei die Abfolge der mit diesem Objekt verknüpften Aktivitäten. Die Aktivitäten bilden die Beziehungen zwischen den Objekten in Form von Handlungen und Abhängigkeiten zwi- sehen den Objekten ab. Die Aktivitäten können eine mehrstufige Hierarchie haben: Aktivitätengruppen, Makroaktivitäten und Mikroaktivitäten . Eine Mikroaktivität ist beispielsweise ein einzelner Handgriff in der übergeordneten Makroaktivität "Auswaage". Die Objekte bilden zusammen mit den zugehörigen Aktivitäten die Handlungskontexte, die die Basis für die in
Baugruppe 52 implementierten Fähigkeiten bilden. In Abhängigkeit von den Handlungskontexten erzeugen die Fähigkeiten Reaktionen, die in der Form von konkreten Kognitivinformationen und Aktionsbefehlen über den Kanal für die Instruktionen 12 an die darunter liegende Baugruppe 51 für die Signalverarbei¬ tung Ml weitergegeben werden. Diese Informationen werden in der Baugruppe 51 in deren Instruktionsspeicher 36 abgelegt. Die Verarbeitungseinheit 40 von Baugruppe 51 verarbeitet diese Instruktionen weiter, integriert mit den Messdaten und Gerätedaten aus dem Situationsspeicher 35 der Baugruppe 51, und gibt diese sodann über die Kanäle II an die in der Gerä- teschicht 30 in die Vorrichtung 1 eingebundenen Arbeitsplatzgeräte 7 zurück. Die Ausgabegeräte 10, wie zum Beispiel der Lautsprecher 17, der Projektor 16 oder der Monitor 15, übermitteln diese Instruktionen als Handlungsempfehlungen an den Benutzer 2.
Informationen zu den vorliegenden Handlungskontexten werden von der Baugruppe 52 über den Informationsfluss S3 an die darüber liegende Baugruppe 53 und damit an die Verarbeitungs- schicht M3 für Schlussfolgerungen übermittelt. In der Bau¬ gruppe 53 werden diese Informationen als Eingabe im Situati¬ onsspeicher 35 persistiert.
In der Baugruppe 53, die die Verarbeitungsschicht M3 für Schlussfolgerungen realisiert, werden auf der Grundlage der im Situationsspeicher 35, im Instruktionsspeicher 36 und der Wissensdatenbank 37 der Baugruppe 53 vorliegenden Informationen Schlussfolgerungen gezogen und Handlungsanweisungen erzeugt. Die erzeugten Handlungsanweisungen werden über den Ka- nal für Instruktionen 13 an die darunter liegende Baugruppe 52 zurückgegeben und dort in deren Instruktionsspeicher 36 persistent abgelegt. Die Schlussfolgerungen zur Situation werden dagegen als Informationsfluss an die darüber liegende Baugruppe 54, die die Verarbeitungsschicht M4 für Organisa- tion realisiert, weitergegeben und dort in deren Situations¬ speicher 35 persistent abgelegt.
Aufgrund der Informationsverarbeitung in der Baugruppe 53 verhält sich die Vorrichtung 1 derart, dass der Benutzer 2 nicht den Eindruck hat, mit einer Maschine zu interagieren .
Insofern erzeugt die Baugruppe 53 die Identität, also das We¬ sen der Vorrichtung 1. Aufgrund der Wirkungsweise der Bau¬ gruppe 53 wird aus der Vorrichtung 1 heraus so mit dem Benut¬ zer 2 kommuniziert, dass sich die Verhaltensmuster der Daten- Verarbeitungsanlage 4 nicht von denen eines Menschen unter¬ scheiden. Die Baugruppe 53 wird über einen auf das jeweilige Einsatzszenario (zum Beispiel "Labor", "Optiker", "OP-Saal", usw.) angepassten Turing-Test in seiner Qualität gesichert. Das Verhalten der Baugruppe 53 wird durch die in seiner Wis¬ sensdatenbank 37 abgelegten Regeln mit bestimmt. Die Wissensdatenbank 37 der Baugruppe 53 beinhaltet Regeln, die das mo- raiische Verhalten der Datenverarbeitungsanlage 4 dem Bedie- ner 2 gegenüber bestimmen. Die Erstellung dieser Regeln erfordert aus ethischen Gründen daher eine besondere Sorgfalt.
Die Verhaltensmuster sind erlernt, werden durch eine Kombina- tion von herkömmlichen algorithmischen Verarbeitungskomponenten 41 und von neuromorphen Verarbeitungskomponenten 42, insbesondere einem neuronalen Netz der Baugruppe 53, erzeugt und beruhen auf konkreten symbolischen Regeln. Die Wichtungen der Parameter, die die neuromorphe Verarbeitungskomponente 42 steuern und damit das Verhalten der Baugruppe 53 bestimmen, können ähnlich wie ein Programmcode verwaltet und somit von außen in Versionen in die Vorrichtung 1 eingeladen werden.
Entsprechend dem in Figur 3 dargestellten Aufbau erzeugt die Baugruppe 53 zwei Ausgabeströme. Die Informationen in Ausgabe AI zur "Situation" betreffen die Lage am Arbeitsplatz 3 und die daraus in der Baugruppe 53 getroffenen Bewertungen und gezogenen Schlussfolgerungen. Sie werden über den Kanal S4 an die als nächsthöhere Baugruppe 54 für die Organisation über- mittelt und in deren Situationsspeicher 35 persistiert. Die Ausgabe A2 mit den Instruktionen wird über den Kanal 13 an die darunter liegende Baugruppe 52 übermittelt und dort im Instruktionsspeicher 36 abgelegt. Diese Instruktionen fließen in der Baugruppe 52 in deren Berechnungen der Reaktionen ein und lösen dort entsprechende Aktionen und Mikroaktionen aus. Diese können Aktionen in die informationstechnischen Systeme hinein auslösen, die an die Baugruppe 52 angebunden sind, beispielsweise einen Bestellvorgang für ein zur Neige gehendes Material. Weitere Aktionen werden über die darunter lie- genden Schichten inclusive der Geräteschicht 30 als Hand¬ lungsempfehlungen an den Benutzer 2 kommuniziert. Die Baugruppe 54 realisiert die Verarbeitungsschicht M4 für Organisation. Auf dieser Ebene spielt die konkrete Situation an dem von der Vorrichtung 1 unterstützten Arbeitsplatz 3 nur noch eine untergeordnete Rolle. Vielmehr geht es hier um die Verarbeitung von Informationen zur allgemeinen Lage. In der Baugruppe 54 werden die Daten ausgewertet, die von mehreren Arbeitsplätzen 3 geliefert werden, die in Figur 5 mit "Arbeitsplatz 2" bis "Arbeitsplatz k" bezeichnet sind, wobei die Auswertung insbesondere arbeitsplatzübergreifend erfolgt. Auf dieser Grundlage werden die Arbeitsplätze 3 nach übergeordne¬ ten Kriterien gesteuert sowie Ressourcen zusammen geplant und genutzt. Dieses Vorgehen kann sich auf eine beliebige Zusam¬ menstellung von Arbeitsplätzen 3 beziehen. Insbesondere müssen diese Arbeitsplätze 3 nicht gleichartig sein. Allerdings ist der Informationsaustausch mit der darunterliegenden Baugruppe 53 der Verarbeitungsschicht M3 für Schlussfolgerungen, die den einzelnen Arbeitsplätzen 3 zugeordnet sind, gleichförmig gestaltet. Auch die Verarbeitungseinheit 40 der Baugruppe 54 umfasst eine algorithmische Verarbeitungskomponente 41 und eine neu- romorphe Verarbeitungskomponente 42, wobei die Letztere über¬ wiegt. In der neuromorphen Verarbeitungskomponente 42 sind Verhaltensmuster auf der Grundlage von konkreten symbolischen Regeln trainiert. Insofern verhält sich die Baugruppe 54 ent¬ sprechend angelernter Inhalte. Des Weiteren kann die neuro- morphe Verarbeitungskomponente 42 über ihre Auswertungsmecha¬ nismen gegebenenfalls in den Eingabedaten vorhandene Korrela¬ tionen ermitteln, auch wenn diese im Training nicht über den Kompositor 43 vorgegeben waren. Dem Bewerter 44 in der Baugruppe 54 liegt eine Menge von symbolischen Regeln und Geset¬ zen zu Grunde.
Die durch die Baugruppe 54 realisierte Verarbeitungsschicht M4 für Organisation ist als Analogie zur menschlichen Gemeinschaft, dem Kollektiv aufzufassen. Insbesondere ist das Re¬ gelwerk, das dem Bewerter 44 der Baugruppe 54 zugrunde liegt, von den Eigentümern der verschiedenen Arbeitsplätze 3 festgelegt. Jeder dieser Arbeitsplätze 3 umfasst für sich eine ei¬ gene Geräteschicht 30 sowie Baugruppen 51 bis 53. Die kauf¬ männische Abrechnung der Baugruppe 54 ist entsprechend über mehrere Eigentümer aufgeschlüsselt.
Die von der Baugruppe 54 als Ausgabe AI berechnete Situation wird über den Kanal S5 nach oben weiter propagiert. Da jedoch keine nächsthöhere Verarbeitungsschicht 31 in der Datenverar- beitungsanlage 4 vorhanden ist werden diese Informationen nicht weiter genutzt. Die als Ausgabe A2 berechneten Instruktionen werden dagegen entsprechend auf die darunter liegenden einzelnen Arbeitsplätze 3 konkretisiert und an diese über die Kanäle 14 weitergeleitet.
Es sei angemerkt, dass die Baugruppe 54 nicht zwingend vor¬ handen sein muss. Die Vorrichtung 1 ist bereits mit einer Geräteschicht 30 sowie der Baugruppe 51 lauffähig, mit noch sehr einfacher Funktionalität. Mit Hinzunahme der Baugruppe 52 und gegebenenfalls Baugruppe 53 sowie gegebenenfalls Bau¬ gruppe 54 erweitert sich das Leistungsspektrum der Vorrichtung 1 entsprechend.
Figur 6 veranschaulicht anhand eines konkreten Beispiels den Ablauf der Informationsverarbeitung in der Vorrichtung 1 mit der Architektur aus Figur 5. Dabei veranschaulicht Figur 6 auf beispielhafte Weise anhand eines konkreten Ausführungs¬ beispiels für die Vorrichtung 1 und anhand einer konkreten Situation sowie anhand eines konkreten Prozessschrittes am Arbeitsplatz 3 die zwischen den Verarbeitungsschichten 31 auftretenden Informationsflüsse in ihrer zeitlichen Abfolge. Die Angaben zur zeitlichen Abfolge befinden sich dabei in der ersten Spalte. Bei dem in Figur 6 dargestellten Ausführungsbeispiel verfügt die Vorrichtung 1 über einige Eingabegeräte 9, einige Ausga- begeräte 10 und einige Arbeitsgeräte 11. Der zugehörige Ar¬ beitsplatz 3 befindet sich in einem chemischen Labor. Dementsprechend sind das Thermometer 19, ein Heizgerät 18 (Koch¬ platte, Ofen) und drei Kameras 14 (CAM1, CAM2, CAM3) als Ein- gabegeräte 9 sowie ein Lautsprecher 17 (LSP) und eine E-Mail- Anbindung als Ausgabegerät 10 oder IT-Service vorhanden. Ein Benutzer 2 sei am Arbeitsplatz 3.
Aus der Geräteschicht 30 werden Temperaturmesswerte und die Position des erkannten Benutzers 2 in einer Zeitscheibe 1 an die Verarbeitungsschicht Ml für die Signalverarbeitung übertragen .
In einer Zeitscheibe 2 erfolgt in der Verarbeitungsschicht Ml eine Konsolidierung einerseits der verschiedenen Kameraergebnisse, um zu einer stabilen Aussage über die Position des Benutzers 2 zu kommen, und andererseits der Messwerte des Ther¬ mometers 19. Beispielhaft ist für das Thermometer 19 eine kognitive Interpretation, nämlich "Anstieg" und "steiler An- stieg" erzeugt. Diese Informationen werden über S2 an die Verarbeitungsschicht M2 für Reaktionen übergeben.
In Zeitscheibe 3 werden in der Verarbeitungsschicht M2 für Reaktionen die eingehenden Informationen zu einer Situation synthetisiert. Diese ist schon in diesem kleinen Beispiel recht umfangreich, aber immer noch symbolischer Natur. Zu beachten ist, dass in der Verarbeitungsschicht M2 schon eine Rückmeldung einfacher regelbasierter Entscheidungen über 12 an die Verarbeitungsschicht Ml erfolgen könnte, wie Sicher- heitshinweise oder unmittelbare Reaktionen. Dies ist in die¬ sem Beispiel jedoch nicht nötig. Die Information zur Situa¬ tion wird über S3 an die Verarbeitungsschicht M3 für Schluss¬ folgerungen weitergeleitet. In Zeitscheibe 4 wird aus der Verarbeitungsschicht M3 für
Schlussfolgerungen die Interpretation der Situation ermittelt und als Instruktion über 13 an die Verarbeitungsschicht M2 hinunter übermittelt. Im Beispiel schlussfolgert die Vorrich¬ tung 1 aus der Situation, dass Zusammenhänge zwischen dem Nichteinhalten der Rezepturvorschrift (DOE 89), den Objekten im Labor (Thermometer 19, Heizgerät 18) und dem Benutzer 2 als verfügbarer handlungsfähiger Ressource bestehen. Damit wird die Reaktion erzeugt, die in diesem Fall aus einer ein¬ fachen Handlungsempfehlung besteht, die über 13 an die Verarbeitungsschicht M2 übertragen wird. In der Verarbeitungsschicht M2 wird diese Reaktion über Re¬ geln in eine konkrete Aktion umgesetzt (Zeitscheibe 5) und schließlich über die Verarbeitungsschicht Ml für die Signal¬ verarbeitung an die Geräteschicht 30 übergeben, konkret an den Lautsprecher LSP, der in Zeitscheibe 6 dem Bediener eine Korrektur der Ofentemperatur empfiehlt.
Hier ist aber das Verfahrensbeispiel noch nicht beendet, denn auch in der darüber liegenden Verarbeitungsschicht M4 für die Organisation wird der Befund aus der Verarbeitungsschicht M3 interpretiert, jedoch weitläufiger: Es fällt aufgrund der über den Informationskanal S4 kommunizierten Situation auf, dass ein systematischer Fehler vorliegt, der im Zusammenhang mit der Rezeptur DOE 89 steht. Im Situationsspeicher 35 der Verarbeitungsschicht M4 sind über diese konkrete Situation hinaus mehr und längerfristige Daten vorhanden, die diesen
Schluss ermöglichen. Der Befund wird über die Verarbeitungs¬ schichten M3 und M2 (Zeitscheiben 5, 6 und 7) an die Geräteschicht 30 hinuntergegeben. Zusätzlich ist der Befund aus der Verarbeitungsschicht M4 mit einem fürsorglichen Sicherheits- hinweis angereichert. Dieser hätte von der Verarbeitungs¬ schicht M2 für sich alleine genommen so nicht erzeugt werden können. Als Ausgabekanal für die Korrektur der Kochvorschrift DOE 89 ist die im Situationsspeicher 35 der Verarbeitungsschicht M2 vorliegende Information an den Ersteller der Vor- schrift DOE 89 adressiert. Die Verwendung der Vorrichtung 1 bietet verschiedene Vorteile. Im Folgenden werden einige ausgewählte Beispiele ge¬ nannt . Sicherheit:
An den Arbeitsplätzen 3 der hier beschriebenen Art ist eine Vielzahl von Regeln zu beachten: keine Nahrungsmittel, Tragen einer Schutzbrille, korrekte Handhabung giftiger Substanzen. Die Vorrichtung 1 beobachtet die Gesamtsituation und gibt bei Bedarf Sicherheitshinweise an den Benutzer 2 aus. Im Gefahrenfall wird Hilfe angefordert. Auch wenn kein menschlicher Benutzer 2 am Arbeitsplatz 3 anwesend ist kann der Arbeitsplatz 3 kontrolliert werden - viel weiter gehend als mit her¬ kömmlichen Verfahren. Auch das Gewähren von Zugriff und Zu- tritt kann über die Vorrichtung 1 abgewickelt werden.
Effizienz :
Materialien und Arbeitszeit können besser genutzt werden. Beispielsweise wird die mehrfache Ausführung von Experimenten vermieden. Durch Lernen des Materialverbrauches können vo¬ rausschauend Bestände optimiert werden.
Ausbildung :
Die Handhabung von Arbeitsplatzgeräten 7, von Materialien und die richtigen Handgriffe beim Arbeiten am Arbeitsplatz 3 können mittels der Vorrichtung 1 direkt an die Benutzer 2 vermittelt werden. Auf eine Frage während der Arbeit liefert die Vorrichtung 1 umgehend die passende Information - ob durch Vorlesen, per auf den Labortisch projiziertem Lehrvideo oder augmentiert mit einer Brille mit Proj ekttionsfläche für aug- mentierte Realität.
Sofortige Auswertung der Arbeit:
Durch die normierte und einheitliche Datenhaltung über alle Arbeitsplatzgeräte 7 und Arbeitsplätze 3 hinweg ist bei- spielswiese die mathematische Auswertung wesentlich einfacher und schneller zu erreichen. Dadurch wird eine detailliertere und schnellere Bewertung von Ergebnissen möglich, ohne vorher viele einzelne Handgriffe wie Kopieren und Umformatieren von Messwerten und Beobachtungsdaten durchführen zu müssen. Automatisches Publizieren:
In der wissenschaftlichen Welt deutet sich durch die sozialen Medien ein Bruch mit der bisherigen Publikationspraxis an. Neben dem klassischen Peer Review erfolgt eine Bewertung nach " Interessanz " . Im Zuge dieser Veränderung wird die Art der Experimentier- und Datenbasis, auf deren Grundlage Aussagen getroffen und anschließend veröffentlicht werden, sich eben¬ falls mit den modernen Techniken verändern.
Die Vorrichtung 1 dokumentiert alle Sachverhalte und Verar- beitungsschritte automatisch in den revisionssicheren Logbüchern 38, aus denen sich jederzeit (Zugriffsberechtigung durch die Rolle "Auditor" vorausgesetzt) die experimentellen und auswertenden Teile jeder Publikation erzeugen lassen. Wichtig für einen Paradigmenwechsel in der Wissenschaft ist die Abkehr von "nur positive Befunde werden veröffentlicht". Dies ist aus dem Ressourcenmangel in den Anfangsj ahren der Forschung entstanden, aber heute nicht mehr sinnvoll. Da traditionell "nicht erfolgreich = nicht veröffentlicht" gilt, werden Negativ-Ergebnisse oft nicht publiziert. In der Folge werden zu viele Male fehlgeschlagene Experimente erneut wie¬ derholt .
Die Publikation von Negativ-Ergebnissen wird Einzug in die Veröffentlichungspraxis halten - nicht zwingend jedes Mal als Fachartikel, aber immer als für die Wissenschaft schnell an¬ wachsendes weltweites Rohdaten-Archiv mit automatisch gene¬ rierter inhaltlicher Beschreibung sowie einer kognitiven Erstanalyse auf maschineller Basis. Die hier beschriebene Vorrichtung 1 ermöglicht diesen Paradigmenwechsel. Abschließend sei nochmals darauf hingewiesen, dass die Daten¬ verarbeitungsanlage 1 eine physikalische Recheneinheit bilden kann oder als logische Einheit über mehrere physikalische Re¬ cheneinheiten verteilt sein kann. Teile der Datenverarbei- tungsanlage können in Hardware und/oder Software realisiert sein, wobei insbesondere für die neuromorphen Verarbeitungs¬ komponenten neuromorphe Schaltungen zum Einsatz kommen können, die ein neuronales Netz in Hardware realisieren. Ferner sei darauf hingewiesen, dass für den Betrieb der Vorrichtung ein Computerprogrammprodukt zur Anwendung kommen kann, dessen Code dem Betrieb der hier beschriebenen Vorrichtung dient, wenn der Code von einem Prozessor oder einer neuromorphen Verarbeitungseinheit ausgeführt wird. In einem Aus- führungsbeispiel kann der Code auf einem von der Datenverarbeitungsanlage auslesbaren Datenträger gespeichert sein, wie beispielsweise einer Diskette, einer Compact Disc (CD) oder einer Digital Versatile Disc (DVD) oder Ähnlichem. In anderen Ausführungsbeispielen kann das Computerprogrammprodukt Code umfassen, der auf einem Datenspeicher eines Server oder einer Gruppe von Servern gespeichert ist. In einem weiteren Ausführungsbeispiel kann der Träger auch ein elektrisches Trägersignal sein, das dazu verwendet wird, den Code von einem Ser¬ ver durch Herunterladen auf einen Server zu übertragen.
Abschließend sei noch darauf hingewiesen, dass Merkmale und Eigenschaften, die im Zusammenhang mit einem bestimmten Ausführungsbeispiel beschrieben worden sind, auch mit einem anderen Ausführungsbeispiel kombiniert werden können, außer wenn dies aus Gründen der Kompatibilität ausgeschlossen ist.
Schließlich wird noch darauf hingewiesen, dass in den Ansprüchen und in der Beschreibung der Singular den Plural einschließt, außer wenn sich aus dem Zusammenhang etwas anderes ergibt. Insbesondere wenn der unbestimmte Artikel verwendet wird, ist sowohl der Singular als auch der Plural gemeint.

Claims

Patentansprüche
1. Vorrichtung zur Unterstützung eines Benutzers (2) an einem Arbeitsplatz (3) mit:
- einer dem Arbeitsplatz (3) zugeordneten Datenverarbeitungsanlage (4),
- wenigstens einer am Arbeitsplatz (3) vorhandenen und mit der Datenverarbeitungsanlage (4) verbundenen Ausgabeeinheit (10) zur Wiedergabe von Information,
- wenigstens einer am Arbeitsplatz (3) vorhandenen und mit der Datenverarbeitungsanlage (4) verbundenen Eingabeeinheit (9), die allein dem Zweck dient, Daten an die Datenverarbei¬ tungsanlage (4) zu übermitteln,
- einer Vielzahl von am Arbeitsplatz (3) vorhandenen und von der Datenverarbeitungsanlage verwalteten Arbeitsgeräten (11), die zu Ausführung der am Arbeitsplatz (3) ausgeführten Tätigkeiten verwendbar sind,
d a d u r c h g e k e n n z e i c h n e t , d a s s die Datenverarbeitungsanlage (4) dazu eingerichtet ist,
- Vorgänge am Arbeitsplatz (3), die die Arbeitsgeräte (11) einbeziehen, mittels der Arbeitsgeräte (11) und/oder der Ein¬ gabeeinheit (9) zu erfassen,
- auf der Grundlage der erfassten Vorgänge mittels einer neuromorphen Verarbeitungskomponente (42) eine Situation zu erkennen und
- auf der Grundlage der erkannten Situation eine Nachricht an den Benutzer (2) auszugeben.
2. Vorrichtung nach Anspruch 1,
d a d u r c h g e k e n n z e i c h n e t , d a s s die Datenverarbeitungsanlage (4) über wenigstens eine Verar¬ beitungsschicht (31) verfügt, die jeweils wenigstens eine Baugruppe (32) aufweist, in der eine Verarbeitungseinheit (40) mit wenigstens einer neuromorphen Verarbeitungskompo- nente (42) ausgebildet ist.
3. Vorrichtung nach Anspruch 2,
d a d u r c h g e k e n n z e i c h n e t , d a s s die Verarbeitungseinheit (40), die mit wenigstens einer neu- romorphen Verarbeitungskomponente (42) ausgestattet ist, zu- sätzlich über wenigstens eine algorithmische Verarbeitungs¬ komponente (41) verfügt, die mit der neuromorphen Verarbei¬ tungskomponente (42) zusammenwirkt.
4. Vorrichtung nach Anspruch 2 oder 3,
d a d u r c h g e k e n n z e i c h n e t , d a s s die Baugruppe (32) aus einem Betriebsmodus in einen Lernmodus umschaltbar ist, in dem ein Kompositor (43) die neuromorphe Verarbeitungskomponente (42) mit Trainingsinformation beauf¬ schlagt und ein Bewerter (44) in Reaktion auf die von der neuromorphen Verarbeitungskomponente (42) erzeugte Antwort eine Bewertung erzeugt und damit die neuromorphe Verarbei¬ tungskomponente (42) beaufschlagt.
5. Vorrichtung nach einem der Ansprüche 2 bis 4,
d a d u r c h g e k e n n z e i c h n e t , d a s s die in jeder Verarbeitungsschicht (31) vorgesehene wenigstens eine Baugruppe (32) über einen Kommunikationskanal (33) Situ¬ ationsinformationen von einer untergeordneten Baugruppe (32) empfängt und an eine übergeordnete Baugruppe (32) sendet und über einen weiteren Kommunikationskanal (34) Instruktionsinformation von der übergeordneten Baugruppe (32) empfängt und an die untergeordnete Baugruppe (32) sendet.
6. Vorrichtung nach Anspruch 5,
d a d u r c h g e k e n n z e i c h n e t , d a s s die Baugruppe (32) einen der Verarbeitungseinheit (40) vorge¬ lagerten Situationsspeicher (35) aufweist, in den Situationsinformationen aus der untergeordneten Baugruppe (32) speicherbar sind, und/oder einen der Verarbeitungseinheit (40) vorgelagerten Instruktionsspeicher (36) aufweist, in den Instruktionsinformationen aus der übergeordneten Baugruppe (32) speicherbar sind.
7. Vorrichtung nach Anspruch 5 und 6,
d a d u r c h g e k e n n z e i c h n e t , d a s s der Kompositor (43) die Trainingsinformationen anhand von In- formationen erzeugt, die aus dem Situationsspeicher (35) und/oder dem Instruktionsspeicher (36) entnommen sind, und/oder selbst generiert und der Bewerter (44) in Reaktion auf die von der neuromorphen Verarbeitungskomponente (42) erzeug¬ ten Situationsinformationen und/oder Instruktionsinformation die Bewertung erzeugt und damit die neuromorphe Verarbei¬ tungskomponente (42) beaufschlagt.
8. Vorrichtung nach einem der Ansprüche 2 bis 7,
d a d u r c h g e k e n n z e i c h n e t , d a s s die Verarbeitungseinheit (40) mit einer Datenbank (37) ver¬ bunden ist, in der Verarbeitungsregeln für die Verarbeitung der Situationsinformationen und der Instruktionsinformation gespeichert sind.
9. Vorrichtung nach einem der Ansprüche 5 bis 8,
d a d u r c h g e k e n n z e i c h n e t , d a s s die Verarbeitungseinheit (40) die Verarbeitung der Situa¬ tionsinformationen in Abhängigkeit von den Instruktionsinformationen durchführt.
10. Vorrichtung nach einem der Ansprüche 2 bis 9,
d a d u r c h g e k e n n z e i c h n e t , d a s s die Datenverarbeitungsanlage über eine unter der wenigstens einen Verarbeitungsschicht (31) liegende Geräteschicht (30) verfügt, die dazu eingerichtet ist, mit den Arbeitsgeräten (11) Daten auszutauschen, wobei die über der Geräteschicht (30) liegende Verarbeitungsschicht (31) für die Signalverar¬ beitung neu hinzugefügte Arbeitsgeräte (11) selbsttätig an¬ hand eines Gerätekatalogs erkennt.
11. Vorrichtung nach einem der Ansprüche 1 bis 10,
d a d u r c h g e k e n n z e i c h n e t , d a s s die Eingabeeinheit eine Kamera (14) umfasst und die Datenver¬ arbeitungsanlage (4) dazu eingerichtet aus den von der Kamera (14) gelieferten Bildern mittels Bilderkennung Daten zur Erkennung der Situation zu erzeugen.
12. Vorrichtung nach Anspruch 8, 10 und 11,
d a d u r c h g e k e n n z e i c h n e t , d a s s die über der Geräteschicht (30) liegende Verarbeitungsschicht (51) für die Signalverarbeitung dazu eingerichtet ist, der Vorrichtung neu hinzugefügte Arbeitsgeräte (11) mit Hilfe der Kamera (14) und der nachgeordneten Bilderkennung zu erkennen und die zur Inbetriebnahme des neu hinzugefügten Arbeitsgerä¬ tes (11) erforderlichen Daten aus dem in der Datenbank (37) gespeicherten Leistungskatalog auszulesen.
13. Vorrichtung nach Anspruch 10 oder 12,
d a d u r c h g e k e n n z e i c h n e t , d a s s die Vorrichtung über der Verarbeitungsschicht (51) für die Signalverarbeitung eine weitere Verarbeitungsschicht (52) für Reaktionen und darüber eine Verarbeitungsschicht (53) für Schlussfolgerungen aufweist, wobei mit der Verarbeitungs¬ schicht für Reaktionen (52) im Vergleich zu der Verarbeitungsschicht für Schlussfolgerungen (53) schneller Steuerbefehle für die Arbeitsgeräte (11) und/oder die Ausgabegeräte (10) erzeugbar sind als mit der Verarbeitungsvorrichtung (53) für Schlussfolgerungen.
14. Vorrichtung nach einem der Ansprüche 2 bis 13,
d a d u r c h g e k e n n z e i c h n e t , d a s s die Vorrichtung eine oberste Verarbeitungsschicht (54) auf¬ weist, an die mehrere Arbeitsplätze (3) angebunden sind.
15. Vorrichtung nach einem der Ansprüche 1 bis 14,
d a d u r c h g e k e n n z e i c h n e t , d a s s die Ausgabeeinheit einen Projektor (16) umfasst, mit dem sich Hinweise für den Benutzer (2) auf den Arbeitsplatz (3) projizieren lassen.
16. Vorrichtung nach einem der Ansprüche 1 bis 15 d a d u r c h g e k e n n z e i c h n e t , d a s s die Arbeitsgeräte (11) der Materialbearbeitung und/oder Mate- rialuntersuchung dienen.
17. Verfahren zur Unterstützung eines Benutzers (2) an einem Arbeitsplatz (3) bei dem:
- eine dem Arbeitsplatz (3) zugeordnete Datenverarbeitungs- anläge (4) verwendet wird,
- wenigstens eine am Arbeitsplatz (3) vorhandene und mit der Datenverarbeitungsanlage (4) verbundene Ausgabeeinheit (10) zur Widergabe von Information verwendet wird,
- wenigstens eine am Arbeitsplatz (3) vorhandene und mit der Datenverarbeitungsanlage (4) verbundene Eingabeeinheit (9) ausschließlich dazu verwendet wird , Daten an die Datenverarbeitungsanlage (4) zu übermitteln,
- eine Vielzahl von am Arbeitsplatz (3) vorhandenen Arbeitsgeräten (11), die zu Ausführung der am Arbeitsplatz (3) aus- geführten Tätigkeiten verwendbar sind, von der Datenverarbeitungsanlage (4) verwaltet werden
d a d u r c h g e k e n n z e i c h n e t , d a s s
- durch die Datenverarbeitungsanlage (4) Vorgänge am Ar¬ beitsplatz (3), die die Arbeitsgeräte (11) einbeziehen, mit- tels der Arbeitsgeräte (11) und/oder der Eingabeeinheit (9) erfasst werden, dass
- durch die Datenverarbeitungsanlage (4) mittels einer neu- romorphen Verarbeitungskomponente (42) eine Situation erkannt wird und dass
- auf der Grundlage der erkannten Situation eine Nachricht an den Benutzer (2) ausgegeben wird.
18. Verfahren nach Anspruch 16,
d a d u r c h g e k e n n z e i c h n e t , d a s s die Eingabeeinheit (9), die Ausgabeeinheit (10), die Arbeits¬ geräte (11) und die Datenverarbeitungsanlage (4), gemäß einem der Ansprüche 2 bis 16 strukturiert ist
19. Computerprogrammprodukt,
d a d u r c h g e k e n n z e i c h n e t , d a s s das Computerprogrammprodukt Programmcode enthält, das bei Ausführung auf einer Datenverarbeitungsanlage (4) das Verfah¬ ren nach Anspruch 17 oder 18 implementiert.
PCT/EP2018/080693 2017-11-10 2018-11-08 Vorrichtung zur unterstützung eines benutzers an einem arbeitsplatz, verfahren und computerprogrammprodukt WO2019092154A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP18800608.4A EP3707651A1 (de) 2017-11-10 2018-11-08 Vorrichtung zur unterstützung eines benutzers an einem arbeitsplatz, verfahren und computerprogrammprodukt

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102017126457.4 2017-11-10
DE102017126457.4A DE102017126457A1 (de) 2017-11-10 2017-11-10 Vorrichtung zur Unterstützung eines Benutzers an einem Arbeitsplatz, Verfahren und Computerprogrammprodukt

Publications (1)

Publication Number Publication Date
WO2019092154A1 true WO2019092154A1 (de) 2019-05-16

Family

ID=64270886

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2018/080693 WO2019092154A1 (de) 2017-11-10 2018-11-08 Vorrichtung zur unterstützung eines benutzers an einem arbeitsplatz, verfahren und computerprogrammprodukt

Country Status (3)

Country Link
EP (1) EP3707651A1 (de)
DE (1) DE102017126457A1 (de)
WO (1) WO2019092154A1 (de)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120154582A1 (en) * 2010-09-14 2012-06-21 General Electric Company System and method for protocol adherence
US20140244344A1 (en) * 2013-02-26 2014-08-28 Elwha Llc System and method for activity monitoring
US20160125654A1 (en) * 2013-05-22 2016-05-05 Kawasaki Jukogyo Kabushiki Kaisha Component assembly work support system and component assembly method
EP3136314A1 (de) * 2015-08-27 2017-03-01 Arkite NV Qualitätskontrollsystem für einen arbeitsbereich eines betriebsprozesses
US20170068924A1 (en) * 2015-09-04 2017-03-09 Kabushiki Kaisha Toshiba Spectacle-type electronic device, work management system, and information management server
CN206058263U (zh) 2016-07-27 2017-03-29 南方电网科学研究院有限责任公司 基于智能化数据采集的实验室管理系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6553357B2 (en) * 1999-09-01 2003-04-22 Koninklijke Philips Electronics N.V. Method for improving neural network architectures using evolutionary algorithms
AT513130B1 (de) * 2012-08-24 2014-02-15 Tgw Logistics Group Gmbh Verfahren und System zur Unterstützung eines Arbeiters in einer Anlage zur Manipulation von Waren

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120154582A1 (en) * 2010-09-14 2012-06-21 General Electric Company System and method for protocol adherence
US20140244344A1 (en) * 2013-02-26 2014-08-28 Elwha Llc System and method for activity monitoring
US20160125654A1 (en) * 2013-05-22 2016-05-05 Kawasaki Jukogyo Kabushiki Kaisha Component assembly work support system and component assembly method
EP3136314A1 (de) * 2015-08-27 2017-03-01 Arkite NV Qualitätskontrollsystem für einen arbeitsbereich eines betriebsprozesses
US20170068924A1 (en) * 2015-09-04 2017-03-09 Kabushiki Kaisha Toshiba Spectacle-type electronic device, work management system, and information management server
CN206058263U (zh) 2016-07-27 2017-03-29 南方电网科学研究院有限责任公司 基于智能化数据采集的实验室管理系统

Also Published As

Publication number Publication date
DE102017126457A1 (de) 2019-05-16
EP3707651A1 (de) 2020-09-16

Similar Documents

Publication Publication Date Title
Funke Solving complex problems: Exploration and control of complex systems
Wei et al. The cognitive task analysis methods for job and task design: review and reappraisal
DE60215777T2 (de) Kontextbasierte informationsrecherche
Umanath et al. An examination of two screen/report design variables in an information recall context
WO2020098949A1 (de) Laborsystem mit zumindest teilweise vernetzten laborgeräten und verfahren zur steuerung eines laborsystems mit zumindest teilweise vernetzten laborgeräten
Ali et al. Developing an agent-based simulation model of software evolution
DE102022105049A1 (de) Verfahren, vorrichtung und system zur empfehlung eines sets aus rehabilitationsprogrammen für einen bei einem arbeitsunfall verletzten arbeiter
DE102006027669A1 (de) Workflow-Maschine zur Verwaltung einer Arbeitsliste und ein Verfahren hierfür
Wilson et al. Designing a social robot to assist in medication sorting
Ellwart et al. Intentional forgetting in socio-digital work systems: system characteristics and user-related psychological consequences on emotion, cognition, and behavior
DE102017208626A1 (de) Liquide Belegschafts-Plattform
WO2019092154A1 (de) Vorrichtung zur unterstützung eines benutzers an einem arbeitsplatz, verfahren und computerprogrammprodukt
EP1936523A1 (de) System zur Optimierung eines Betreuungs- und Überwachungsnetzwerk
Siedlecka et al. Task-related motor response inflates confidence
EP1561172B1 (de) Vorrichtung zur bereitstellung eines zugriffs auf daten
Darnstaedt et al. Procedure for describing human expert knowledge and cognitive processes during the teach-in of industrial robots
Abraham et al. Development and evaluation of complex interventions in nursing: Application of the medical research council's framework using the example of interventions to prevent physical restraints
DE10322684A1 (de) Verfahren zur Verarbeitung einer Versionsänderung eines medizinische Therapiehinweise umfassenden Datensatzes
Gitlow et al. The causes of never events in hospitals
Gebhardt Evaluating a Configurator Application for Modeling Data Collection Instruments: An Experimental Study
DE102018009612A1 (de) Verfahren zur Erstellung von nutzerspezifisch zugeschnittenen automatischen Wissens- und Lernmodellen und zur Kommunikation dieser mit dem Nutzer
Funk et al. Design and validation of a computer-based task for the induction of a mental workload spectrum
Walczok Friend or foe? How innovative digital technologies affect motivational work characteristics and employees' perceived job insecurity
DE102017117190A1 (de) System zum Durchführen einer klinischen Studie
EP4113273A1 (de) Dentalgerätesystem

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18800608

Country of ref document: EP

Kind code of ref document: A1

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)
ENP Entry into the national phase

Ref document number: 2018800608

Country of ref document: EP

Effective date: 20200610