Autonome Roboter mit Lernalgorithmus: Eine Grauzone in Haftungsfragen?

Roboter sollen möglichst flexibel in unterschiedlichen Handlungsumgebungen und -zusammenhängen agieren können. Um das zu realisieren, werden Lernalgorithmen entwickelt, die ein Lernen nach dem Vorbild der Natur ermöglichen. Wenn eine so lernende Maschine einen Schaden verursacht, stellt sich die Frage, wer diesen verantwortet. Es kann eine Grauzone zwischen Produkt- und Halterhaftung entstehen. Ausgehend von Ersetzbarkeitskriterien wird ein konkreter Vorschlag unterbreitet, wie man mit dieser Grauzone umgehen könnte.

Industrieroboter sind seit den 1970er Jahren fester Bestandteil der industriellen Fertigung. Ihre Einführung wurde damals flankiert von mehreren Studien, die zum einen die Veränderung der Arbeit selbst, zum anderen die betriebswirtschaftliche Betrachtung, und schließlich die Konsequenzen für den Arbeitsmarkt in den Mittelpunkt stellten (beispielhaft [1-4]). Die Ersetzbarkeit des Menschen stand dabei wie bei kaum einer anderen Technik zuvor im Zentrum der Überlegungen. Die Bandbreite reicht dabei in der Fertigung vom „Abnehmen“ schwerer und unangenehmer Arbeiten (z.B. dem Heben schwerer Gegenstände) bis hin zum kompletten Ersatz einer menschlichen Arbeitskraft in einem Fertigungskontext (z.B. dem Zusammenbauen von Karosserieteilen im Kfz-Bereich).

Seit dieser Zeit wurden Roboter weiterentwickelt, ihre Einsatzbereiche haben sich erweitert. Heutzutage werden die meisten Mikroprozessoren nicht etwa in Computern eingesetzt, sondern als zentrale Elemente (so genannte Mikrokontroller) in Autos, Flugzeugen, Häusern, Maschinensteuerungen, Satelliten, Mobiltelefonen, Waschmaschinen, Spielautomaten, Kameras etc. Man kann von einer „Roboterisierung“ unserer Umwelt sprechen, welche zurzeit unter den Überschriften „ubiquitous/pervasive computing“ diskutiert wird. Diese Entwicklung geht einher mit größerer Leistungsfähigkeit, Miniaturisierung und breiter Verfügbarkeit von Motoren, Getrieben, Batterien, Sensoren etc. In der allgemeinen Robotik kann man inzwischen von einer (Mindest-)Verfügbarkeit und Stabilität der Komponenten in Hardware und Software ausgehen, die einen ingenieurtechnischen Aufbau der Systeme erlauben.

Zentral für die heute etablierte Industrierobotik ist der jeweils konkret festgelegte Handlungskontext. Ein Roboter wird für eine bestimmte Arbeit entwickelt und mit entsprechenden Steuerungsprogrammen ausgestattet. Das heißt nicht, dass ein Industrieroboter nur für einen konkreten Arbeitsprozess eingesetzt werden kann. Ein Schweißroboter im Fertigungsprozess der Automobilindustrie ist in der Lage, alle Modelle, die gefertigt werden, zu bearbeiten. Aber die Anwendung bleibt auf den Kontext (hier das Schweißen oder auch eine kleine Anzahl von unterschiedlichen Tätigkeiten) beschränkt. Soll der Roboter eine neue Aufgabe übernehmen (hier z.B. ein neues Karosseriemodell schweißen), dann muss er dafür programmiert werden.

Mit diesem Problem wird in der Industrieroboterentwicklung in zweierlei Hinsicht umgegangen: Zum einen (und eher kurzfristig) wird die Programmierung vereinfacht, sodass sie entweder vor Ort von geschultem Personal oder durch Fernprogrammierung erledigt werden kann. Zum anderen (mittel- bis langfristig) werden Lernalgorithmen entwickelt, die es dem Roboter ermöglichen sollen, selbst neue Handlungsmuster erlernen zu können. Erscheint der Bedarf nach lernenden Robotersystemen in der produzierenden Industrie vielleicht geringer, weil man mit der Verbesserung der Programmierbarkeit schon gute Erfolge erzielen könnte (z.B. kürzere Produktionsstillstände), so kann man davon ausgehen, dass in neuen Anwendungsbereichen, vor allem im Dienstleistungssektor, die Lernfähigkeit der Systeme ein Schlüsselelement für den erfolgreichen Einsatz von Robotern darstellt. In Dienstleistungszusammenhängen muss der Roboter in die Lage versetzt werden, sich in unbekanntem räumlichem Umfeld, mit unbekannten menschlichen Akteuren bewegen und die ihm übertragenen Aufgaben durchführen zu können. Kurz gesagt verändert sich der Handlungszusammenhang von bestimmten Handlungen in konkreten Kontexten in der industriellen Fertigung hin zu teilweise bestimmten Handlungen in unbekannten, wechselnden Kontexten im Dienstleistungsbereich. Um dieser Unbestimmtheit im Handlungskontext gerecht werden zu können, werden so genannte autonome, lernende Roboter entwickelt.

Interdisziplinäre Kategorien zur Beurteilung von Robotern

Bleibt man bei der bereits eingeführten Überlegung, dass Roboter Handlungen durchführen, die ansonsten von Menschen erledigt werden müssten, dann lassen sich die im Folgenden dargestellten Kriterien der Ersetzbarkeit entwickeln. Diese können gleichermaßen (wenn auch mit unterschiedlicher Relevanz und Gewichtung) für eine Technikfolgenbeurteilung im Allgemeinen und für eine unternehmerische Entscheidung, beispielsweise ob in einem bestimmten Servicebereich Roboter eingesetzt werden sollen, herangezogen werden.

Zunächst stellt sich die Frage nach der technischen Ersetzbarkeit. Man wird einen Roboter nur dann einsetzen, wenn er technisch dazu in der Lage ist, Handlungen auszuführen, die es für das Erfüllen einer bestimmten Aufgabe zu erledigen gilt. Der Roboter wird somit in einem Zweck-Mittel-Zusammenhang beurteilt. Dabei tritt er in Konkurrenz zu eventuell vorhandenen anderen Mitteln. Was der Roboter technisch können muss, wird beispielsweise in einer Checkliste festgehalten.

Schnell kommt man bei solchen Zweck-Mittel-Betrachtungen an einen Punkt, an dem man den Nutzen von Robotern mit Bezug auf deren Kosten bewerten muss (ökonomische Ersetzbarkeit). Dabei geht es nicht nur um strenge Kosten-Nutzen-Überlegungen im ökonomischen Sinne, denn dabei bleiben Aspekte eines weiter gefassten Nutzenbegriffs häufig unberücksichtigt. Bei der Beurteilung von „Service-Robotern“ wird das offensichtlich. Mit Service werden immer auch schwer bewertbare Aspekte wie Freundlichkeit, Hilfsbereitschaft, Aufmerksamkeit, Zuvorkommenheit verbunden. Wie sind diese „soft skills” in der Beurteilung zu berücksichtigen? Welchen Stellenwert haben sie aus der Sicht der Nachfrager der Dienstleistung?

Zum Weiterlesen klicken Sie hier

Das könnte Sie auch interessieren

Verbesserung der Transparenz im logistischen Prozessmanagement Die (geheime) Macht von Durchlaufdiagrammen

Werden Führungskräfte aus Unternehmen mit klassischer Werkstattfertigung zu bestehenden Defiziten befragt, äußern sie vor allem Kritik an der mangelnden Transparenz in der Auftragsabwicklung. Zudem bemängeln sie das Fehlen geeigneter Methoden zur Ermittlung realistischer Liefertermine sowie die Liefertreue, die als verbesserungswürdig gilt. Dabei liegen bereits viele Daten und Diagramme vor, die helfen können – sie müssen nur richtig angewendet werden.

Retrofit in der Produktionslogistik 5 Punkte, die Sie unbedingt beachten sollten

Das Retrofit bestehender Produktions- und Logistiksysteme bietet Unternehmen die Chance, mit überschaubarem Aufwand ihre Effizienz zu steigern und Kosten nachhaltig zu senken. Trotz klarer Vorteile zögern viele Betriebe, da sie wirtschaftliche Unsicherheit und Betriebsunterbrechungen fürchten. Dabei können bereits kleine Modernisierungen schnelle Erfolge bringen und gleichzeitig die Weichen für künftige Herausforderungen stellen.

Automatisierungspotenziale der Intralogistik ausschöpfen Ganzheitliche Vernetzung der Shopfloor-Flotte bei raschem Return on Investment

In der Intralogistik wurden Fahrzeuge zumeist von Menschen gesteuert. Doch das ändert sich: Fahrerlose Transportsysteme, häufig von verschiedenen Herstellern, sind auf dem Vormarsch. Um diese jedoch effizient steuern zu können, braucht es eine übergreifende Software für das Flottenmanagement. Durch eine zentrale Leitsteuerung und eine optimale Routenplanung mittels Künstlicher Intelligenz können Unternehmen ihren Shopfloor optimieren.

Smartes Qualitätsmanagement im Produktionsumfeld KI und die nächste Stufe der 8D-Methode

Das Qualitätsmanagement erlebt derzeit eine Revolution: Die Anwendung von KI hebt QM-Prozesse im Reklamationsmanagement wie die Erstellung und Abwicklung des 8D-Reports auf das nächste Level. Ein cloudbasiertes Dokumentenmanagementsystem (DMS) hilft bei der nahtlosen Übergabe entlang der gesamten Lieferkette. Erfahren Sie hier, weshalb ein effektives Datenmanagement zentral für den Unternehmenserfolg ist.

Resiliente Fabrik: plattformtauglich, durchgängig, modular Im Gespräch: Torsten Albrecht, Head of Industry & Services NTT DATA DACH

In Fabriken weltweit wird bereits seit über einem halben Jahrhundert sortiert, geschraubt, geschweißt und lackiert. Produzierende Unternehmen stehen jedoch vor großen Herausforderungen und die Branche ist im Umbruch. Doch worauf kommt es an? Und wie können Fabriken fit für die Zukunft gemacht werden? Torsten Albrecht ist Head of Industry & Services bei NTT DATA DACH und hat Antworten parat.

Dynamische Simulation für Roboterstationen mit FTS-Fahrzeugen Praxisleitfaden für zukunftsorientierte Unternehmen

Die moderne industrielle Fertigung steht vor immer größeren Herausforderungen. Insbesondere in Branchen mit hohen Qualitätsansprüchen sind Perfektion, Flexibilität und Effizienz entscheidend. Hierbei erweisen sich herkömmliche Qualitätskontrollen oft als ineffizient und Einarbeitungsprozesse neuer Mitarbeiter als aufwendig. Digitale Lösungen wie Werkerassistenzsysteme gewinnen für mehr Qualität und Flexibilität.