1. KI wird leichter zugänglich für alle

Mit der zunehmenden Verbreitung der KI in der Industrie werden mehr Ingenieure und Wissenschaftler – nicht nur Data Scientists – an KI-Projekten arbeiten. Da sie mittlerweile auf bestehende Modelle für Deep Learning und eine größere Forschungsbasis zugreifen können, müssen sie Modelle nicht mehr von Grund auf neu erstellen. Dies stellt eine enorme Erleichterung dar. Zudem werden Modelle für Deep Learning immer vielfältiger einsetzbar. Während die KI-Modelle früher mehrheitlich auf Bildern basierten, enthalten die meisten heute mehr Sensordaten, einschließlich Zeitreihendaten, Text und Radar.

2020 erwartet Math Works ein rasantes Wachstum bei KI-Anwendungen

Dr. Frank Graeber von Math Works erwartet 2020 ein rasantes Wachstum bei KI-Anwendungen. Adobe Stock

Ingenieure und Wissenschaftler werden den Erfolg eines Projekts aufgrund ihrer inhärenten Fachkenntnis der Materie stark beeinflussen, was ein Vorteil gegenüber Datenwissenschaftlern ist, die mit dem jeweiligen Fachgebiet weniger vertraut sind. Mit Werkzeugen wie dem automatisierten Labeling können sie ihr Domänenwissen nutzen, um schnell große, qualitativ hochwertige Datensätze zu kuratieren. Je mehr qualitativ hochwertige Daten verfügbar sind, desto höher ist die Wahrscheinlichkeit der Genauigkeit eines KI-Modells und damit auch dessen Erfolg.

Zunahme von KI-gesteuerten Systemen erhöht Komplexität des Designs

Da KI für die Arbeit mit mehreren Sensortypen (IMUs, Lidar, Radar usw.) trainiert ist, implementieren Ingenieure künstliche Intelligenz in eine breite Palette von Systemen, darunter autonome Fahrzeuge, Flugzeugtriebwerke, Industrieanlagen und Windturbinen. Dabei handelt es sich jeweils um sehr komplexe Systeme, bei denen das Verhalten des KI-Modells einen erheblichen Einfluss auf die gesamte Systemleistung hat. In diesem Sinne ist die Entwicklung eines KI-Modells nicht das Ziel selbst, sondern lediglich ein Schritt auf dem Weg zu einer optimalen Systemleistung.

Entwickler setzen auf Werkzeuge des Model-Based Design für die Simulation, Integration und das kontinuierliche Testen dieser KI-getriebenen Systeme. Die Simulation ermöglicht es Entwicklern zu verstehen, wie die KI mit dem Rest des Systems interagiert. Durch die Integration können Entwickler Designideen innerhalb eines vollständigen Systemkontextes ausprobieren. Durch kontinuierliche Tests sind sie in der Lage, schnell Schwachstellen in den KI-Trainingsdatensätzen oder Designfehler in anderen Komponenten zu finden. Model-Based Design stellt somit einen End-to-End-Workflow dar, der die Komplexität des Entwurfs von KI-gesteuerten Systemen bändigt.

Leichterer Einsatz von KI auf kostengünstigen Embedded-Geräten

KI hat bisher in der Regel die 32-Bit-Gleitkommaarithmetik verwendet, wie sie in Hochleistungs-Computersystemen, einschließlich GPUs, Clustern und Rechenzentren, verfügbar ist. Dies ermöglichte genauere Ergebnisse und ein einfacheres Training der Modelle, schloss aber kostengünstige Geräte mit geringem Stromverbrauch und Festkommadarstellung aus. Durch jüngste Fortschritte bei den Software-Tools unterstützen diese jetzt KI-Inferenzmodelle mit verschiedenen Stufen der Festkommaarithmetik.

Damit kann KI auf diesen kostengünstigen Geräten mit geringem Stromverbrauch zum Einsatz kommen und eröffnet Ingenieuren so neue Möglichkeiten für die Integration von KI in ihren Designs. Beispiele hierfür sind kostengünstige elektronische Steuergeräte (ECUs) in Fahrzeugen und andere industrielle Embedded-Anwendungen.

Reinforcement Learning etabliert sich in der Industrie

Im Jahr 2020 wird das Reinforcement Learning von Beispielen wie Schach, Go und Computerspielen zur reellen Option für industrielle Anwendungen übergehen – insbesondere in den Bereichen automatisiertes Fahren, autonome Systeme, Reglerentwurf und Robotik. Die Erfolgsaussichten sind gut, wenn das Reinforcement Learning (RL) als eine Komponente zur Verbesserung eines größeren Systems eingesetzt wird.

Die wichtigsten Voraussetzungen sind einfachere Werkzeuge für Ingenieure, um RL-Strategien zu erstellen und zu trainieren. Es müssen viele Simulationsdaten für das Training generiert werden. Zudem benötigt man einfache Möglichkeiten für die Integration von RL-Agenten in Werkzeuge zur Systemsimulation und die Codegenerierung für Embedded Hardware. Ein Beispiel ist die Verbesserung der Fahrerleistung in einem autonomen Fahrsystem. KI kann den Regler in diesem System durch Hinzufügen eines RL-Agenten verbessern, um die Leistung zu erhöhen und zu optimieren – wie z. B. höhere Geschwindigkeit, reduzierter Kraftstoffverbrauch oder Reaktionszeit. Dies kann in ein vollständiges Modell des Systems zum autonomen Fahren integriert werden, das ein Fahrdynamikmodell, ein Umgebungsmodell, Kamerasensormodelle und Bildverarbeitungsalgorithmen umfasst.

Bessere Datenqualität durch Simulation

Die Datenqualität ist eine der größten Hürden für die erfolgreiche Einführung von KI. Die Simulation wird dazu beitragen, diese Barriere im Jahr 2020 zu senken. Wir wissen, dass das Training genauer KI-Modelle eine große Menge Daten erfordert. Daten für den normalen Systembetrieb sind zwar oft vorhanden, was man aber wirklich benötigt, sind Daten von Anomalien oder kritischen Ausfallbedingungen.

Dies gilt insbesondere für Anwendungen der vorausschauenden Wartung (Predictive Maintenance), wie z. B. die genaue Vorhersage der Restnutzungsdauer einer Pumpe auf einem Industriestandort. Doch die Erstellung von Ausfalldaten von physischen Geräten ist destruktiv und teuer. Deshalb besteht der beste Ansatz darin, Daten aus Simulationen zu generieren, die das Ausfallverhalten darstellen, und die synthetisierten Daten zu verwenden, um ein genaues KI-Modell zu trainieren. Die Simulation wird sich deshalb rasch zu einem Schlüsselfaktor für KI-gesteuerte Systeme entwickeln.