Das Potential von KI in Test- und Messsystemen

Der Einsatz von KI-Modellen wird aktuell in der Industrie stark diskutiert. In allen Bereichen werden neue KI-Modelle und -Applikationen vorgestellt. Basis all dieser KI-Modelle sind riesige Datenbestände (meist aus dem Internet), die als Grundlage der KI-Modelle dienen. So kann zum Beispiel Chat-GPT oder Microsoft Co-Pilot bei der Erstellung von Software in unterschiedlichen Programmiersprachen unterstützen. Die Ergebnisse können zu einer deutlichen Verkürzung der Entwicklungszyklen beitragen. Doch wie kann man KI-Modelle auf Test- und Messsysteme übertragen?

Grundsätzlich muss man hier unterscheiden, für welchen Bereich man KI-Modelle anwenden will. Ein einfacher Weg ist es, die Modelle für die Unterstützung bei der Entwicklung von Test- und Messsoftware zu verwenden. Hier lässt sich zum Beispiel Microsoft Copilot für die Entwicklung von Python-Skripten oder C++ Anwendungen gut einsetzen.

Parasoft erweitert Testautomatisierung für C/C++

Parasoft erweitert seine Testlösungen C/C++test und C/C++test CT um ein TÜV-zertifiziertes GoogleTest-Framework und agentenbasierte KI-Workflows. Ziel ist eine effizientere Testautomatisierung für sicherheitskritische C- und C++-Software in regulierten Branchen.

Im Allgemeinen sind Test- und Messsysteme riesige Datensammler. Alle gemessenen und verwendeten Parameter werden gespeichert, zusätzlich können auch Daten von Bugtracking- oder Programm-Management-Systemen gespeichert werden. Diese dienen im Allgemeinen als Basis für Auswertungen, Planung oder Reports. Diese Daten sind sicherlich für jede Firma ein Datenbestand, der mindestens als „Company Confidential“ gelten sollte. Jedoch wären diese Daten eigentlich dafür prädestiniert um mit ihnen entsprechende KI-Modelle zu trainieren. Diese Daten sind aber nicht als statisch zu betrachten, sondern eher als dynamisch, da weitere Test- und Mess-Aufgaben durchgeführt werden.

Warum sind kundenspezifische Daten für KI entscheidend?

Es existieren bereits einige KI-Modelle auf cloudbasierten Testsystemen, die nur bedingt brauchbar sind. Diese KI-Modelle wurden mit nicht-kundenspezifischen Daten trainiert und helfen bei kundenspezifischen Anwendungen nur bedingt. Es braucht also KI-Modelle, die auf Basis von kundenspezifischen Daten trainiert worden sind. Diese müssen somit zyklisch verbessert und angepasst werden. Hierbei ist eine direkte Verzahnung zwischen Test- und Messapplikation und den KI-Modellen erforderlich.

„Plattformen sind das Rückgrat KI‑gestützter Entwicklung“

KI wird nur dann echte Produktivitätsgewinne in der automobilen Softwareentwicklung liefern, wenn sie über Prozesse, Toolchains und Governance hinweg skaliert wird. Saskia Kohlhaas von IAV erklärt, wie KI‑durchdrungene Entwicklung effektiv umgesetzt werden kann.

Benjamin Müller

Wie lassen sich KI-Modelle kontinuierlich verbessern?

Die eigentliche Test- und Messapplikation muss einen eigenen Prozess etablieren, um die entsprechenden KI-Modelle stetig zu verbessern:

• Daten sammeln
  Daten werden aus den laufend erstellten Testskripten, den Prozessdaten, den Testergebnissen und-Fehlern, den Durchlaufzeiten, und den Bugtracking-Daten generiert.

• Daten bereinigen
  Daten werden bereinigt, um valide Daten zu erhalten (Dubletten und Anomalien entfernt, Daten vereinheitlicht, korrupte Daten entfernt).

• Daten für definierte Ziele aufbereiten
  Die Daten müssen nach vorgegebenen Zielgrößen aufbereitet werden (z. B. bessere Testskripte, kürzere Entwicklungszeiten, kürzere Durchlaufzeiten, kürzere Bearbeitungszeit, optimale Kalibrierzyklen, bessere Qualitätsaussagen, höhere Kundenzufriedenheit).

• KI-Modell trainieren
  Mithilfe der aufbereiteten Daten werden die Modelle erneut trainiert und die Ergebnisse anhand von realen Tests bewertet. Hier soll automatisiert die Qualität des neuen Modells verifiziert werden.

• Optimierungsvorschläge erzeugen
  Aufgrund der Trainings-Ergebnisse können die neuen Modelle übernommen oder verworfen werden. Diese Modelle werden dann in einer Preview-Version bereitgestellt.

•  Prüfung / Übernahme der Verbesserungen
  Eine Instanz muss final die Ergebnisse der Preview-Versionen und deren Nutzen bewerten. Bei Verbesserungen werden die Modelle in den operativen Ablauf aufgenommen.

•  Definierte KPIs überwachen
  Die Modelle werden kontinuierlich anhand klarer KPIs gemessen und bewertet. So soll die kontinuierliche Verbesserung gewährleistet sein und diese auch gemessen werden können.

KI für Test und Messtechnik

Generative KI verlässt die Hype-Zone und liefert in der Test- und Messtechnik messbaren Mehrwert: Nigel AI beschleunigt Abläufe, entschärft Komplexität und treibt Entwicklung mit überraschender Wucht voran.

Austin Hill

Ein derartiges Konzept wird derzeit bereits umgesetzt und geht 2027 in den produktiven Betrieb (TSEP Test- und Messsystem Herakles). Besonders positiv wurde bewertet, dass das Konzept die Kundendaten mit beinhaltet und die KI-Modelle entweder auf der Infrastruktur des Kunden laufen können oder über eine entsprechende Hardware Verwendung finden. Ziel ist es jedoch immer, dass die Daten nicht die Infrastruktur des Kunden verlassen.

Beispiele für KI-Unterstützung

Nun drängt sich die Frage auf, welche Bereiche bei Test- und Messsystemen mit KI-Modellen adressiert werden können. Ein signifikanter Punkt ist die Steigerung der Performance der Test- und Messabläufe, wobei eine optimale Abfolge der Tests zur Detektion von Fehlern wünschenswert wäre. Hier könnten KI-Modelle darauf trainiert werden, Muster in der Verteilung der Fehler während der Tests zu detektieren und die Reihenfolge der Test entsprechend zu optimieren.

Bessere Messdaten und Simulationen durch KI

Ein anderer wesentlicher Punkt ist die „Quality of measurement data“. Jeder Test- und Mess- Ingenieur weiß, dass Messwerte nie exakt gemessen werden können. Es gibt immer Störgrößen, welche die Ergebnisse beeinflussen. Die angegebenen Messwertbereiche sind in der Regel Erfahrungswerte. So wäre es sicherlich hilfreich, wenn Muster in der Verteilung der Messwerte in dem angegebenen Bereich erkannt würden und diese zur Optimierung der Bereichswerte herangezogen werden könnten.

Ein weiterer Punkt betrifft die Verbesserung der Simulationsalgorithmen in einem Digitalen Zwilling. Ein digitaler Zwilling (engl. Digital Twin) ist ein digitales (virtuelles) Abbild eines realen Prozesses und dessen Daten. Anfang des 21. Jahrhunderts wurde die Idee des digitalen Zwillings zu einem Konzeptmodell weiterentwickelt. Auf Basis dieser Daten könnten KI-Modelle trainiert werden, um die Simulationsalgorithmen zu verbessern, was dann direkt in den realen Prozess einfließen könnte.

Kolumne von Silicon Saxony: Im Schatten der großen Namen

Nvidia und TSMC dominieren die öffentliche Wahrnehmung der Halbleiterindustrie. Doch Materialien, Messtechnik, Leistungselektronik und Spezialkomponenten zeigen, wie tief und komplex die eigentliche Wertschöpfungskette reicht.

Frank Bösenberg

Fazit

Es zeigt sich, dass KI-Modelle bei Test- und Messsystemen sicherlich ihre Anwendung finden werden. Jedoch müssen diese KI-Modelle auf kundenspezifischen Daten basieren. Da die Menge an verfügbaren Daten stetig wächst, impliziert dies, dass die KI-Modelle entsprechend aktualisiert und verbessert werden müssen. Die Metrik für diese Verbesserung ist individuell anhand der eigenen Anforderungen des Test- und Messsystems zu definieren und darauf abzustimmen. Somit muss festgestellt werden, dass standardisierte KI-Modelle helfen können, jedoch der wirkliche Boost nur mit KI-Modellen auf Basis eigener Daten erfolgen kann. Sicher ist aber, dass KI-Modelle auch im Bereich der Test- und Messsysteme Einzug halten werden. (bs)