AI ist das nächste große Ding

Künstliche Intelligenz ist der Oberbegriff für alle Methoden, bei denen der Computer anhand von Trainingsdaten lernt, eigenständige Entscheidungen zu treffen. Statt vorgegebenen Regeln konstruiert sich der Algorithmus seine Regeln selbst. Der Programmierer gibt dem Algorithmus lediglich die Trainingsdaten und den Trainingsprozess vor. Die bekannteste AI-Methode ist vermutlich das Deep Learning – eine Variante der neuronalen Netze mit komplexer Struktur. Sind ausreichend große Mengen an Trainingsbeispielen vorhanden, liefern sie hervorragende Ergebnisse für eine breite Klasse an Problemstellungen.

Eckdaten

Methoden der Künstlichen Intelligenz (KI) beziehungsweise „Artificial Intelligence“ (AI) sind auf dem besten Weg, in unseren Fahrzeugen allgegenwärtig zu sein. Für OEMs und ihre Zulieferer bietet AI fantastische Potenziale – im Prinzip. Die Vergangenheit hat nämlich gezeigt, dass neue Technologien für die gesamte Prozesskette eine große Herausforderung sind. Auch die bislang ausbleibenden Produktivitätssprünge durch Industrie 4.0 offenbaren, dass es oft ein weiter Weg ist, die Potenziale einer neuen Technologie im Alltag zu realisieren. Daher lautet die drängende Aufgabe so: Wie wird mein Unternehmen „Ready for AI“, während viele Wettbewerber auf den Markt drängen, die ihre Wurzeln in der Software und AI haben?

Der wichtigste Anwendungsfall für AI ist zur Zeit das autonome Fahren. OEMs und Zulieferer arbeiten mit Hochdruck daran, einzelnen Aufgaben wie die Objekterkennung oder Trajektorienplanung mit Hilfe von AI-Methoden zuverlässiger zu machen. Klarer Angstgegner der Automobilindustrie ist der Google-Ableger Waymo, der in Kürze eine Flotte von mehr als 80.000 autonomen Fahrzeugen auf die Straße bringen will und dem ein Vorsprung in den Algorithmen von mindestens zwei Jahren zugesprochen wird. Weitere mögliche AI-Anwendungen könnten Funktionen sein, die versuchen, das Verhalten und die Bedürfnisse des Fahrers vorherzusagen und das Fahrzeug darauf einzustellen.

Dazu müssen Muster erkannt (descriptive), das Verhalten von Fahrzeug oder Nutzer vorhergesagt (predictive) oder Maßnahmen eingeleitet werden, die zum Beispiel einen Unfall im Vorfeld verhindern (prescriptive). Die dafür notwendigen Methoden werden mit rasanter Geschwindigkeit verfügbar. Wer vor wenigen Jahren einen Chatbot für den Kundendienst programmieren wollte, musste eine tiefgehende Expertise in der Firma besitzen oder diese extern einkaufen. Heute lassen sich komplexe Bots über die Frameworks von IBM, Amazon & Co. schnell und robust einrichten. Ebenso verfügbar sind Methoden zur Analyse von Videos, Speicherung und Verarbeitung massiver Datenströme, die Anbindung intelligenter Sensoren, die Synthese oder Übersetzung von Sprache, das weltweite Bereitstellen von Inhalten, die Analyse von Produktionsprozessen etc.

Hilfe, wir haben die PoCen!

Bild 1: Der Proof of Concept Ready for AI (PoC) klappt in 80 % der Fälle – 80% des Aufwands stecken aber in der Ende-zu-Ende-Umsetzung der gesamten Prozesskette, ohne die es keinen wirtschaftlichen Nutzen gibt

Bild 1: Der Proof of Concept (PoC) klappt in 80 % der Fälle – 80% des Aufwands stecken aber in der Ende-zu-Ende-Umsetzung der gesamten Prozesskette, ohne die es keinen wirtschaftlichen Nutzen gibt. P3 Systems

Die Schwierigkeit liegt inzwischen somit nicht mehr darin, aufzuzeigen, dass man mit AI prinzipiell komplexe Aufgaben lösen kann. Ein solcher Proof of Concept (PoC) ist schnell gebaut und klappt fast immer, aber ein PoC ignoriert die Komplexität der realen Entwicklungsprozesse und des Produktportfolios.

Spannend wird es, wenn reale Daten, reale Systeme und reale Umgebungen ins Spiel kommen. Wenngleich 80 % der PoCs gelingen, bestehen mindestens 80 % des Aufwands darin, Alltagstauglichkeit und Robustheit zu erreichen (Bild 1). Wirklich Ready for AI zu werden ist daher eine komplexe Aufgabe.

Seite 2 von 512345