Suchen

Modellentwicklung

Wie aus Künstlicher Intelligenz effiziente Intelligenz wird

| Autor/ Redakteur: Richard Rovner / Jürgen Schreier

Richard Rovner von MathWorks erklärt, warum Künstliche Intelligenz (KI) nur einer von vielen Erfolgsfaktoren bei der Entwicklung neuer Systeme und Anwendungen ist. Seine komplette Keynote kann man auf der MATLAB EXPO am 26. Juni 2018 in München hören.

Firmen zum Thema

Mit Künstlicher Intelligenz (KI) steht nicht nur die Gesellschaft, sondern auch die Industrie vor einem grundlegenden Wandel.
Mit Künstlicher Intelligenz (KI) steht nicht nur die Gesellschaft, sondern auch die Industrie vor einem grundlegenden Wandel.
( Bild: Pixabay / CC0 )

Mit neuen Techniken wie Künstlicher Intelligenz (KI) steht nicht nur unsere Gesellschaft, sondern auch die Industrie vor einem grundlegenden Wandel. Während Unternehmen vom Engineering-Team bis hin zur Unternehmensleitung die Notwendigkeit der Implementierung von KI in ihren Design- und Entwicklungsprozessen erkennen, erfolgt die konkrete Implementierung von KI-Technologien nur zögerlich. Hauptgrund ist, dass viele nicht genau wissen, wie diese Technik effizient und gewinnbringend eingesetzt werden kann.

Dies ist jedoch nur eine von vielen Fragen, die sich Unternehmen stellen sollten, wenn sie KI einsetzen wollen. Dieser Kommentar von Richard Rovner, Vice President of Marketing bei MathWorks, ist ein Auszug seiner Keynote, die er am 26. Juni 2018 auf der MATLAB EXPO in München vortragen wird.

KI jenseits von Alexa und autonomem Fahren

Gesichtserkennung bei Facebook, maschinelle Übersetzungen oder autonomes Fahren: Künstliche Intelligenz wird bereits in vielen Bereichen angewandt und lässt uns eine Zukunft erahnen, in der Maschinen immer wichtigere Aufgaben übernehmen können.

Künstliche Intelligenz im Entwicklungsprozess
Künstliche Intelligenz im Entwicklungsprozess
( Bild: Mathworks )

Doch was bedeutet Künstliche Intelligenz für einen Ingenieur in einem mittelständischen Unternehmen oder für einen Wissenschaftler in einem Forschungsinstitut? Die Möglichkeiten sind vielfältig und vielseitig: Mit KI können zum Beispiel neue Methoden zur Lebensmittelkontrolle etabliert werden oder man kann damit die geologische Beschaffenheit von Gestein analysieren, um Tunnel schneller, effizienter und kostengünstiger zu bauen. In beinahe allen Bereichen der Forschung und Industrie lassen sich KI-Technologien nutzen, um Prozesse effizienter zu machen oder um ganz neue Wege zu finden, Aufgaben zu meistern.

Maschinen müssen auf bestimmte Aufgaben trainiert werden

Wenn man heute von Künstlicher Intelligenz spricht, ist in den meisten Fällen gemeint, dass eine Maschine intelligentes menschliches Handeln imitieren kann – eine Definition, die bereits seit Einführung des Begriffs KI in den 1950er-Jahren besteht. Doch für einen wirklich effizienten Einsatz wird die intelligente Maschine erst interessant, wenn sie mit der menschlichen Leistung gleichziehen oder sie sogar übertreffen kann. Denn so haben wir Menschen die Möglichkeit, repetitive Aufgaben abzugeben oder Dinge schneller, sicherer oder fehlerfreier von Computern erledigen zu lassen.

Dafür müssen Maschinen auf bestimmte Aufgaben trainiert werden. Traditionell bedeutete das, ein Programm zu erstellen, das die Daten verarbeitet und dann den gewünschten Output liefert. Wenn man Machine Learning – eine weit verbreitete KI-Technik – anwendet, kehrt sich dieser Ansatz um: Man sorgt dafür, dass die Maschine alle wichtigen Daten bekommt und gibt den gewünschten Output vor. Daraufhin schreibt der Computer das entsprechende Programm. In manchen Fällen reicht auch nur der Input und die Maschine erstellt ein entsprechendes Modell.

Daten, Ergebnis, Machine-Learning-Modell – doch etwas fehlt!

Doch in den meisten Fällen machen Daten, ein gewünschtes Ergebnis und die Möglichkeit, ein Machine-Learning-Modell zu erstellen, nur einen kleinen Teil einer Anwendung aus. Was fehlt, ist zum Beispiel der gesamte Prozess der Datensammlung und -verarbeitung im Vorfeld und die Implementierung in ein Embedded System im Anschluss.

Dies wird am Beispiel eines Fahrspurassistenzsystems klar: Ein Machine-Learning-Modell erkennt die Fahrspuren auf Straßen und kann dafür sorgen, dass ein Fahrzeug seine Spur hält. Doch dafür müssen zuerst Daten von vielen unterschiedlichen Sensoren und Kameras eingeholt und synchronisiert werden. Zudem braucht das System Informationen über die Geschwindigkeit und ob das Fahrzeug abbiegen soll. Diese Daten gilt es zu analysieren und vor zu verarbeiten – etwa um schlecht belichtete Bilder oder Bildstörungen durch heftigen Schneefall zu korrigieren.

Der Fahrspurerkennungsalgorithmus muss in Simulationen integriert werden, um zu testen, ob er fehlerfrei funktioniert. Anschließend wird er auf einem Embedded-Prozessor installiert, um in Echtzeit im Fahrzeug zu laufen.

KI - "nur" Teil eines voll ausgereiften Design-Prozesses

All diese Aufgaben sind Arbeitsbereiche von Ingenieuren und Forschern, ohne die das KI-Modell nicht funktionieren würde. Das bedeutet: Künstliche Intelligenz ist nur ein Arbeitsschritt von vielen, an deren Ende eine intelligente Maschine steht. In der Tat ist es nur ein Teil der Modellentwicklung. Zusätzlich kann es sinnvoll sein, traditionelle Algorithmen-Entwicklung zu nutzen oder Modellierung und Simulation.

Betrachtet man den gesamten Workflow, kommen noch einige essenzielle Schritte hinzu - etwa die Fähigkeit, Daten aus Sensoren, Dokumenten oder Datenbanken zu erlangen und diese zu analysieren, zu untersuchen und zu prozessieren. Im Anschluss an die Modellerstellung erfolgt das Deployment auf Desktop-Apps, in Datacentern und Clouds oder auf Embedded Systemen.

Am Ende ist KI nur ein weiteres Tool, das uns zur Verfügung steht, um Herausforderungen auf eine andere Art zu lösen oder uns neuen Herausforderungen zu stellen.

Nur wenigen Fertigungsunternehmen gelingt der KI-Einsatz im Kerngeschäft

Die große Mehrheit der produzierenden Unternehmen sieht den größten Vorteil von Künstlicher Intelligenz darin, den Nutzwert ihrer Produkte und Dienste für Kunden und Industriearbeiter zu steigern. Das zeigt eine neue Studie von Accenture unter 500 Fertigungsunternehmen aus sechs verschiedenen Branchen in Europa, Nordamerika und Asien.

Ein weiteres Ergebnis: Künstliche Intelligenz – insbesondere in Kombination mit anderen Technologien wie tragbaren Computern oder Big-Data-Analytics – ist nicht nur für die Transformation des Kerngeschäfts eines Unternehmens entscheidend, sondern ermöglicht auch neue Wege in der Interaktion von Arbeitern mit Maschinen sowie von Kunden mit Produkten. Künstliche Intelligenz bildet auch die Grundlage für Strategien und ganz neue Geschäftsmodelle rund um die Industry X.0.

Jedoch gelingt es laut Accenture-Studie bisher nur einer kleinen Gruppe von Unternehmen, Künstliche Intelligenz großflächig im eigenen Kerngeschäft einzusetzen. Diese Vorreiter zeichnen sich dadurch aus, dass sie intelligente Technologien und menschliche Kreativität im Zusammenspiel mit Analytics und ihrer tiefen Branchenexpertise derart verflechten, dass sie bereits heute messbare Ergebnisse erzielen.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 45431181)