Wohin geht die Reise? KI-Trends für Ingenieure

Johanna Pingel, Product Marketing Manager für KI bei MathWorks erläutert, welche KI-Trends Ingenieure im Blick behalten sollten und welche Herausforderungen es zu bewältigen gilt.

Bild: iStock; Yuri_Arcurs
14.09.2023

Laut Gartner haben Unternehmen, die KI-Engineering-Praktiken zur Entwicklung und Verwaltung adaptiver KI-Systeme eingeführt haben, einen klaren Wettbewerbsvorteil: Bis 2026 werden solche Vorreiter ihre Konkurrenten in Bezug auf die Anzahl und den Zeitaufwand für die Operationalisierung von KI-Modellen um mindestens 25 Prozent übertreffen.

Da KI sich in immer mehr Forschungsgebieten ausbreitet, beispielsweise für komplexe technische Systeme, müssen KI-Modelle die physikalischen Randbedingungen berücksichtigen, um insgesamt relevant zu sein. Die Kombination von Daten und Physik, etwa über neural ODEs (ordinary differential equations) oder auch PINNS (physics-informed neural networks) hat Potenzial.

Im Mittelpunkt der physikgestützten KI stehen Simulationen: Komplexe Modelle können als Varianten innerhalb einer Simulation konfiguriert werden und ermöglichen Entwicklern einen schnellen Wechsel zwischen Modellen, um bestmögliche und genaueste Lösungen zu erhalten.

Auch die Modellierung mit reduzierter Ordnung (Reduced Order Modeling, ROM) mit physikalisch basierten Reduktions­modellen ist ein wichtiger neuer Trend. Durch den Einsatz von KI können Simulationen beschleunigt werden, indem ein extrem rechenintensives First-Principles-Modell eines Systems ersetzt wird - unter Beibehaltung der Genauigkeit. 

Der freie Zugang zu KI etabliert sich

Forscher, Ingenieure und Datenwissenschaftler sollten ihre funktions- und branchenübergreifende Zusammenarbeit weiter ausbauen, um innovative Lösungen aus verschiedenen Blickwinkeln zu denken. Um neueste Modelle auf Abruf zur Verfügung zu stellen und es Anwendern zu ermöglichen, innerhalb kürzester Zeit auf den neuesten Forschungsergebnissen aufzubauen, bieten sich netzbasierte Dienste zur Versionsverwaltung für Software-Entwicklungsprojekte wie GitHub an.

Auch Open-Source-Lösungen erfreuen sich zunehmender Beliebtheit, da Ingenieurteams oftmals mit Modellen aus unterschiedlichen Frameworks arbeiten. Eine stärkere Vernetzung von Wissenschaft, akademischen Forschungseinrichtungen und Unternehmen treibt die KI-Forschung zudem weiter voran, wovon Forschende und Anwender profitieren. Dies gilt beispielsweise für Themen wie physikgestütztes Machine Learning und biomedizinische Bildverarbeitung. 

Kleinere, leichter erklärbare KI-Modelle

KI-Anwender stellen zunehmend fest, dass sie Modelle bereitstellen, an die Hardware anpassen und Erklärungen für die Entscheidungen der Modelle liefern können müssen, damit diese Modelle relevant sind. Die Erklärbarkeit von Modellen und entsprechende Anwendungen rücken daher immer mehr in den Fokus von Ingenieuren.

Um die Anforderungen an kostengünstige Geräte mit geringem Stromverbrauch und erklärbaren Ausgaben zu erfüllen, greifen Ingenieure deshalb zunehmend auf traditionelle Machine-Learning-Modelle und parametrische Modelle zurück. Diese sind kompakt, haben einen geringen Speicherbedarf und erfüllen die Anforderungen der Anwendung durch eine einfache Interpretierbarkeit der Ausgabe.

Wenn neuere, speicherintensivere Modelle benötigt werden, bieten Quantisierungs- und Pruning-Techniken Möglichkeiten, die Modelle zu komprimieren, wodurch die Modellgröße mit minimalen Auswirkungen auf die Genauigkeit reduziert wird. Falls erforderlich, können Ingenieursteams also Interpretierbarkeit, Quantisierung und Pruning nutzen, um die Verwendung von KI, einschließlich Deep-Learning- und traditioneller Machine-Learning-Modelle, auf die herkömmliche Modelle­ntwicklung ausweiten.

Design, Entwicklung und Betrieb 

KI setzt sich immer stärker in allen Branchen und Anwendungen durch und wird in der Zukunft entscheidend für technischen Fortschritt sowie die Entwicklung und den Betrieb moderner technischer Systeme sein. In etablierteren Tätigkeitsfeldern, in denen KI erst kürzlich eingeführt wurde, benötigen Ingenieure häufig zusätzliche Hintergrundinformationen zu dieser Technologie sowie spezifische Referenzbeispiele, um KI in ihre Arbeit zu integrieren.

Basierend auf erprobten Beispielen können Ingenieursteams Daten und ihr Know-how in solche Beispiele einbringen und diese mit dedizierten Anwendungen erweitern und so KI spezifisch angepasst auf ihre Aufgabenstellung integrieren.

Herausforderungen für KI-Ingenieure

Mit welchen Herausforderungen gehen diese Entwicklungen einher? Da häufig jeweils verschiedene Teams für die Erstellung und Implementierung von KI-Modellen zuständig sind, entstehen im KI-Umfeld komplexe Herausforderungen, die es für Ingenieure weiterhin zu bewältigen gilt. Die Auswahl der Vorverarbeitungsalgorithmen und das Modelltraining fallen beispielsweise meist in den Aufgabenbereich von Data Scientists, die den Fokus auf Genauigkeit und Robustheit legen.

Für eine erfolgreiche Portierung auf die Zielplattform müssen Ingenieure jedoch noch viele weitere Kriterien berücksichtigen. Frühzeitiges Testen von Algorithmen für eine Machbarkeitsbewertung (etwa mittels PIL = Processor-in-the-Loop) kann hier verhindern, dass bereits trainierte und mitunter sehr leistungsfähige Modelle am Ende wieder schnell verworfen werden müssen. 

Das Training der KI wird in aller Regel außerdem in einer anderen Programmiersprache implementiert als die Umsetzung in der Hardware. Modelle aus der Trainingsumgebung können aber nicht ohne weiteres einfach auf der Zielhardware ausgeführt werden. Um Barrieren zwischen den Skriptsprachen zu überwinden, gibt es Laufzeit-Interpreter (etwa TensorFlow Lite), Machine Learning Compiler Frameworks wie Apache TVM oder die automatische Codegenerierung in MATLAB/Simulink. 

Schließlich bleibt die Absicherung von KI-Modellen auch weiterhin ein wichtiges Thema: Während KI-Modelle in der Trainingsumgebung Fehler machen dürfen, um zu lernen und besser zu werden, können Fehler nach der Implementierung auf der Hardware zu großen Schäden in real existierenden Systemen führen. Die Frage nach zuverlässigen, objektiv überprüfbaren Kriterien für ein als sicher geltendes Modell bleibt auch künftig ein wichtiger Forschungsbereich. 

Ausblick

Die Einführung von KI hat Auswirkungen auf das gesamte Unternehmen, von der interdisziplinären Zusammenarbeit bis hin zum Entwurf spezieller Komponenten. Daher ist es für Ingenieure von entscheidender Bedeutung, Anwendungsfälle zu identifizieren, die mit ihren kurz- und langfristigen Zielen übereinstimmen, und sie entsprechend zu implementieren.  Mit dem Vordringen von KI in sämtliche Aufgabenfelder und auch in sicherheitsrelevante Bereiche werden vor allem Fragen in Bereichen der Modellgüte, der Sprachkompatibilität und der Absicherung in den Fokus rücken.

Firmen zu diesem Artikel
Verwandte Artikel