Künstliche Intelligenz ist nur einer von vielen Erfolgsfaktoren

| Redakteur: Johann Wiesböck

Richard Rovner ist Vice President of Marketing bei MathWorks. Für ihn ist Künstliche Intelligenz als Teil eines ausgereiften Design-Prozesses bei der Entwicklung neuer Systeme und Anwendungen zu sehen.
Richard Rovner ist Vice President of Marketing bei MathWorks. Für ihn ist Künstliche Intelligenz als Teil eines ausgereiften Design-Prozesses bei der Entwicklung neuer Systeme und Anwendungen zu sehen. (Bild: MathWorks)

Obwohl Unternehmen die Notwendigkeit der Implementierung von Künstlicher Intelligenz in ihren Entwicklungsprozessen erkennen, erfolgt die konkrete Implementierung von KI-Technologien nur zögerlich.

Mit 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 Implementierung 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.

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 Begriffes KI in den 50er-Jahren besteht. Doch für einen wirklich effizienten Einsatz wird die 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 dafür. In manchen Fällen reicht auch nur der Input und die Maschine erstellt ein entsprechendes Modell. 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 Sensoren und Kameras eingeholt und synchronisiert werden. Zudem braucht das System Informationen über die Geschwindigkeit und ob das Fahrzeug abbiegen soll. Diese Daten müssen analysiert und vorverarbeitet werden – 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. 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, untersuchen und prozessieren. Im Anschluss an die Modellerstellung erfolgt das Deployment auf Desktop-Apps, in Data Center und Clouds oder auf Embedded-Systeme. Am Ende ist KI nur ein weiteres Tool, um Herausforderungen auf eine andere Art zu lösen oder uns neuen Herausforderungen zu stellen. Damit können Ingenieure und Forscher in einem für sie gewohnten Workflow arbeiten – ohne spezielle Vorkenntnisse in KI.

Kommentar zu diesem Artikel abgeben

Schreiben Sie uns hier Ihre Meinung ...
(nicht registrierter User)

Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
Kommentar abschicken
copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45272622 / KI/Machine Learning)