KI-Engineering: KI Wirklichkeit werden lassen

Nur wenige Technologien lösen heutzutage so viel Hype, Aufregung und Angst aus wie künstliche Intelligenz (KI). Die Uneingeweihten glauben, dass die allgemeine KI vor der Tür steht und befürchten, dass Skynet bald die Macht übernehmen wird. Selbst diejenigen, die sich mit der Technologie auskennen, sind erstaunt und begeistert über die Dinge, die wir jetzt tun können, und machen viele Vorhersagen darüber, was als nächstes passieren könnte.

Die Realität ist natürlich viel weniger schön als der Glaube, mit dem wir alle herumlaufen. Nicht, weil die Technologie nicht funktioniert, denn das tut sie in einigen oder sogar vielen Fällen, sondern weil die Einführung eines Modells für maschinelles Lernen (ML) oder Deep Learning (DL) in Produktionsqualität und industrietauglich eine große technische Herausforderung bleibt. Unternehmen wie Peltarion helfen bei der Bewältigung einiger dieser Herausforderungen und leisten dabei hervorragende Arbeit.

Im Rahmen unserer Forschung haben wir eine Agenda entwickelt, die einen umfassenden Überblick über die Themen bietet, die beim Übergang von der Experimentier- und Prototyping-Phase zur Einführung berücksichtigt werden müssen. Diese Agenda basiert auf mehr als 15 Fallstudien, an denen wir mitgewirkt haben, und auf über 40 Problemen und Herausforderungen, die wir identifiziert haben.

Die im Software Center entwickelte Forschungsagenda für KI-Engineering

Die Forschungsagenda folgt dem typischen vierstufigen datenwissenschaftlichen Prozess der Datenbeschaffung, der Erstellung und Weiterentwicklung des Modells, des Trainings und der Auswertung und schließlich des Einsatzes. Für das allgemeine KI-Engineering identifizieren wir für jede der Phasen die primäre Forschungsherausforderung in Bezug auf Architektur, Entwicklung und Prozess. Diese Herausforderungen betreffen vor allem die ordnungsgemäße Verwaltung von Daten, föderierte Lösungen, die Sicherstellung der verschiedenen Qualitätsmerkmale, die Integration von ML/DL-Modellen in das übrige System, die Überwachung während des Betriebs und die Infrastruktur.

Zusätzlich zu den allgemeinen KI-Herausforderungen erkennen wir, dass verschiedene Bereiche ihre eigenen einzigartigen Herausforderungen haben. Wir identifizieren die wichtigsten Herausforderungen für cyber-physikalische, sicherheitskritische und sich selbst verbessernde Systeme. Bei cyber-physikalischen Systemen geht es erwartungsgemäß um die Verwaltung vieler Instanzen eines Systems, das bei Kunden im Einsatz ist. Bei sicherheitskritischen Systemen sind Erklärbarkeit, Reproduzierbarkeit und Validierung die wichtigsten Anliegen. Und schließlich benötigen Systeme, die sich autonom verbessern, die Fähigkeit, ihr eigenes Verhalten zu überwachen und zu beobachten, alternative Lösungen für Experimente zu entwickeln und ein Gleichgewicht zwischen Erforschung und Ausbeutung zu finden.

Zusammenfassend lässt sich sagen, dass die Entwicklung und der Einsatz von ML/DL-Systemen in Produktionsqualität, die für die Industrie geeignet sind, KI-Engineering als Disziplin erfordern. Ich habe dargelegt, was wir in unserer Forschungsgruppe für die wichtigsten Forschungsherausforderungen halten, die angegangen werden müssen, damit mehr Unternehmen vom Experimentieren und Prototyping zum Einsatz in der realen Welt übergehen können. Dieser Beitrag ist nur eine Zusammenfassung der Arbeit, die wir im Software Center leisten. Wenn Sie mehr erfahren möchten, können Sie es sich ansehen und lesen oder mich kontaktieren.