Kommentar

Johanna Pingel, Product Marketing Manager für KI bei MathWorks/Annina Schopen,

KI-Trends für Ingenieure: Wohin geht die Reise?

Laut Gartner haben Unternehmen, die KI-Engineering-Praktiken eingeführt haben, einen Wettbewerbsvorteil: Bis 2026 könnten sie ihre Konkurrenten in Bezug auf die Anzahl und den Zeitaufwand für die Operationalisierung von KI-Modellen um rund 25 Prozent übertreffen. Folglich gilt es für Unternehmen, die Einführung von KI weiter voranzutreiben. 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.

© MathWorks

1. Physikgestützte KI – Modelle berücksichtigen Regeln und Prinzipien der realen Welt

Da KI sich in immer mehr Forschungsgebieten ausbreitet, beispielsweise komplexe technische Systeme, müssen KI-Modelle die physikalischen Randbedingungen, 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 großes 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.

Anzeige

2. Zusammenarbeit an KI – Der freie Zugang zu KI breitet sich weiterhin aus

Forscher, Ingenieure und Datenwissenschaftler sollten ihre funktions- und branchenübergreifende Zusammenarbeit weiter ausbauen, um 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 einer zunehmenden 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, beispielsweise zu Themen wie physikgestütztem Machine Learning und biomedizinischer Bildverarbeitung.

3. Unternehmen fokussieren sich auf 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 und 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.

4. KI wird entscheidend für Design, Entwicklung und Betrieb moderner technischer Systeme 

Da KI sich immer stärker in allen Branchen und Anwendungen durchsetzt, wird KI in der Zukunft entscheidend für technischen Fortschritt sowie die Entwicklung und den Betrieb moderner technischer Systeme. 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 erweitern und so KI spezifisch angepasst auf ihre Aufgabenstellung integrieren.

Welche Herausforderungen KI-Ingenieure erwarten

Mit welchen Herausforderungen gehen diese Entwicklungen einher? Da häufig je 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 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 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 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 sicherheitsrelevante Bereiche werden vor allem Fragen im Bereich der Modellgüte, Sprachkompatibilität und Absicherung in den Fokus rücken.

Anzeige
Jetzt Newsletter abonnieren

Das könnte Sie auch interessieren

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige

Anzeige

Wettbewerbsvorteile bei großen Maschinen

Ob 3D-gedruckte Bauteile für Maschinen und Anlagen, Prototypen oder Hilfsmittel für die Konstruktion: Die Additive Fertigung ist für moderne Unternehmen im Maschinen- und Anlagenbau sowie in der Automatisierung nahezu unverzichtbar, wenn man in der...

mehr...

Lineartechnik

Transporttechnik aus dem Baukasten

Viele Transportaufgaben lassen sich mithilfe von Lineartechnik realisieren. Um das Zusammenspiel von Lineareinheit, Motor, Getriebe und Steuerung zu vereinfachen, bieten sich vorkonfigurierte Lösungen an. So kann der Aufwand für Recherche und...

mehr...