Was ist Künstliche Intelligenz (KI)?

Drei Dinge, die Sie wissen sollten

Künstliche Intelligenz, kurz KI, ist die Simulation intelligenten menschlichen Verhaltens. Eingesetzt in Form eines Rechners oder eines Systems, kann sie ihre Umwelt wahrnehmen, Verhalten deuten und entsprechend reagieren. Selbstfahrende Autos sind ein gutes Beispiel: KI-gesteuerte Systeme dieser Art integrieren KI-Algorithmen wie Machine Learning und Deep Learning in komplexe Umgebungen, was Automatisierung ermöglicht.

Warum KI wichtig ist

KI-Workflow

KI mit MATLAB

Warum ist KI wichtig?

Gemäß einer Studie von McKinsey wird der Marktwert Künstlicher Intelligenz bis 2030 weltweit auf etwa 13 Billionen U.S. Dollar geschätzt.

Das liegt daran, dass KI das Ingenieurwesen in nahezu allen Branchen und Anwendungsbereichen grundlegend verändert. Anwendung findet die Künstliche Intelligenz nicht nur im Bereich automatisierten Fahrens, sondern auch in Modellen, die Maschinenausfälle vorhersagen und somit vorausschauende Wartung ermöglichen; weiterhin in der Gesundheits- und Sensor-Analytik, wie z.B. Patientenüberwachungssystemen; zusätzlich in der Robotik, deren Systeme erfahrungsbasiert lernen und sich ständig verbessern.

Häufige Anwendungsbereiche für KI.

Hauptkomponenten eines KI-Workflows

Erfolgreiche KI erfordert mehr als nur das Training eines Modells, was besonders für KI-gesteuerte Systeme gilt, die Entscheidungen treffen und selbständig handeln. Ein zuverlässiger KI-Workflow beinhaltet die Vorbereitung der Daten, die Erstellung eines Modells, die Entwicklung des Systems, auf dem das Modell läuft sowie die Bereitstellung auf Hardware- oder Unternehmenssystemen.

Die einzelnen Schritte im KI-Workflow.

Datenvorbereitung

Einer der wichtigsten Schritte ist die Aufbereitung der Rohdaten für ein präzises, effizientes und aussagekräftiges Modell. In der Tat ist dies der größte Aufwand, den Sie hinsichtlich KI betreiben müssen.

Die Vorbereitung der Daten erfordert Fachwissen wie Erfahrung in Sprach- und Audiosignalen, Navigation und Sensorfusion, Bild- und Videoverarbeitung sowie Radar und LiDAR. Ingenieure dieser Fachbereiche sind für die Bestimmung bedeutender und unbedeutender Daten am meisten qualifiziert und wissen, was in Ausnahmefällen zu berücksichtigen ist.

KI ist weiterhin mit gewaltigen Datenmengen verbunden, wobei das Labeling der Daten und Bilder sehr arbeitsintensiv und zeitaufwendig ist. Gerade für sicherheitskritische Systeme sind manchmal keine ausreichenden Datenmengen vorhanden. Ein Generieren präziser synthetischer Daten kann Ihre Datensätze durchaus verbessern. In beiden Fällen jedoch ist Automatisierung für die Einhaltung von Fristen ausschlaggebend.

KI-Modellierung

Grundlegende Voraussetzungen für die erfolgreiche Modellierung eines KI-Systems:

Als erstes einen vollständigen Satz an Algorithmen und vorgefertigten Modellen für Machine Learning, Deep Learning, Reinforcement Learning und andere KI-Techniken erstellen
Apps für produktives Design und Analyse verwenden
In einem offenen Ökosystem arbeiten, in dem KI-Tools wie MATLAB^®, PyTorch und TensorFlow™ zusammen verwendet werden können
Berechnungskomplexität mit GPU-Beschleunigung und Skalierbarkeit auf Parallel- und Cloudservern sowie Vor-Ort-Rechenzentren verwalten

Systemdesign

KI-Modelle sind Bestandteil eines vollständigen Systems. In automatisierten Fahrsystemen muss die KI für die Wahrnehmung auf die Algorithmen für Ortung und Routenplanung sowie die Steuerung von Bremse, Beschleunigung und Abbiegen abgestimmt werden.

KI in automatisierten Fahrszenarien.

Denken Sie nur an den Stellenwert der KI für Predictive Maintenance von Windparkanlagen bzw. Steuerungssystemen moderner Luftfahrzeuge.

Komplexe, KI-gesteuerte System wie diese verdeutlichen die Notwendigkeit von Integration und Simulation.

Bereitstellung

KI-Modelle müssen für CPUs, GPUs und/oder FPGAs in Ihrem Endprodukt bereitgestellt werden, unabhängig davon, ob sie Teil eines eingebetteten oder Edge-Geräts, eines Unternehmenssystems oder einer Cloud sind. KI-Modelle, die auf einem eingebetteten oder Edge-Gerät laufen, liefern die im Praxiseinsatz benötigten schnellen Ergebnisse. KI-Modelle hingegen, die in einem Unternehmenssystem und der Cloud laufen, liefern gesammelte Daten von vielen verschiedenen Geräten. Daher werden sie häufig als kombinierte Systeme eingesetzt.

Der Bereitstellungsprozess verläuft schneller, wenn Sie den Code aus Ihren Modellen direkt auf Ihre Geräte anwenden. Werden Optimierungsmethoden für die Code-Generierung und Hardware-optimierte Bibliotheken verwendet, können Sie den Code auf eingebettete und Edge-Geräte mit Niedrig-Leistungsprofil oder auf Hochleistungsanforderungen von Unternehmenssystemen und der Cloud abstimmen.

Entwicklung KI-gesteuerter Systeme mit MATLAB

Es ist allgemein bekannt, dass im Fachbereich Künstliche Intelligenz Fachkräftemangel herrscht. Ingenieure und Wissenschaftler, die mit MATLAB oder Simulink^® arbeiten, verfügen nicht nur über die erforderliche Fachkompetenz, sondern auch die Tools ihrer Spezialgebiete zur Erstellung KI-gesteuerter Systeme.

Datenverarbeitung mit MATLAB

Die Vorverarbeitung von Daten wird nur wenig Ihrer Zeit in Anspruch nehmen. Von Zeitreihen-Sensordaten über Bilder bis hin zu Text, – MATLAB-Datentypen reduzieren den Zeitaufwand für die Vorverarbeitung von Daten erheblich. Funktionen auf hoher Abstraktionsebene erleichtern die Synchronisierung unterschiedlicher Zeitreihen, das Ersetzen von Ausreißern durch interpolierte Werte, das Filtern verrauschter Signale, die Aufbearbeitung von Rohtext in Wörter und vieles mehr. Eine Visualisierung Ihrer Daten mithilfe des Live Editors und in Form von Diagrammen ermöglicht die Erkennung von Trends wie auch Qualitätsmängeln.

MATLAB-Apps automatisieren ein Ground-Truth-Labeling von Bild-, Video- und Audiodaten.

Um Algorithmen zu testen, bevor Daten von Sensoren oder anderen Datenerfassungsgeräten zur Verfügung stehen, können Sie synthetische Daten aus Simulink generieren. Dieser Ansatz wird häufig in automatisierten Fahrsystemen wie Abstandsregeltempomaten, Spurhalte-Assistenten und automatischen Notbremsen verwendet.

Verwendung von Labeling-Apps für Deep-Learning-Workflows wie die semantische Segmentierung.

Interoperabilität mit Deep-Learning-Frameworks.

KI-Modellierung mit MATLAB

KI-Modelliermethoden variieren je nach Anwendung.

Machine Learning

MATLAB wird in den Bereichen Predictive Maintenance (vorausschauende Instandhaltung), Sensoranalytik, dem Finanzwesen und der Kommunikationselektronik bereits in Tausenden unterschiedlicher Anwendungen eingesetzt. Die Statistics and Machine Learning Toolbox™ vereinfacht schwierige Prozesse des Machine Learning mithilfe von Apps für Training und Modell-Vergleich, modernste Signalverarbeitung und Merkmalsextraktion, Einstufung, Regression und Clustern von Algorithmen für überwachtes und unüberwachtes Lernen.

ASML, ein Hersteller von Halbleitern, nutzte Machine Learning zur Erstellung einer virtuellen Messtechnik, die die Genauigkeit der Overlay-Verfahren in der Chipproduktion verbessert. „Als Verfahrenstechniker hatte ich keinerlei Erfahrung mit neuronalen Netzen oder Machine Learning. Ich arbeitete mich durch die MATLAB-Beispiele, um die besten Machine-Learning-Funktionen zum Erstellen einer virtuellen Messtechnik zu finden. In C oder Python hätte ich das nicht geschafft. Es hätte zu lange gedauert, die richtigen Pakete zu finden, zu überprüfen und zu integrieren“, so der Ingenieur Emil Schmitt-Weaver.

MATLAB-Modelle sind Open-Source-Lösungen auch dadurch überlegen, dass sie bei den meisten statistischen und Machine-Learning-Berechnungen sehr viel schneller sind.

Mit der Classification Learner-App können Sie verschiedene Klassifikatoren ausprobieren und den besten für Ihren Datensatz finden.

Deep Learning

Ingenieure verwenden MATLAB Deep Learning für automatisiertes Fahren, Computer Vision, Verarbeitung von Sprache und natürlicher Sprache sowie vielen weiteren Anwendungen. Mit der Deep Learning Toolbox™ können Sie die Ebenen eines neuronalen Netzes erstellen, miteinander verbinden, trainieren und auswerten. Die Beispiele und vorab trainierten Netzwerke machen es einfach, MATLAB für Deep Learning zu verwenden, auch ohne Vorkenntnisse in Bezug auf Computer-Vision-Algorithmen oder neuronale Netze.

Mit MATLAB können Ingenieure über verschiedene Deep Learning-Frameworks zusammenarbeiten. MATLAB unterstützt ONNX und kann daher die neuesten Modelle aus und in andere unterstützte Frameworks, einschließlich TensorFlow, importieren und exportieren.

Mit der Deep Network Designer-App können Sie Deep-Learning-Netze erstellen, anzeigen und bearbeiten.

Reinforcement Learning

Für Regelungssysteme, die von Lernprozessen profitieren, die auf kumulativer Belohnung basieren, ist Reinforcement Learning eine ideale Methode. Mit der Reinforcement Learning Toolbox™ können Sie Policies mit DQN, A2C, DDPG und anderen Reinforcement-Learning-Algorithmen trainieren. Mithilfe dieser Policies können SieSteuerungen und Entscheidungsalgorithmen für komplexe Systeme wie Roboter und autonome Anlagen implementieren. Sie können diese Policies mithilfe von neuronalen Netzen, Polynomen oder Lookup-Tabellen implementieren.

Entwicklung und Training von Policies mithilfe von Reinforcement Learning

Natürliche Sprachverarbeitung

Modelle zur natürlichen Sprachverarbeitung werden typischerweise zur Stimmungsanalyse, Predictive Maintenance und zum Topic Modeling verwendet. Die Text Analytics Toolbox™ bietet Algorithmen und Visualisierungen für die Vorverarbeitung, Analyse und Modellierung von Textdaten. Zusätzlich ist es möglich, Rohtext aus Quellen wie Geräteprotokollen, Nachrichten-Feeds, Umfragen, Bedienerberichten und Social Media zu extrahieren und zu verarbeiten.

Mit Machine-Learning-Techniken wie LSA, LDA und Word Embeddings können Sie Cluster finden und Funktionen aus hochdimensionalen Textdatensätzen erstellen. Mit der Text Analytics Toolbox erstellte Funktionen können mit Funktionen aus anderen Datenquellen kombiniert werden, um Machine-Learning-Modelle zu erstellen, die textuelle, numerische und andere Arten von Daten nutzen.

Identifizieren von Inhalten anhand von Sturmberichtsdaten.

Systemdesign

Komplexe, KI-gesteuerte Systeme müssen auf andere Algorithmen abgestimmt werden. Systemdesign und Simulation sind wichtig, da sich das Gesamtsystem auf die Effizienz der KI-Modelle auswirkt. Ingenieure verwenden Simulink für schnelle Entwurfsiteration und Regelkreistests.

So werden KI und Simulation in einem automatisierten Fahrsystem beispielsweise dazu verwendet, um die Steuerungen für das Bremsen, Beschleunigen und Abbiegen zu entwerfen. Mit Simulink wird das Systemmodell entwickelt und simuliert, mit MATLAB das KI-Modell. Mit Software wie Unreal Engine können Sie das optimale Kamerabild zur Einspeisung in das KI-Modell synthetisieren.

Voyage, Hersteller von selbstfahrenden Taxis für Seniorenzentren, stellte innerhalb von drei Monaten ein autonomes Level 3-Fahrzeug bereit. Mithilfe des integrierten Modells konnte die Umsetzung von der Idee zum Fahrversuch wesentlich beschleunigt werden. Durch Simulink wurde es zusätzlich möglich, Tests unter gefährlichen Bedingungen auszuführen.

Auch kann eine Generierung von Ausfalldaten anhand bekannter Ausfallbedingungen mit Simulink erfolgen. Für Windkraftanlagen können synthetische Ausfalldaten zu den gemessenen Daten der Windturbinen hinzugefügt werden. Dadurch wird das Systemmodell in der Vorhersage zukünftiger Anlagenausfälle wesentlich verlässlicher.

Spurhalte-Steueranwendung mit monokularer Kamerawahrnehmung, erstellt mit MATLAB und Simulink:

Erstellen einer zuverlässigen Prognose zukünftiger Ausfälle mit synthetischen Ausfalldaten und gemessenen Daten.

Bereitstellung

KI-Modelle in MATLAB können auf eingebetteten Geräten oder Platinen, Edge-Geräten im Praxiseinsatz, Unternehmenssystemen oder in der Cloud bereitgestellt werden.

Für Deep-Learning-Modelle können Sie GPU Coder™ zum Erstellen und Bereitstellen von NVIDIA^® CUDA^®-GPUs verwenden. Oder Sie generieren C-Code mit MATLAB Coder™ zum Einsatz auf Intel^®- und ARM^®-Platinen. Anbieter-optimierte Bibliotheken erstellen einsatzfähige Modelle mit einer sehr hohen Interferenzgeschwindigkeit.

MATLAB Production Server™ erlaubt eine sichere Bereitstellung für und Integration mit IT-Systemen in Unternehmen, Datenquellen und Betriebstechnologien.