Künstliche Intelligenz (KI) ist eine Simulation intelligenten menschlichen Verhaltens. Es ist die Software in einem Computer oder System, dessen Aufgabe es ist, seine Umgebung wahrzunehmen, Entscheidungen zu treffen und Maßnahmen zu ergreifen. Zur Entwicklung eines erfolgreichen KI-Systems muss der gesamte Ablauf verstanden werden und der Fokus auf mehr als dem reinen Trainieren eines KI-Modells liegen.
Wie funktioniert KI?
Der Begriff „künstliche Intelligenz“ ist weit gefasst und vergrößert stetig seine Relevanz, je häufiger Ingenieurteams KI in eine Vielzahl von Anwendungen integrieren. Schon einige der jüngsten Anwendungen, wie selbstfahrende Autos, Robotik und Verarbeitung natürlicher Sprache, machen dies deutlich. Diese Anwendungen implementieren künstliche Intelligenz auf unterschiedliche Weise, doch die zugrunde liegende Technologie – Deep-Learning- oder Machine-Learning-Modelle zur Erstellung eines Systems, das Entscheidungen treffen kann – bleibt die gleiche.
Die Entscheidung für einen Deep-Learning- oder einen Machine-Learning-Algorithmus für Ihre KI-Anwendung hängt von den Zielsetzungen und Erfordernissen Ihres Systems ab.
Deep Learning im Vergleich zu Machine Learning
Ihnen steht eine Vielzahl von Techniken und Modellen zur Auswahl, die Sie entsprechend Ihrer Anwendung, des Umfangs der zu verarbeitenden Daten und der zu lösenden Problematik auswählen können. Machine Learning und Deep Learning bieten jeweils unterschiedliche Vorteile:
Mit herkömmlichem Machine Learning können verschiedene Klassifizierer wie Support Vector Machines (SVMs) und Entscheidungsbäume trainiert werden. Zudem ermöglicht Machine Learning die Optimierung der Merkmalsextraktion. Sie können verschiedene Ansätze miteinander kombinieren, um das beste Vorgehen für die Daten zu ermitteln.
Deep Learning ist eine Spezialform des Machine Learnings, bei der die Extraktion relevanter Merkmale aus den Daten automatisiert wird. Deep-Learning-Netze besitzen häufig eine größere Vorhersagekraft als klassische Machine-Learning-Modelle und ihre Genauigkeit wächst mit dem Umfang der Trainingsdaten.
Probieren Sie verschiedene Machine-Learning-Algorithmen aus, um den am besten zu Ihrem Modell passenden zu finden.
Wofür Sie sich auch entscheiden – Machine Learning oder Deep Learning – Sie müssen in der Lage sein, verschiedene Algorithmen auszuprobieren und herauszufinden, was am besten für Ihre Anwendung und Anforderungen funktioniert.
Elementare KI-Konzepte
Ein belastbarer KI-Ablauf beinhaltet die Kenntnis Ihrer Daten, das Erstellen eines Modells sowie Entwurf und Test des Zielsystems, auf dem das Modell ausgeführt wird. In den folgenden Abschnitten werden wichtige KI-Konzepte beschrieben, die bei der Integration künstlicher Intelligenz in Ihre Arbeit zu berücksichtigen sind.
Datenbasierte künstliche Intelligenz
Im Kern der meisten KI-Anwendungen stehen Daten. Rohdaten für ein genaues, aussagekräftiges Modell nutzbar zu machen, bedeutet für Ihr KI-Projekt höchstwahrscheinlich einen erheblichen Zeitaufwand. Die Datenaufbereitung erfordert Fachwissen, um die entscheidenden Merkmale der Daten zu verstehen und zu erkennen, welche wichtig sind und welche seltenen Ereignisse berücksichtigt werden müssen.
Das Aufbereiten und Kennzeichnen der Daten ist häufig langwierig und zeitaufwendig. Unter Umständen werden die Daten mit synthetischen Daten und weiteren Beispielen angereichert, doch sollten Ingenieurteams erwägen, den Kennzeichnungsvorgang zu automatisieren, um bereinigte, gekennzeichnete Daten schneller zu erhalten.
KI-Modellierung
Zwei entscheidende Faktoren bei der Entwicklung eines erfolgreichen KI-Modells:
- Einen Algorithmensatz auswählen: Kommt für Sie Machine Learning oder Deep Learning infrage? Liegt Ihnen direkt zu Beginn bereits ein vollständiger Satz von Algorithmen und vordefinierten Modellen vor, sind Sie schon einen Schritt voraus, weil Sie von der gesamten Arbeit der KI-Community profitieren und nicht bei null anfangen müssen.
- Das Modell iterieren: Hier ermitteln Sie den optimalen Parametersatz, mit dem Sie das belastbarste und genaueste Modell erhalten. Das Erstellen eines genauen Modells braucht Zeit. Erfreulicherweise lässt sich der Zeitaufwand zum Trainieren der Modelle mit allen Kombinationen aus Parametern, Eingabedaten und Ebenen durch zusätzliche Hardware, beispielsweise die Berechnung auf einem oder mehreren Grafikprozessoren, erheblich verkürzen.
Simulation beim KI-Entwurf
KI-Modelle bestehen normalerweise innerhalb großer, komplexer Systeme. Beispielsweise muss die künstliche Intelligenz zur Wahrnehmung in Systemen zum automatisierten Fahren in Algorithmen für die Ortung und Routenplanung sowie Regelungen für Bremsen, Beschleunigung und andere Komponenten integriert werden. Diese Teile arbeiten zusammen, um ein komplettes System zu erstellen. Komplexe KI-basierte Systeme wie diese erfordern Integration und Simulation.
KI in Aktion: Erkennen von Übersteuern bei BMW-Automobilen mittels Machine Learning
Künstliche Intelligenz wird in verschiedenen Teilen eines komplexen Robotiksystems verwendet.
Bei der Simulation kommen alle Komponenten zusammen. Sie verifiziert, dass die Einzelteile ordnungsgemäß miteinander funktionieren. Die Simulation sorgt dafür, dass die Ergebnisse und Reaktionen so sind, wie Sie sie in jeder Situation erwarten. Sie können damit auch vor der Bereitstellung auf der Hardware validieren, ob Ihr Modell ordnungsgemäß funktioniert.
Dieses Thema vertiefen
Anwendungen der künstlichen Intelligenz in der Praxis
Da viele Anwendungen künstliche Intelligenz verwenden, gibt es unterschiedliche Anforderungen für die Bereitstellung, sei es das elektronische Steuergerät in einem Fahrzeug, ein Edge-System in einem Chemiewerk oder ein cloudbasiertes Streamingsystem, das Daten von den verschiedensten Standorten empfängt. Da sich künstliche Intelligenz in jedem beliebigen Teil dieser Systeme befinden kann, müssen Ihre Modelle auf jeder möglichen Plattform bereitzustellen und auszuführen sein.
- Daten erfassen: Sie können in kürzester Zeit unterschiedliche Datenerfassungshardware koppeln, große Datenmengen organisieren oder synthetische Daten generieren, falls nicht genügend Trainingsdaten vorliegen.
- Daten aufbereiten und kennzeichnen: Erstellen Sie bessere Datensätze in kürzerer Zeit mit Apps zur Aufbereitung und Kennzeichnung. Verwenden Sie Low-Code-Apps und integrierte Funktionen in MATLAB®, um die Datenqualität zu verbessern und die Ground-Truth automatisch zu kennzeichnen.
- KI-Modell erstellen: Testen Sie verschiedene Modelle und vergleichen Sie Machine-Learning- und Deep-Learning-Algorithmen, um die passende Lösung für Ihre Anwendung zu finden. Greifen Sie auf Hunderte von vortrainierten Modellen zu, darunter Modelle von TensorFlow™ und PyTorch®, und führen Sie Transfer Learning durch, um Zeit und Ressourcen zu sparen.
- Entscheidungen visualisieren: Gewinnen Sie Vertrauen in KI-Entscheidungen mithilfe von Erklärbarkeitstechniken und der Verifizierung der Belastbarkeit von KI-Modellen. Techniken wie LIME, Shapley und Grad-CAM sind direkt aus MATLAB zugänglich, sodass Sie keine Funktionen manuell verfassen müssen.
- Simulieren: Binden Sie KI-Modelle in Simulink ein, um KI-Funktionalität direkt in Ihre komplexen Systeme zu integrieren. Mit dieser Integration können Ingenieurteams künstliche Intelligenz innerhalb des gesamten Systems simulieren, bevor sie das Modell produktiv schalten.
- Am Edge bereitstellen: Ermitteln und beseitigen Sie Programmierfehler durch die automatische Codegenerierung speziell für Ihr Gerät. MATLAB generiert automatisch Code für Ihre konkrete Zielhardware, damit Sie Modelle in Unternehmenssysteme, Cluster und Clouds oder Embedded-Hardware integrieren können.
Ingenieur- und Wissenschaftsteams sind die Experten mit dem entscheidenden Fachverständnis für den Erfolg von KI-Projekten. MATLAB ermöglicht es Ingenieurs- und Wissenschaftsteams, künstliche Intelligenz in ihrer Domäne einzusetzen sowie in den verschiedensten Branchen team- und organisationsübergreifend zusammenzuarbeiten.
Dieses Thema vertiefen
Künstliche Intelligenz ist Software in einem Computer oder System, die dafür entwickelt wurde, ihre Umgebung wahrzunehmen, Entscheidungen zu treffen und Maßnahmen zu ergreifen.
Machine Learning bezeichnet statistische Methoden, die Maschinen ermöglichen, Aufgaben durch Daten zu „lernen“, ohne explizite Programmierung. Deep Learning ist eine Teilmenge des Machine Learning, die neuronale Netze verwendet, um die Merkmalsextraktion aus Daten zu automatisieren, und oft eine größere Vorhersagekraft besitzt, die mit größeren Trainingsdatensätzen zunimmt.
Die Wahl hängt von den Zielen und Anforderungen des Systems, der Größe der verarbeiteten Daten und der Art des Problems ab, das Sie lösen möchten. Typischerweise eignen sich kleinere Datensätze gut für Machine-Learning-Algorithmen, aber wenn Sie über einen großen Datensatz und erhebliche Rechenleistung verfügen, sollten Sie Deep-Learning-Algorithmen in Betracht ziehen.
Ein solider Workflow für Künstliche Intelligenz umfasst die Kenntnis Ihrer Daten, das Erstellen eines Modells sowie das Entwerfen und Testen des finalen Systems, auf dem das Modell laufen wird, einschließlich Datenaufbereitung, KI-Modellierung, Simulation und Bereitstellung.
Die Datenaufbereitung erfordert domänenspezifisches Fachwissen, um kritische Merkmale und seltene Ereignisse zu verstehen. Schneller zu sauberem, gelabeltem Datenmaterial zu gelangen ist essenziell, da dies in jedem Projekt zur Künstlichen Intelligenz einen erheblichen Zeitanteil ausmacht.
Simulation überprüft, dass alle Komponenten komplexer Systeme korrekt zusammenarbeiten, stellt sicher, dass die Ergebnisse in jeder Situation den Erwartungen entsprechen, und validiert Modelle, bevor sie auf Hardware bereitgestellt werden.
Je nach Größe des Modells können Künstliche-Intelligenz-Lösungen auf vielen Plattformen bereitgestellt werden, einschließlich ECUs in Fahrzeugen, Edge-Systemen in Chemieanlagen oder cloudbasierten Streaming-Systemen, die Daten von mehreren Standorten empfangen.
MATLAB ermöglicht Ingenieurinnen und Ingenieuren, Daten zu erfassen und vorzuverarbeiten, Künstliche-Intelligenz-Modelle zu erstellen und zu vergleichen, Entscheidungen mithilfe erklärbarer KI zu visualisieren, Künstliche Intelligenz innerhalb komplexer Systeme zu simulieren und durch automatische Codegenerierung auf Edge-Geräte bereitzustellen.
