Eines ist schon sicher: wir stehen erst ganz am Anfang, wenn es um den Einsatz von künstlicher Intelligenz in der Industrie geht. Data Science, Machine Learning, künstliche neuronale Netze, Text Mining – viele dieser Technologien bieten großes Potential und sind bereits im Online-Marketing oder der Finanzbranche im Einsatz. Auch die Automobilindustrie profitiert davon – von der Entwurfs- und Entwicklungsphase über das Versuchs- und Fertigungsstadium bis hin zur Vermarktung fließt KI bereits heute in zahlreiche Anwendungen im gesamten automobilen Lebenszyklus ein.

Datenmengen, die aus den unterschiedlichsten Fahrzeugsensoren stammen, in Produktlinien generiert und nicht zuletzt aus dem Feedback der Nutzer gewonnen werden, fungieren als leistungsstarke Informationsquellen. Die Analyse und Interpretation ermöglicht es, Design, Test und Wartung weiter zu verbessern und noch genauer auf die Bedürfnisse der einzelnen Nutzer einzugehen. So komplex es auch ist, auf lange Sicht ist KI notwendig, um letztendlich auch sicherheitsrelevante Entscheidungen beim Autonomen Fahren an das Fahrzeug delegieren zu können.

Neue Funktionen für neue Nutzerbedürfnisse

Die Forschung zur Entwicklung intelligenter Fahrzeugtechnologie konzentriert sich heute besonders auf das Thema Umweltwahrnehmung. Das heißt Infrastrukturen, andere Fahrzeuge, Fußgänger oder jede Art von Objekten, die als Hindernis für das Auto angesehen werden können. Per Radar, Sensorik, und Kamera muss das System in der Lage sein, sämtliche Außeneinflüsse, wie etwa Witterungsbedingungen, Baustellen oder unvorhergesehen Situationen zu erkennen, mögliche Auswirkungen auf die Routenplanung zu beurteilen und das Fahrverhalten in Echtzeit anzupassen.

Expleo arbeitet derzeit in diesem Umfeld an der Entwicklung einer autonomen Parklösung AVP (Automated Valet Parking). Mithilfe einer App, die Fahrzeug, Infrastruktur und Fahrer miteinander verbindet, kann das AVP System das Fahrzeug hochautomatisiert in ein Parkhaus fahren, einparken und wieder herausfahren. Die in-house-Entwicklung nutzt dazu Bildverarbeitungstechnologien, denen Deep Learning, zwei Yolo-Algorithmen und semantische Segmentierung zu Grunde liegen. Erst die Vernetzung der einzelnen Komponenten erlaubt es dem Fahrzeugsystem, seine Umgebung zu erfassen, Hindernisse zu erkennen und die notwendigen Entscheidungen autonom zu treffen.

Fehler vermeiden und korrigieren

Die Vielzahl der Daten, die während der Testphase generiert wurden, liefern Erkenntnisse, die für die Fehlerbehebung äußerst nützlich sind. Die passenden Erkenntnisse müssen vorab nur noch „geborgen“ werden. Indem Fehler in großen Datenmengen erkannt werden, können Ingenieure sich auf die Interpretation der Daten und die Fehlerbehebung konzentrieren, anstatt in den Quellinformationen zu suchen. Um Fahrzeugreaktionen zu analysieren und zu qualifizieren, kommen in Fahrversuchen beispielsweise Klassifikations- und Clusteringverfahren zum Einsatz. Anhand der Sensordaten lässt sich etwa ein fehlerhafter Bremsvorgang erkennen, die Ursachen verstehen und letztendlich korrigieren. Ohne diese Algorithmen wäre die Verwendung der Daten sehr viel komplexer. KI ersetzt damit nicht menschliche Expertise, sondern hilft im Gegenteil dabei Expertise besser zu fokussieren.

Kundenwissen nutzen

Wenn es heute einen Bereich gibt, in dem die Auswirkungen von Big Data besonders offensichtlich sind, so ist dies das Wissen um den Endkunden. Anwendungen zur Analyse von Verbraucherdaten gehören zu den am weitesten entwickelten. Sie ermöglichen es Unternehmen ihre Zielgruppen und deren  Bedürfnisse zu identifizieren. Big Data im Unternehmen ist damit die direkte Antwort auf eine steigende Nachfrage nach personalisierten Produkten und Dienstleistungen. Im Automobilbereich kann das Wissen der Kunden ebenfalls eingesetzt werden, um die Zuverlässigkeit von Produkten zu verbessern. Per Text Mining lassen sich beispielsweise Nutzerdaten, die in Form von Kundenkommentaren auf Websites, Foren etc. zu finden sind, analysieren. Bei Meldungen über wiederholte Störungen bieten diese Informationen die Grundlage um das Design bestimmter Teile gezielt zu überarbeiten, und so Rückrufaktionen zu vermeiden.

Ein Blick in die Zukunft

Eine der großen Herausforderungen wird die Validierung von sicherheitsrelevanten Entscheidungen sein, die ein Fahrzeug künftig eigenständig trifft. Derzeit beruht die Zulassung eines Fahrzeugs auf dem Nachweis, dass es eine Reihe definierter Sicherheitsstandards vollständig erfüllt. Bei autonomen Fahrzeugen hingegen wird Sicherheit durch künstliche Intelligenz gewährleistet. Selbst wenn mit künstlichen neuronalen Netzen vielversprechende Ergebnisse erzielt werden – beispielsweise die richtige Reaktion im Fall einer Notbremsung – so können diese Ergebnisse weder nachgewiesen noch garantiert werden. Die Frage, die sich als Schlussfolgerung stellt: Müssen wir im Zuge der heutigen Entwicklung auch die aktuellen Standards für Sicherheitsnachweise ändern?
David RENAUD, Head of Data Science bei Expleo

KI und Konstruktion: eine Symbiose in Entwicklung

Trotz zahlreicher Erfolge in traditionellen Domänen wie der Verarbeitung von Bildern, Sprache und natürlichem Text muss sich künstliche Intelligenz im Bereich Mechanikdesign oder numerische Simulation im Allgemeinen noch profilieren. Die Gründe liegen gleichermaßen in den verfügbaren Tools – Daten vs. physikalische Gleichungen – und dem Know-how von Entwicklern und Maschinenbauern, das sich nicht immer einfach in mathematische Formeln fassen lässt. Dennoch existieren hier bereits zahlreiche Anwendungen für KI insbesondere für Machine Learning-Anwendungen; etwa um Näherungswerte für Berechnungen im Entwicklungsprozess schnell und kostengünstig zu erstellen. Auch um Defekte zu erkennen oder Strukturen zu untersuchen, kommen Techniken auf Grundlage des Machine Learning bereits zum Einsatz. In Verbindung mit mathematischen Methoden der globalen Optimierung lassen sich zudem Strukturen schneller und besser entwickeln als mit traditionellen Trial-Error-Ansätzen, da so ein größerer Entwurfsraum abgedeckt wird. Nicht zuletzt fördert KI auch das kreative Potenzial des Maschinenbauingenieurs wenn es Unterstützung bei zeitraubenden Aufgaben gibt und diese vereinfacht werden, wie etwa bei der Konstruktion oder der Rekonstruktion parametrischer CAD-Modelle. Neuronale Netzwerke wie Generative Adversarial Networks erzeugen zudem immer realistischere und leistungsfähigere 3D-Modelle. Durch die verfügbare Speicherkapazität und die verteilte Verarbeitung von Big Data wird es schließlich möglich, die vielen Berechnungen, die zum Entwerfen einer Komponente erforderlich sind, zu verketten. Es gibt also einiges, worauf wir uns freuen können!
Dimitri BETTEBGHOR, Data Scientist bei Expleo

Ein Chatbot für die Industrie

Expleo hat seine Data Science Expertise in ein innovatives Produkt integriert und ein textbasiertes Dialogsystem für den industriellen Einsatz entwickelt. In Zukunft könnte es zur Unterstützung von Maschinenbedienern in Produktionsstraßen eingesetzt werden. Deep Learning- und Machine Learning-Techniken sind die Grundlage, um nicht standardisierte Fragen in natürlicher Sprache zu verstehen und zu beantworten.

Tags