Laut Gartner haben Unternehmen, die KI-Engineering-Praktiken zur Entwicklung und Verwaltung adaptiver KI-Systeme eingeführt haben, einen klaren Wettbewerbsvorteil: Bis 2026 werden solche Vorreiter ihre Konkurrenten in Bezug auf die Anzahl und den Zeitaufwand für die Operationalisierung von KI-Modellen um mindestens 25 Prozent übertreffen. Um den Anschluss nicht zu verlieren, gilt es für Unternehmen, die Einführung von KI weiter voranzutreiben und neue Anwendungsfälle für sich zu erschließen. Der Beitrag von MathWorks erläutert, welche KI-Trends Ingenieure im Jahr 2023 im Blick behalten sollten und welche Herausforderungen es zu bewältigen gilt:

Physikgestützte KI – Modelle mit Prinzipien und Regeln aus der realen Welt

KI breitet sich in immer mehr Forschungsgebieten aus, beispielsweise in komplexen technischen Systeme. Die Kombination von Daten und Physik über neural ODEs (ordinary differential equations) oder auch PINNS (physics-informed neural networks) hat großes Potenzial. Im Mittelpunkt der physikgestützten Künstliche Intelligenz stehen Simulationen: Komplexe Modelle können als Varianten innerhalb einer Simulation konfiguriert werden und Entwicklern einen schnellen Wechsel zwischen Modellen bieten, um genaueste Lösungen zu erhalten. Auch die Modellierung mit reduzierter Ordnung (Reduced Order Modeling, ROM) mit physikalisch basierten Reduktionsmodellen ist ein wichtiger 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.

Zusammenarbeit – Der freie Zugang zu KI breitet sich aus

Forscher, Ingenieure und Datenwissenschaftler sollten ihre funktions- und branchenübergreifende Zusammenarbeit weiter ausbauen, um innovative 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 oft mit Modellen aus unterschiedlichen Frameworks arbeiten. Eine stärkere Vernetzung von Wissenschaft, akademischen Forschungseinrichtungen und Unternehmen treibt die KI-Forschung zu Themen wie physikgestütztem Machine Learning und biomedizinischer Bildverarbeitung voran.

Unternehmen fokussieren sich auf kleinere, leichter erklärbare KI-Modelle

KI-Anwender stellen zunehmend fest, dass sie Modelle bereitstellen, anpassen und erklären müssen, damit diese Modelle relevant sind. Die Erklärbarkeit von Modellen und entsprechende Anwendungen rücken daher in den Fokus von Ingenieuren. Um die Anforderungen an kostengünstige Geräte mit geringem Stromverbrauch und erklärbaren Ausgaben zu erfüllen, greifen Ingenieure deshalb auf traditionelle Machine-Learning-Modelle und parametrische Modelle zurück. Diese sind kompakt, haben geringen Speicherbedarf und sind einfacher interpretierbar. Wenn neuere, speicherintensivere Modelle benötigt werden, bieten Quantisierungs- und Pruning-Techniken Möglichkeiten, die Modelle zu komprimieren. 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 auszuweiten.

KI wird entscheidend für das Design, die Entwicklung und den Betrieb moderner technischer Systeme

KI setzt sich immer stärker in allen Branchen und Anwendungen durch und wird künftig entscheidend für technischen Fortschritt sowie Entwicklung und Betrieb moderner technischer Systeme sein. In etablierteren Tätigkeitsfeldern, in denen KI erst eingeführt wurde, benötigen Ingenieure Hintergrundinformationen sowie spezifische Referenzbeispiele, um KI in ihre Arbeit zu integrieren. Basierend auf erprobten Beispielen können Ingenieursteams Daten und Know-how einbringen und die KI spezifisch angepasst auf ihre Aufgabenstellung integrieren.

Welche Herausforderungen KI-Ingenieure erwarten

Da meist verschiedene Teams für die Erstellung und Implementierung von KI-Modellen zuständig sind, entstehen im KI-Umfeld komplexe Herausforderungen, die es für Ingenieure zu bewältigen gilt. Die Auswahl der Vorverarbeitungsalgorithmen und das Modelltraining fallen oft 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 weitere Kriterien berücksichtigen. Frühzeitiges Testen von Algorithmen für eine Machbarkeitsbewertung mittels PIL (Processor-in-the-Loop) kann verhindern, dass bereits trainierte und leistungsfähige Modelle 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, Machine Learning Compiler Frameworks wie Apache TVM oder die automatische Codegenerierung in MATLAB/Simulink.

Schließlich bleibt die Absicherung von KI-Modellen 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.

Mehr zu KI-Modellierung, -Workflows und -Systemen finden Sie hier.

Die Autorin: Johanna Pingel ist Product Marketing Manager für KI, Mathworks