Keysight Technologies

Die Anatomie von KI

3. August 2022, 11:58 Uhr | Jeff Harris

Künstliche Intelligenz entsteht aus der Kombination von Metrologie mit der Fähigkeit zu lernen.

Künstliche Intelligenz wird heute in den unterschiedlichsten Arten angepriesen – von hoch entwickelten bis zu alltäglichen Produkten. Allein der Gedanke, dass KI ein Produkt antreibt, klingt beeindruckend. Vielfach wird jedoch nicht deutlich, was die KI konkret leistet.

Um Künstliche Intelligenz zu erreichen, sind zunächst einmal zwei Bestandteile essenziell: Das ist zum einen die Fähigkeit, einen Parameter zu messen und zu verstehen, was die Messung bedeutet, zum zweiten die Fähigkeit, zu lernen. Beim ersten Teil geht es um die Metrologie, die wissenschaftliche Untersuchung von Messungen. Der zweite Teil wird als Machine Learning (ML) bezeichnet, das Systemen die Fähigkeit verleiht, zu erkennen, wenn eine Messung von den Erwartungen abweicht, und einen Vorgang zu ändern, ohne ausdrücklich dafür programmiert zu werden.

Die Fähigkeit zur Datenerfassung

In der Metrologie geht es um das tiefgehende Verständnis einer bestimmten Messung. Diese Messung kann so einfach und eindeutig sein wie Spannung, Masse oder Temperatur, oder so multimodal wie die Funktion von Flugzeugsteuerflächen oder komplexen Fertigungsstraßen.

Messtiefe: Unabhängig davon, ob ein einzelner Parameter oder mehrere Parameter gemessen werden, bestimmt die Tiefe der Messgenauigkeit den Grad der Programmierbarkeit, der erreicht werden kann. Zum Beispiel ist die Messung eines 3-V-Systems auf 1/10 V nicht so aufschlussreich wie die Messung auf 1/1000 V.

Daten-Feed: Messdaten sind für einen Algorithmus nur dann nützlich, wenn sie in einem Daten-Feed zur Verfügung gestellt werden. Wenn, wie im obigen Beispiel, ein Sensor in der Lage ist, auf 1/1000 genau zu messen, sein Datenfeed-Ausgang aber aufgrund von Datenbusbeschränkungen auf eine Dezimalstelle begrenzt ist, steht die zusätzliche Präzision dem Algorithmus nicht zur Verfügung.

Mehrere Daten-Feeds: Wann immer möglich führt die Messung mehrerer Parameter zu einer besseren Entscheidungsfindung. Wenn etwa die Spannung mit einer Genauigkeit von 1/1000 V und gleichzeitig die Temperatur gemessen werden kann, besteht nun die Möglichkeit, Spannungsänderungen aufgrund von Temperaturschwankungen zu erfassen.

Machine Learning

Das ultimative Machine Learning speist Daten aus mehreren Quellen in Algorithmen ein, die die Art und Weise nach-ahmen, wie Menschen lernen, und ihre Genauigkeit schrittweise verbessern. Sind die Daten-Feeds erst einmal vorhanden, gibt es drei wesentliche Bausteine für ML: einen Algorithmus zur Interpretation der Daten, eine Tabelle mit erwarteten Ergebnissen sowie reaktiven Resultaten und eine Feedbackschleife.

Der Algorithmus: Die wahre ‚Intelligenz‘ eines jeden Machine Learning-Systems ist seine Fähigkeit, Dateneingaben zu verarbeiten, eine Reihe von Berechnungen/Anweisungen auszuführen und die Ergebnisse zu interpretieren. Interpretieren bedeutet die Fähigkeit zu erkennen, ob ein Ergebnis innerhalb oder außerhalb des erwarteten Bereichs liegt, und entsprechend diesem Ergebnis neue Befehle zu erteilen. Im vorherigen Beispiel könnte der Algorithmus einen internen Lüfter aktivieren, wenn eine Spannungsmessung weit außerhalb des erwarteten Bereichs liegt und die Temperatur über dem Nennwert liegt.

Erwartete Ergebnisse sowie reaktive Folgen: In ihrer einfachsten Form können die erwarteten Ergebnisse eine ‚Nachschlagetabelle‘ mit Kombinationen von Dateneingaben und einer Reihe reaktiver Befehlsanweisungen sein. Je umfassender die Tabelle ist, desto ausgereifter und wertvoller wird das ML. Interaktivere MLs können schrittweise Änderungen vornehmen, wie etwa die Kursänderung einer Drohne auf der Grundlage von Echtzeit-Sensorik, was sowohl eine kontinuierliche Erfassung als auch ständige Anpassung erfordert.

Feedbackschleife: Das letzte Element ist die Feedbackschleife, die es dem System ermöglicht, zu überprüfen, ob das, was es getan hat, ausreichend war oder ob es weiter verfeinert werden muss. Es ermöglicht zudem seine Parameter anzupassen.

Das Hinzufügen mehrerer ML-Funktionen, die sich auf verschiedene Aspekte größerer Systeme konzentrieren, sowie das Hinzufügen weiterer Sensordaten ermöglicht ML auf einer komplexeren Systemebene. Sehr fortschrittliche ML können ihre ‚Nachschlagetabellen‘ ergänzen, wenn sie auf neue Kombinationen von Sensoreingaben stoßen, Varianten ihrer reaktiven Anwei-sungen ausführen und das Feedback messen, wie ausreichend die Reaktion war. So entstehen selbstregulierende Algorithmen, die Wissen aus Daten ab-leiten, um Ergebnisse vorherzusagen. Je mehr die Algorithmen trainiert werden, desto genauer werden die Ergebnisse.

Künstliche Intelligenz

Matchmaker+ Anbieter zum Thema

zu Matchmaker+

Mit trainierbaren Algorithmen ist nun der größte Teil des Weges zur Bereitstellung von KI zurückgelegt. Dazu müssen die Ergebnisse aus der Sammlung von ML-Engines mit ausreichenden Richtlinien und Iterationen kombiniert werden, damit der Algorithmus Entscheidungen in Echtzeit treffen kann. Jedes Mal, wenn ein KI-Algorithmus Daten verarbeitet, iteriert, die iterative Reaktion mit neuen Daten abwägt und die Kombination nutzt, um seine Ausgabe-Entscheidungen zu treffen, hat er den Status der Entscheidungsfindung erreicht. Durch diesen ständigen Zyklus lernt die KI ständig dazu und verbessert die Qualität ihrer Entscheidungen. Dieser gesamte Prozess kann sehr einfach sein, wie das Beispiel der Spannungs- und Temperatursensorschleife; oder er kann so komplex sein wie das Flugsteuerungssystem einer Kampfdrohne.

Die DNA-Marker der KI

Wie lässt sich also vorhersagen, wie gut ein KI-Algorithmus funktionieren wird?
Eine Betrachtung der DNA-Marker hilft. In ihrer grundlegendsten Form ermöglicht die Implementierung von KI einer Maschine, einen Menschen in der Entscheidungsschleife zu ersetzen, indem sie simuliert, wie wir Menschen Informationen wahrnehmen, verarbeiten und einen Arbeitsablauf für eine bestimmte Reihe von Bedingungen ändern würden. Im Kern sollten drei gängige DNA-Merkmale betrachtet werden:

Messung und Simulation: Wie gut ist der Hersteller in der Lage, zu messen, verfügt er über ausreichend Kenntnisse und Erfahrungen, um einen digitalen Zwilling der Umgebung zu erstellen?

Algorithmen, Analysen und Erkenntnisse: Die Tiefe des Wissensbereichs des Entwicklers über die Kerneigenschaften des Signals und die Beziehung zu den erwarteten Reaktionen bestimmen die Tiefe der ‚Nachschlagetabelle‘ der erwarteten Ergebnisse.

Kenntnisse der Workflow-Automatisierung: das Verständnis auf Systemebene, wie mehrere iterative ML-Outputs zusammenarbeiten können, um ein gewünschtes Ergebnis zu optimieren.

Die Qualität eines KI-Algorithmus hängt folglich von diesen Eigenschaften ab: der Tiefe des Verständnisses der Metrologie in einem bestimmten Bereich, der Messtechnik sowie der Anzahl der Technologien und Standards, für die er über dieses umfassende Wissen verfügt.

Wird die KI also gut ausgeführt, ist sie keine überbewertete neue Technologie. Vielmehr ist sie die einzige Möglichkeit für Entwickler, die exponentielle Komplexität neuer Designs zu bewältigen. Oder, um mit dem Zukunftsforscher Gray Scott zu sprechen: „Es gibt keinen Grund und keine Möglichkeit, dass ein menschlicher Verstand bis 2035 mit einer Maschine mit Künstlicher Intelligenz mithalten kann.“ Ingenieure haben dies erkannt und begonnen, ML und KI in ihre Systeme einzubauen. So beginnt KI mit intelligenten, motivierten Ingenieuren, die die Messwissenschaft verstehen und die die Erwartungen an das Systemverhalten ausreichend kennen, um digitale Zwillinge für Entwickler zu erstellen.