Interview mit Johanna Pingel, Mathworks

So setzen Sie KI richtig ein

23. Februar 2022, 16:00 Uhr | Andrea Gillhuber

Künstliche Intelligenz verspricht effizientere Prozesse. Doch was gilt es beim Arbeiten mit Machine Learning & Co. zu beachten? Wo fange ich an und vor allem wie? Johanna Pingel von Mathworks gibt Antworten.

Warum ist es beim Arbeiten mit Künstlicher Intelligenz (KI) so wichtig, den Workflow als Ganzes im Auge zu behalten?

Johanna Pingel: Ingenieure, die mit Künstlicher Intelligenz arbeiten, konzentrieren sich oft in erster Linie auf das KI-Modell. Allerdings bestimmt der Workflow als Ganzes, ob man mit KI erfolgreich ist. KI-Modelle brauchen zum Training gelabelte Daten; darum ist es enorm wichtig, dass der Workflow auch die Bereinigung, die Aufbereitung und das Labeling der Daten umfasst.

Matchmaker+ Anbieter zum Thema

zu Matchmaker+

Außerdem bietet ein KI-Modell einen Mehrwert, wenn es in Produktionssystemen eingesetzt oder in ein Embedded System integriert wird. Aber: Das KI-Modell allein ist in der Regel nicht das komplette System, vielmehr wird es in ein größeres System integriert und muss perfekt mit diesem zusammenarbeiten. Daher ist es hilfreich, den Gesamtzusammenhang zu verstehen und zu wissen, wie sämtliche Komponenten ineinandergreifen. Für die Entwicklung KI-gestützter Systeme müssen Simulationen, Tests und die Bereitstellung als Teil des Workflows verstanden werden. Man muss dabei bedenken, dass die Bereitstellung etwa auf Edge- oder eingebetteten Geräten, aber auch auf Enterprise-Systemen und in der Cloud erfolgen kann.

Von Anfang an sämtliche Schritte im Hinterkopf zu behalten, ist daher von großem Vorteil. Wenn etwa Anforderungen später in der Entwicklung überraschend geändert werden, ist es viel schwieriger, die Richtung zu ändern.

Welche Hauptaspekte sind bei den einzelnen Schritten des Workflows zu beachten? Wie schaffen es Ingenieure beispielsweise, Vertrauen in ein Modell aufzubauen?

Pingel: Der Workflow einer KI-Entwicklung besteht aus vier Schritten. Sich auf alle vier Schritte zu konzentrieren, hilft Ingenieuren bei der Entwicklung eines kompletten, KI-gestützten Systems.

Am Anfang steht die Datenaufbereitung: KI-Modelle brauchen große Datenmengen, um zu lernen und Prognosen zu treffen. Diese Daten müssen bereinigt sein und in einem Format vorliegen, mit dem das Modell arbeiten kann. Sämtliche Daten so zu importieren und aufzubereiten, dass man ein hochgenaues Modell erhält, ist darum oft zeitaufwändig. Das Wichtigste bei diesem Schritt ist, Apps zum Daten-Labeling einzusetzen, die diese zeitraubende Vorverarbeitung – auch von Signal- und Bilddaten – maßgeblich beschleunigen.

Der zweite Schritt ist die Modellierung der KI: Das Herzstück einer KI ist das Modell und die Auswahl an Modelltypen ist groß. Software wie Matlab bietet die Möglichkeit, unterschiedliche Modelle zu importieren und zu testen. So lässt sich feststellen, welches Modell optimal für eine bestimmte Anwendung geeignet ist. Modellierungs-Apps ermöglichen automatisiertes Training sowie unterstützende Visualisierungen. Zu den verfügbaren Modellen zählen unter anderem solche für Machine Learning, Deep Learning und Reinforcement Learning.

An dritter Stelle stehen Simulationen und Tests. Dass ein Modell in sämtlichen denkbaren Szenarien korrekt arbeitet, ist die zentrale Forderung an ein KI-System, wenn es erfolgreich sein soll. All diese Szenarien simuliert und alle Anwendungsfälle getestet zu haben, ist ein wichtiger Meilenstein, mit dem man sicherstellen kann, ein exakt arbeitendes System aufgebaut zu haben und bereit für die letzte Phase zu sein.

Und zu guter Letzt die Bereitstellung: Da sich KI in immer mehr Anwendungsfelder ausbreitet, werden auch die
Anforderungen an die Bereitstellung vielschichtiger. Deshalb ist es wichtig, dass die Bereitstellung auf unterschiedlichsten Systemen erfolgen kann: von Edge-Systemen über die Cloud bis hin zu GPUs und MCUs.

Ein komplett funktionsfähiges System hat man dann, wenn sämtliche, wahrscheinlich vom Modell anzutreffenden Anwendungsfälle erfolgreich simuliert, getestet und verifiziert wurden. Tools wie Simulink helfen bei der Verifizierung, ob ein Modell unter allen erwarteten Anwendungsfällen wunschgemäß arbeitet. So lässt sich vermeiden, ein Modell kostspielig von Grund auf überarbeiten zu müssen.

Welches sind die typischen Herausforderungen, mit denen Ingenieure beim Arbeiten mit KI über den Workflow hinweg konfrontiert werden?

Pingel: KI hat ihre ganz eigenen Herausforderungen. Typische Fragen sind, was ich tun kann, wenn ich nicht genügend Daten habe, welches Modell sich für welche Anwendung eignen und welche Plattform bei der Bereitstellung des Modells helfen kann.

»Ingenieure sollten nicht unnötig Zeit mit der Programmierung verbringen, wenn sie sich auf wichtigere Dinge wie die Beschaffung von Daten, die Entwicklung von Modellen und das Testen der Genauigkeit konzentrieren wollen.«

KI braucht große Datenmengen, um erfolgreiche Modelle zu generieren. Mit Matlab beispielsweise lassen sich Datenbestände durch Simulationen vergrößern. Bei Anwendungen für Predictive Maintenance etwa kann es ein Problem sein, Daten zu selten vorkommenden Ereignissen oder zu Fehlern zu sammeln, die die Maschine zerstören würden. Das macht es schwierig, eine KI mit ausreichend Daten auf diese Fehler zu trainieren. Mit Tools wie Simulink sowie Simscape, das zum Entwurf und zur Simulation physikalischer Systeme eingesetzt wird, lassen sich beispielsweis realistische Pumpenmodelle erstellen. Simuliert man damit unterschiedlichste Fehlerszenarien, kann man die erhaltenen Daten zum Training des KI-Modells nutzen.

Außerdem gibt es in den Software-Tools eine ganze Reihe vortrainierter Modelle, die man in kurzer Zeit so trainieren kann, dass sie für eine neue, individuelle Lösung geeignet sind. Ingenieure können also flexibel unterschiedliche Lösungen ausprobieren und feststellen, welche am besten für ihre Anwendung geeignet ist.

Meine Empfehlung bei der Wahl der passenden Plattform ist, sich auf die Systemanforderungen zu konzentrieren und nicht auf eine spezielle Plattform. Wichtig ist, dass das Modell flexibel ist, sowie exportiert und auf unterschiedlichen Systemen ausgeführt werden kann. Zudem muss man darauf vertrauen können, dass man den Programmcode für die jeweilige Plattform erzeugen kann, ohne dabei Fehler einzuschleppen.

Die generell am häufigsten gestellte Frage allerdings ist: Wo fange ich an? Dafür empfehle ich immer, sich zuerst die grundlegenden Kernkonzepte anzueignen und sich danach auf die jeweilige Anwendung zu konzentrieren. Fangen Sie mit Referenzbeispielen an, um festzustellen, wie KI in eine bestimmte Anwendung hineinpasst. Am wichtigsten ist, sich bewusst zu machen, dass Ingenieure keine Datenwissenschaftler sein müssen, um etwa Deep-Learning-Anwendungen zu entwickeln. Sie verfügen bereits über das zum Erfolg nötige grundsätzliche Wissen über ihr Projekt und die Daten. Um den Einstieg zu erleichtern, bietet wir außerdem kostenlose Tutorials für das Deep Learning, Machine Learning und weitere spezifischere Themen.