Autonomes Fahren : Entmystifizierung der Künstlichen Intelligenz

Über Künstliche Intelligenz (KI) wird viel geredet und geschrieben. Aber wo wird KI überhaupt eingesetzt? Suchmaschinen sind vermutlich die KI-Anwendungen mit der größten Verbreitung. Besonders imposant ist die noch recht junge Möglichkeit einer Suche nach Bildern, indem man einfach ein Beispielbild vorgibt. Dies zeigt, dass Computer nicht mehr nur Texte verarbeiten beziehungsweise „verstehen“ können, sondern auch die relevanten Informationen aus Bildmaterial extrahieren können.

Bereits seit 2013 hat Mercedes-Benz ein Fußgänger-Notbremssystem in Serienfahrzeugen, das auf Basis eines neuronalen Netzwerks die Bilder einer Kamera auswertet, um Fußgänger erkennen zu können. Auch autonomes Fahren wird ohne sehr gutes „Bildverstehen“ nicht möglich werden. In der aktuellen Forschung werden Kamerabilder mittels tiefer neuronaler Netze (Deep Learning) 20 mal pro Sekunde ausgewertet, um 30 Objektklassen wie Straße, Gehweg, Fußgänger, Autos, Ampeln, Verkehrszeichen etc. im Sichtfeld vor dem Fahrzeug zuzuordnen.

Dazu ist ein enormer Aufwand nötig, so wurden tausende Bilder von Verkehrsszenen manuell mit Beschriftungen für eben diese Objekte versehen. Neben dem autonomen Fahren nutzt Daimler künstliche Intelligenz auch in seinen Entwicklungsprozessen als Werkzeug, um beispielsweise in Konstruktionsdaten, die aus der Historie vorliegen, Muster zu erkennen und daraus Assistenzsysteme für Konstrukteure zu bauen. KI kann somit helfen, den Erfahrungsschatz der Experten eines Unternehmens durch das Trainieren von Algorithmen nachhaltig zu sichern. In der Produktion können klassische Kamerasysteme und bestehende optische Messtechnik in Verbindung mit solchen KI-Algorithmen robuster werden.

Grenzen der Künstlichen Intelligenz

Trotz der genannten Erfolge verdienen nach meiner Einschätzung unsere heutigen KI-Systeme noch nicht das Prädikat „intelligent“, da diese immer nur in einem sehr eng umrissenen Kontext funktionieren, für den diese trainiert wurden. Folglich ist ein „Verstehen“ im menschlichen Sinn, bei dem auch themenübergreifende Zusammenhänge erschließbar sind, nicht gegeben. Künstliche Intelligenz beruht heute (fast) immer auf maschinellem Lernen, welches auf mathematischen Verfahren, insbesondere auf Verfahren der Statistik, basiert.

Im Gegensatz zu konventionellem Programmieren gibt es im maschinellen Lernen kein Programm, das von einem Experten des jeweiligen Anwendungsgebietes in Form von Kontrollstrukturen beziehungsweise expliziten Regeln erstellt wurde. Vielmehr wird in der Entwicklung eine Struktur – zum Beispiel ein neuronales Netzwerk – von einem KI-Experten definiert und dieses dann mit sehr vielen beschrifteten Beispieldaten aus dem Anwendungsgebiet trainiert.

Dabei entsteht ein musterbasiertes Näherungsmodell, dessen Güte sehr stark von der Menge und Qualität der Trainingsdaten abhängt. Es ist daher nicht verwunderlich, dass viele Methoden des maschinellen Lernens dort entstanden oder weiterentwickelt wurden, wo gigantische Datenmengen anfallen, zum Beispiel am Kernforschungszentrum CERN oder bei den Unternehmen im Silicon Valley und in China.  

Bedeutung für den Wirtschaftsstandort

Deutschland profitiert von einem im Vergleich zu vielen anderen Staaten noch relativ großen Anteil industrieller Wertschöpfung am Bruttoinlandsprodukt. Die Stärken unserer Ingenieursausbildung liegen neben einer guten mathematischen Ausbildung in der Fähigkeit zur Beherrschung komplexer Systeme. Daher ist jeder Ingenieur gut vorbereitet, Einsatzchancen von KI in seinem Alltag zu erkennen. Die benötigte Beurteilungskompetenz, die die deutsche Industrie in der Fläche braucht, kann also aufgebaut werden.

Dank eines umfangreichen Vorlesungs- und Tutorialangebots im Internet ist der Einstieg einfach. Alle gängigen Softwarepakete und Frameworks sind als Open Source Software verfügbar und zahlreiche Communities teilen Praxisbeispiele. Ein guter KI-Ingenieur braucht darüber hinaus viel Erfahrung, breites und tiefes Methodenverständnis sowie den fachlichen Austausch mit seinesgleichen und den Experten der Anwendungsgebiete, die er unterstützt. Für Unternehmen heißt dies folglich sowohl Investitionen in flächendeckende Weiterbildung in allen Bereichen wie auch den Aufbau von Methodenteams mit hochqualifizierten und erfahrenen Experten.

Gleichzeitig erfordert der professionelle Einsatz von KI eine umfassende Datenstrategie, die über alle Bereiche von Forschung bis After Sales unter Beteiligung von IT und Rechtsexperten erarbeitet wird. Diese sollte insbesondere berücksichtigen, dass Daten – wie jeder Rohstoff – bei der „Förderung“, das heißt der Erfassung durch entsprechende Sensoren und der „Lagerung“, also Speicherung in für die analytischen Tools zugänglichen Systemen, Kosten verursachen. Ich bin überzeugt davon, dass der nachhaltige Umgang mit Daten trotz dieser Investitionen längst ein entscheidender Wettbewerbsvorteil ist. 

Wie es weitergeht

Die Forschungsanstrengungen sind gewaltig, vor allem bei den großen IT-Konzernen im Silicon Valley und in China. Wesentliche Ziele aktueller Forschungsanstrengungen sind Verfahren, die mit weniger Trainingsdaten auskommen sowie erklärbare Modelle. Sehr spannend für die weitere Entwicklung wird auch die zunehmende Spezialisierung der Hardware insbesondere energieeffizienter Prozessoren für Anwendungen des maschinellen Lernens.