Künstliche Intelligenz Sechs KI-Trends für 2019

Derzeit stellen viele Hardware- und Software-Unternehmen neue Tools für die Entwicklung von KI-Systemen vor. 2019 wird das Jahr werden, in dem KI mehr und mehr zur Anwendung gelangt. Für Entwickler ist das mit neuen Herausforderungen verbunden.

Trends wie künstliche Intelligenz, Deep Learning, Datenanalyse, Internet of Things und andere Konzepte greifen immer mehr ineinander und machen technische Fortschritte möglich, die noch vor ein paar Jahren nach Zukunftsmusik klangen. Hier ist besonders die künstliche Intelligenz (KI) zu nennen. Mit der zunehmenden Verbreitung von KI in allen Branchen wächst auch die Notwendigkeit, sie für Ingenieure und Wissenschaftler unterschiedlicher Fachrichtungen zugänglich und anwendbar zu machen.

Das Training künstlicher neuronaler Netzwerke ist erst in jüngster Zeit durch die großen Datenmengen möglich geworden, die im Zuge von Sensor­netzwerken und dem Internet der Dinge anfallen. Der Umgang mit die­sen Datenmengen stellt Entwickler
aller Fachrichtungen aber auch vor große Herausforderungen. Dr. Frank Graeber, Manager Application Engineering und Technical Account Manager bei Mathworks, sieht sechs Trends, die die Entwicklung und Anwendung von KI in diesem Jahr bestimmen werden.

1. KI setzt sich branchenübergreifend durch

Ingenieure und Wissenschaftler, nicht nur Datenwissenschaftler, werden die Einführung von Deep Learning vorantreiben. Nicht nur die Offenheit für neue Techniken, sondern auch wirtschaftliche Vorteile, die künstliche Intelligenz und Automatisierungs-Tools versprechen, werden den zunehmenden Einsatz von KI durch Ingenieure und Wissenschaftler vorantreiben.

Neue Workflow-Tools vereinfachen und automatisieren die Datensynthese, die Klassifizierung, die Vorverarbeitung und Bereitstellung von Daten. Diese Tools erweitern auch die Bandbreite der Anwendungen von Bild- und Computer-Vision bis hin zu Zeitreihendaten wie Audio, Signalverarbeitung und IoT. So wird KI abseits der Datenwissenschaft z.B. in unbemannten Luftfahrzeugen (UAV) eingesetzt werden, um mithilfe von KI Objekte in Satellitenbildern zu erkennen, oder bei Krebsvorsorge­untersuchungen zur Früherkennung von Krankheiten.

2. Industrielle Anwendungen erfordern Spezialisierung

Die Industrie wird zu einem wichtigen Einsatzfeld für KI, erfordert aber auch eine größere Spezialisierung. Damit IoT- und KI-getriebene Anwendungen wie Smart Cities, Predictive Maintenance und Industry 4.0 Realität werden, müssen einige Kriterien erfüllt sein. Sicherheitskritische Anwendungen verlangen beispielsweise nach einer höheren Verlässlichkeit und Verifizierbarkeit. Wohingegen fortschrittliche mechatronische Systeme Designansätze benötigen, die mechanische, elektrische und andere Komponenten zusammenführen.

Eine weitere Herausforderung ist, dass diese spezialisierten Anwendungen wie z. B, Systeme zur Erkennung von Überhitzung bei Flugzeugtriebwerken oft von dezentralen Entwicklungs- und Serviceteams entwickelt und verwaltet werden. Sie sind somit nicht unter der IT zentralisiert.

3. Interoperabilität von Entwicklungs-Tools

Für den Aufbau einer umfassenden KI-Lösung ist die Zusammenarbeit von verschiedenen Systemen essenziell. Die Realität ist, dass es kein einzelnes Framework gibt, das die besten Lösungen für alle Anwendungsbereiche der KI bieten kann. Derzeit konzentriert sich jedes Deep-Learning-Framework auf einige wenige Anwendungen und Produktionsplattformen, während effektive Lösungen Teile aus mehreren verschiedenen Workflows zusammenführen müssen.

Dies erzeugt Reibungsverluste und reduziert die Produktivität. Diesem Pro­blem nehmen sich Unternehmen wie ONNX.ai an. Sie bieten eine Umgebung, in der Entwickler das beste Werkzeug frei wählen, ihre Modelle einfacher teilen und ihre Lösungen auf einer breiten Palette von Produktionsplattformen einsetzen können.

4. Cloud Computing

Die großen öffentlichen Cloud-Anbieter werden zunehmend als Host-Plattform für KI genutzt. Sie werden sich weiterentwickeln, um die Komplexität zu reduzieren und werden die Abhängigkeit von IT-Abteilungen verringern. Leistungsstarke GPU-Instanzen, flexible Speicheroptionen und produktions­reife Containertechnologien sind nur drei Gründe, warum KI-Anwendungen zunehmend Cloud-basiert sind. Für Ingenieure und Wissenschaftler erleichtert die Cloud-basierte Entwicklung die Zusammenarbeit und ermöglicht die bedarfsgerechte Nutzung von Computerressourcen, anstatt eigene Hardware zu kaufen. Cloud-, Hard- und Software-Anbieter erkennen jedoch, dass diese Technologieplattformen für Ingenieure und Wissenschaftler oft schwierig einzurichten und in ihren Entwicklungs­abläufen zu nutzen ist.

5. Edge Computing

Edge Computing wird KI-Anwendungen in Szenarien ermöglichen, in denen die Verarbeitung lokal erfolgen muss. Edge Computing für leistungsstarke, immer komplexere KI-Lösungen in Echtzeit wird durch die Fortschritte bei Sensoren und energiesparenden Computerarchitekturen möglich gemacht. Gerade für die Sicherheit in autonomen Fahrzeugen, die ihre Umgebung verstehen und davon ausgehend Verkehrssituationen in Echtzeit bewerten müssen, wird Edge Computing von entscheidender Bedeutung sein.

6. Komplexität erfordert eine stärkere Zusammenarbeit

Der zunehmende Einsatz von Machine und Deep Learning in komplexen Systemen wird mehr Mitarbeiter und Zusammenarbeit erfordern. Datenerhebung, -synthese und -kennzeichnung erhöhen den Umfang und die Komplexität von Deep-Learning-Projekten und erfordern größere, dezentralisierte Teams. System- und Embedded-Ingenieure benötigen Flexibilität bei der Bereitstellung von Inferenzmodellen in Rechenzentren, Cloud-Plattformen und Embedded-Architekturen wie FPGAs, ASICs und Mikrocontrollern. Zusätzlich müssen sie über Fachwissen in den Bereichen Optimierung, Energiemanagement und Wiederverwendung von Komponenten verfügen. Ingenieure, die Inferenzmodelle entwickeln, müssen diese Informationen zusammenführen. Sie benötigen Werkzeuge, um die wachsende Menge an Trainingsdaten zu bewerten bzw. zu verwalten, die sie an Systemingenieure weitergeben – und nicht zuletzt für das Lifecycle-Management der Inferenzmodelle.

Mathworks
Halle 4, Stand 110