Schwerpunkte

Künstliche Intelligenz

Woran es hapert und was helfen kann

12. Oktober 2020, 16:32 Uhr   |  Iris Stroh

Woran es hapert und was helfen kann
© Blaize

Richard Terrill, Blaize: »Es ist wichtig, die Grenzen von KI zu verstehen – KI ist definitiv keine Magie oder Allheilmittel.«

Künstliche Intelligenz gehört heute zum guten Ton, zumindest aus Sicht der Marketing-Abteilung. Doch der Einsatz ist nicht immer einfach. Aber: Es gibt vielseitige Unterstützung, die den Einsatz immer einfacher macht.

Richard Terrill, Vice President Strategic Business Development von Blaize, weiß aus Erfahrung: »Die größten Hürden bestehen darin, klar zu definieren, was man mit einer KI-Implementierung erreichen will, das Festlegen von Erfolgskriterien und das richtige Training der Systeme mit gültigen Daten. Um ein Produkt zu verbessern, darf man nicht einfach „KI hinzufügen und umrühren“, man muss sorgfältig überlegen, was man entweder verbessern oder implementieren möchte, und dann systematisch vorgehen.«

Aber selbst wenn man weiß, was man möchte, gibt es noch diverse Hürden zu überwinden. Wolfgang Furtner, Senior Principal bei Infineon Technologies, beispielsweise sieht Schwierigkeiten darin, dass in vielen Fällen das Know-How zur Entwicklung und Implementierung fehlen. Auch die Verfügbarkeit von Trainingsdaten ist oft nicht gegeben und »es fehlen standardisierte Entwicklungswerkzeuge, funktionale Sicherheit ist ebenfalls eine Hürde und natürlich die Datensicherheit«, so Furtner weiter. Und Nick Ni, Director of Product Marketing AI, Software, Ecosystem bei Xilinx, merkt noch an, dass nach wie vor Talente für das KI-Training und für die HW/SW-Ko-Entwicklung von KI-Inferenzen auf kommerzieller Hardware fehlen.

Neue Fähigkeiten sind gefordert

Eric Pinton, Director der Automotive Solution Business Unit bei Renesas Electronics, sieht in den unterschiedlichen Anforderungen an die Entwickler ein Problem. KI trifft Entscheidungen nicht auf Basis von hartcodierten Algorithmen, sondern auf Basis von neuronalen Netzen (NNs), die mit Daten trainiert wurden. »Und das erfordert andere Fähigkeiten als die Entwicklung und Implementierung traditioneller Algorithmen«, so Pinton weiter. Eine weitere Hürde sieht er in einem speziellen Charakteristikum der KI: Neuronale Netz sind heute typischerweise eine Blackbox, deren Entscheidungen nicht vollständig deterministisch sind, weder nach Ergebnis noch nach Zeit, und »eine KI versteht keinen Kontext«, so Pinton. Das erste Problem lässt sich mit einer neuen Art von NNs adressieren, die es erlauben, den Prozess im NN zu analysieren. Doch bis diese eingesetzt werden können, »steht mit traditionellen Algorithmen ein komplementärer Ansatz offen, mit denen ausgezeichnete, zuverlässige Ergebnisse erzielt werden«, so Pinton. Durch die Kombination von KI und traditionellen Algorithmen kann eine gegenseitige Validierung erfolgen, »um sichere Entscheidungen zu treffen und dennoch von der Überlegenheit der KI zu profitieren«, so Pinton weiter.

Sein Kollege Stefano Tansini, Senior Manager der IoT and Infrastructure Business Unit bei Renesas Electronics, fügt noch hinzu, dass eine der größten Hürden von KI in der Unsicherheit der Vorhersagegenauigkeit in unbekannten oder sich verändernden Umgebungen bestehe. Tansini: »Dem muss nicht nur im Rahmen des Trainings der KI Rechnung getragen werden, sondern auch durch eine intelligente Vorverarbeitung der Rohdaten.«

Gelabelte Daten sind erforderlich

Das Training der NNs erfolgt mit großen Datenmengen, und genau diese können auch aus Sicht von Claudio Valesani, EMEA Region Vice President der Central & UK Sales Unit von STMicroelectronics, ein Problem darstellen. Oft sei schon die Datenerfassung ein Problem. Darüber hinaus stünden zwar viele offene Datensätze zur Verfügung, es gebe aber immer noch Bedarf an benutzerdefinierten Datensätzen für spezielle Produkte; aber wie und welche müssen erfasst werden? Valesani: »Einige unserer Partner können bei der Erfassung oder Kennzeichnung von Daten helfen.« Und zu guter Letzt können auch die Kosten zum Problem werden, denn in vielen PoCs (Proofs of Concepts) kommen teure Chips und teure KI-Algorithmen zum Einsatz. »Um Massenmärkte zu erreichen, müssen KI-Algorithmen verkleinert werden und auf preisgünstige Produkte wie STM32-Mikrocontroller und Mikroprozessoren passen«, so die Forderung von Valesani.

Viele Entwickler kennen zwar ihre Applikation in- und auswendig, aber geht es um KI-Algorithmen, und für NNs ist dann ist oft keine Expertise vorhanden. Aus Sicht von Markus Levy, Director of Machine Learning Technologies von NXP Semiconductors, wird KI bzw. Maschinenlernen (ML) trotzdem in den nächsten Jahren in 75 Prozent aller eingebetteten Anwendungen genutzt werden, und zwar dank »enormer Fortschritte bei den Software-Werkzeugen«, so Levy weiter. Dadurch könne ML von der breiten Masse genutzt werden »und nicht nur von den wenigen Auserwählten, die das Glück haben, Datenwissenschaftler zu sein«, erklärt Levy.
Wobei bereits heute vielfältige Unterstützung seitens der Halbleiterhersteller zur Verfügung steht.

Seite 1 von 2

1. Woran es hapert und was helfen kann
2. Blaize

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Das könnte Sie auch interessieren

Syntiant bringt KI in Edge-Geräte
Wie lässt sich mit KI Geld verdienen?
Äußerst genügsamer analoger KI-Chip
Mit KI schneller zahlen
KI wird allgegenwärtig
KI viel seltener genutzt als gedacht
Neuronale-Netzwerk-Beschleuniger
KI trainieren ohne den Datenschutz zu verletzen
Von unter 1 MOPS bis hin zu 1000 TOPS

Verwandte Artikel

NXP Semiconductors Germany, Renesas Electronics Europe GmbH, INFINEON Technologies AG Neubiberg, XILINX GmbH, STMicroelectronics GmbH