gastkommentar
Wie KI den Entwicklungsprozess beeinflusst
Auf der embedded world in Nürnberg wurden eine Fülle von Lösungen zu Machine Learning, Deep Learning, Datenanalyse sowie IoT gezeigt, und wie diese auf Embedded Systemen implementiert werden. Dr. Frank Graeber, Manager Application Engineering bei MathWorks, fasst nun die sechs Trends zusammen, die die Entwicklung und Anwendung von KI in Embedded Systemen maßgeblich bestimmen werden in Zukunft.
Dr. Frank Graeber, Manager Application Engineering bei MathWorks, geht von sechs Trends aus, die die Entwicklung und Anwendung von KI in Embedded Systemen maßgeblich bestimmen werden in Zukunft.
Da Themen wie Machine Learning, Deep Learning, Datenanalyse und IoT zunehmend an Bedeutung gewinnen, stellt sich die Frage, wie künstliche Intelligenz Ingenieuren und Wissenschaftlern über alle Branchen und Fachrichtungen hinweg zugänglich gemacht werden kann. Zudem muss eine gute Lösung gefunden werden, wie sowohl das Spezialwissen der Ingenieure als auch die mithilfe von KI erstellten Algorithmen in Embedded Systemen integriert werden können. Um diesen Herausforderungen begegnen zu können, werden Lösungsanbieter an Wegen für mehr Zusammenarbeit und Interoperabilität arbeiten. Denn insgesamt sehe ich folgende sechs Trends bzw. teilweise auch Herausforderungen auf uns zukommen:
1. Größere Spezialisierung bei industriellen Anwendungen
Industrielle Anwendungsmöglichkeiten werden zu einem wichtigen Einsatzfeld für KI, erfordern aber auch eine größere Spezialisierung. Sicherheitskritische Anwendungen verlangen beispielsweise nach einer höheren Verlässlichkeit und Verifizierbarkeit. Fortschrittliche mechatronische Systeme benötigen Designansätze, die mechanische, elektrische und andere Komponenten integrieren.
Eine weitere Herausforderung ist, dass diese spezialisierten Anwendungen oft von dezentralen Entwicklungs- und Serviceteams entwickelt und verwaltet werden. Sie sind somit nicht unter der IT zentralisiert.
2. Interoperabilität
Um eine KI-Lösung aufzubauen, müssen verschiedene Systeme, Programme oder Plattformen zusammenarbeiten. Noch gibt es kein allumfassendes Framework, das die besten Lösungen für alle KI-Anwendungsbereiche bietet. Derzeit konzentriert sich jedes Deep Learning Framework auf einige wenige Anwendungen und Produktionsplattformen, während effektive Lösungen Teile aus mehreren verschiedenen Workflows zusammenführen müssen.
Eine Lösung schaffen hier Unternehmen wie zum Beispiel ONNX.ai, die Entwicklern eine Umgebung mit einer breiten Palette an Produktionsplattformen bieten.
3. Cloud Computing
Public Clouds werden zunehmend als Host-Plattform für KI genutzt, um die Komplexität zu reduzieren. Gleichzeitig werden sie 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.
4. 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.
5. Komplexität erfordert eine stärkere Zusammenarbeit
Der zunehmende Einsatz von Machine und Deep Learning in komplexen Systemen wird viel mehr Mitarbeiter und eine stärkere Zusammenarbeit erfordern. Datenerhebung, -synthese und -kennzeichnung erhöhen den Umfang und die Komplexität von Deep-Learning-Projekten und erfordern größere, dezentralisierte Teams.
Zum einen werden Mitarbeiter mit Spezialkenntnissen gebraucht wie etwa im Bereich Optimierung, Energiemanagement und der Wiederverwendung von Komponenten. Auf der anderen Seite werden Ingenieure benötigt, die das Spezialwissen verschiedener Mitarbeiter oder Teams zusammenführen.
6. KI ist nicht nur für Datenwissenschaftler gedacht
Mit dieser Entwicklung geht auch einher, dass KI nicht mehr nur von Datenwissenschaftlern genutzt wird. Komplexe Aufgaben wie etwa die Synthese oder das Labeling von Daten wird von neuen Workflow Tools übernommen. So können Ingenieure aus unterschiedlichsten Branchen abseits der Datenwissenschaft KI-Lösungen selbst entwerfen und dabei ihre Domänen-Expertise einbringen.
Teilen: · · Zur Merkliste