Training und Validierung von KI-Algorithmen mittels massiv-paralleler Ausführung Digitaler Zwillinge
Künstliche Intelligenz (KI) hat sich in den letzten Jahren zu einem Basisinnovator und Treiber für Digitalisierung und autonome Systeme in allen Lebensbereichen entwickelt. Die aktuellen Fortschritte der KI insbesondere im Bereich des maschinellen Lernens basieren auf dem enormen Zuwachs sowohl der zur Verfügung stehenden Daten als auch der Leistungsfähigkeit der Hardware zur Verarbeitung dieser großen Datenmengen. Um das Potenzial von KI nutzen zu können, müssen drei Herausforderungen bewältigt werden:
KI-Anwendungen benötigen Trainingsdaten: Die Qualität der Ergebnisse der in einzelnen KI-Anwendungen eingesetzten Verfahren hängt maßgeblich von Umfang und Güte der Daten ab, die für das Training der KI-Algorithmen zur Verfügung stehen. In einigen Bereichen wie z.B. der Spracherkennung sind ausreichend Trainingsdaten vorhanden bzw. günstig zu erlangen. In anderen Bereichen wie z.B. der industriellen Produktion oder für das autonome Fahren sind geeignete Datensätze nur schwer (z.B. unter hohen Kosten und mit großem zeitlichem Aufwand) zu erzeugen, womit insbesondere der Merkmalsraums oft nur unzureichend abgedeckt werden kann.
KI-Anwendungen benötigen Entscheidungsunterstützung in der Entwicklung: Eine wesentliche Herausforderung bei der Entwicklung von KI-Anwendungen besteht darin, für ein gegebenes Szenario das passende KI-Verfahren auszuwählen, zu trainieren und die Ergebnisse vor dem ersten realen Einsatz und danach fortlaufend im Betrieb zu bewerten und zu optimieren. Dabei stellt sich die Frage, welcher KI-Ansatz für ein gegebenes Problem am besten geeignet ist und wie eine KI-Anwendung zielgerichtet verbessert werden kann. Hierzu sind geeignete Entscheidungsunterstützungssysteme notwendig, die auf Grundlage reproduzierbarer Testszenarien das Systemverhalten qualitativ und quantitativ bewerten und damit zielgerichtete Entscheidungen ermöglichen. Hierzu gehört neben dem Vergleich unterschiedlicher KI-Algorithmen untereinander auch der Vergleich gegenüber (evtl. schon existierenden) klassischen Ansätzen und Lösungen.
KI-Anwendungen müssen validiert werden: Zur Validierung „herkömmlich umgesetzter“ Daten verarbeitender Algorithmen stehen eine Vielzahl unterschiedlicher Ansätze bis hin zur vollständigen formalen Validierung des umgesetzten Datenverarbeitungssystems zur Verfügung. Zur Analyse und Bewertung von Fehlersituationen werden Konzepte wie z.B. FMECA und FDIR eingesetzt. Die „korrekte“ Umsetzung von KI-Anwendungen und das „korrekte“ Verhalten des Gesamtsystems kann demgegenüber nicht basierend auf solchen klassischen Ansätzen bewertet werden, sondern nur statistisch abgesichert werden. Hierzu muss das Systemverhalten in einer ausreichenden Anzahl repräsentativer und alle denkbaren Einsatzsituationen abdeckender Testszenarien bewertet werden. Dies ist durch rein statische Trainingsdaten und reale Mockups nicht sinnvoll möglich.
Im Rahmen des Projektes KImaDiZ wird – basierend auf Digitalen Zwillingen – ein simulationsbasierter Ansatz gewählt, um diese drei Herausforderungen anzugehen. Die zu entwickelnde Simulationsplattform soll
- als Plattform für die Realisierung einer effizienten und automatischen Generierung von Trainingsdaten eingesetzt werden,
- eine Integrations- und Testplattform für verschiedene KI-Verfahren im Zuge der Entscheidungsunterstützung bieten und
- final eine automatisierbare Validierung des Gesamtsystemverhaltens von KI-basierten Systemen ermöglichen.
Durch die Nutzung moderner Cluster-Infrastrukturen liefert dieser KImaDiZ-Ansatz eine skalierbare Lösung für die nachhaltige simulationsbasierte Entwicklung KI-basierter Systeme und ermöglicht eine gezielte und zielgerichtete Untersuchung der aktuellen Herausforderungen KI-basierter Systeme. Die Anwendungsbandbreite der entwickelten Infrastruktur wird im Rahmen des Projektes in verschiedenen Szenarien aus dem Automotive-Bereich und der planetaren und orbitalen Robotik demonstriert.
