16.04.2019

„Wir wollen Machine-Learning-Verfahren nutzbar machen“

Das Forschungsgebiet „Künstliche Intelligenz“ (KI) versucht, menschliche Intelligenz durch Maschinen nachzubilden. Was einmal als Wissenschaft der Computer-Programmierung begann, hat sich mehr und mehr zur Erforschung des menschlichen Denkens entwickelt und wird verstärkt in der Industrie eingesetzt – vor allem auch im Automobilbereich.

Die Vision vom selbstfahrenden Fahrzeug etwa braucht Systeme, die wie Menschen flexibel und zuverlässig auf verschiedene und vor allem auch kritische Situationen intelligent reagieren können. Das bietet für ETAS Chancen, sowohl in der Produktentwicklung, als auch bereits in der Vorausentwicklung. Deshalb gibt es seit einiger Zeit ein Team, das projektunabhängig an dem Themengebiet forscht und Potenziale für das Unternehmen erarbeitet.

Das Machine-Learning-Team bei ETAS

Holger Ulmer, Chief Expert Machine Learning bei ETAS, leitet das Team und erklärt im Interview zusammen mit Teammitglied Andrej Junginger, Machine Learning Engineer, warum das Thema für die Zukunft von ETAS so wichtig ist, wo Machine Learning bereits eingesetzt wird und welchen Forschungserfolg das Team bereits erzielt hat.

 

Holger, was ist überhaupt der Unterschied zwischen Künstlicher Intelligenz und Machine Learning?

Holger Ulmer: Vereinfacht kann man sagen, dass Künstliche Intelligenz der übergeordnete Begriff für alle Forschungsgebiete ist, die sich mit der Herausforderung beschäftigen, intelligente Funktionalitäten computerbasiert zu erzeugen. Machine Learning ist somit ein Teilgebiet der Künstlichen Intelligenz und beschäftigt sich vor allem mit der Entwicklung von Algorithmen, die auf der Basis von Daten lernen. Als Sonderform des Machine Learning gibt es außerdem das Deep Learning, mit dem sich unser Team hauptsächlich beschäftigt. Deep Learning Verfahren sind vorwiegend für den Erfolg von Machine Learning in den letzten Jahren verantwortlich. Dabei geht es um die Entwicklung von künstlichen neuronalen Netzen, die – ähnlich wie das menschliche Gehirn – aufgrund ihrer tiefen Architektur in der Lage sind, aus den gegebenen Daten sehr komplexe Strukturen zu erkennen.

Wo kommt Machine Learning bei ETAS-Produkten bereits zum Einsatz?

Andrej Junginger: Generell baut die modellbasierte Kalibrierung im Bereich Messung, Kalibrierung und Diagnose (Measurement, Calibration and Diagnostics / MCD) stark auf Machine-Learning-Technologien auf. Bei ETAS ASCMO zum Beispiel können Anwender das Verhalten komplexer Systeme mit wenigen Messdaten mit Hilfe von Machine-Learning-Algorithmen präzise modellieren, analysieren und optimieren. Machine Learning wird dort zum Beispiel bereits seit 2009 eingesetzt. Das zeigt, dass diese Disziplin in der Produktentwicklung schon länger verankert ist. Der Modellkalibrator ETAS ASCMO-MOCA setzt beispielsweise auch Verfahren aus dem Machine-Learning-Bereich zur datenbasierten Modellierung ein. Ziel unseres interdisziplinären Teams ist es, mit weiteren Methoden und Verfahren die ETAS Produkte zu stärken und so zum langfristigen Erfolg unseres Unternehmens beizutragen.

Holger Ulmer: Uns ist wichtig, Lösungen für relevante Problemstellungen zu finden, auch wenn wir projektübergreifend arbeiten. Also Machine-Learning-Verfahren nutzbar zu machen für konkrete Produkte und Anwendungen, die ETAS weiterbringen. Unsere Vision ist es, den Anwender – sei es intern oder beim Kunden – bestmöglich mit unserem Know-how zu unterstützen. Unsere Arbeit soll nicht rein akademisch sein, sondern in reale (Produkt-)Verbesserungen fließen.

Warum ist das Thema für die Zukunft von ETAS von Bedeutung?

Holger Ulmer: Die Automatisierungsverfahren mit Hilfe von Machine Learning bieten uns zum einen Möglichkeiten, selbst noch effizienter zu werden, denn Machine Learning wird immer dort eingesetzt, wo Maschinen relativ einfach zu lernende Vorgänge übernehmen können. So zum Beispiel bei einfachen administrativen Tätigkeiten. Zum anderen bieten sie – integriert in unsere Produkte – einen deutlichen Mehrwert für unsere Kunden, denn sie unterstützen sie dabei, bei ihrer Anwendung noch besser zu werden. Außerdem setzen unsere Kunden in ihren Funktionen und Produkten selbst verstärkt Künstliche Intelligenz ein. Hier ist ein Paradigmenwechsel in der Entwicklung spürbar. Das bedeutet für uns, dass wir diese neuen Rahmenbedingungen bzw. Anforderungen seitens der Kunden berücksichtigen müssen. Beispielsweise stellen die Validierung und der Test von Machine-Learning-basierten Funktionen eine große neue Herausforderung dar, insbesondere bei selbstfahrenden Fahrzeugen. Wir begleiten unsere Kunden daher mit unserer Kompetenz bei dieser Veränderung und bieten die passenden Lösungen.

Welche Erfolge konntet ihr bereits erzielen?

Andrej Junginger: Der jüngste Erfolg war, in Zusammenarbeit mit Bosch, die hochauflösende Domänen-Übersetzung von Videodaten – also der Prozess, aus künstlich erzeugten bzw. simulierten Situationen fotorealistische Daten zu gewinnen. Das ist insbesondere für die Entwicklung von Fahrerassistenzsystemen oder das autonome Fahren ein großer Fortschritt, denn bislang konnten Bilder nur aus echten Testfahrten gewonnen werden. Diese Bilder werden außerdem verwendet, um Daten zu „labeln“ – also um dem System sagen zu können, was ein Baum, ein Schild oder ein Zebrastreifen ist. Dieser Vorgang musste bislang manuell erfolgen. Mit Hilfe der fotorealistischen Daten ist dieses „labeln“ nun aber auch automatisiert möglich.

Vielen Dank für das Interview!

Kontakt:
Holger Ulmer, Chief Expert Machine Learning bei ETAS
Andrej Junginger, Machine Learning Engineer bei ETAS

Bilder basierend auf Simulationsdaten. Quelle: Bosch CR/ARE2