Transfer von KI-Methoden in die Praxis
Gemeinsam mit dem Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) arbeitet IAV seit fast zwei Jahren am Einsatz neuer Methoden der künstlichen Intelligenz (KI) im Engineering. Die Ergebnisse fließen unter anderem in einen Methodenbaukasten ein, der allen Entwicklern zur Verfügung steht.
Im Januar 2018 haben IAV und das DFKI in Kaiserslautern das gemeinsame „Forschungslabor Lernen aus Prüfdaten“ (FLaP) eröffnet. Mitarbeiter von IAV und DFKI untersuchen dort, welche KI-Analysemethoden sich für den Einsatz in Prüfverfahren der Automobilentwicklung eignen. Im Mittelpunkt stehen Verfahren des maschinellen Lernens, etwa Deep Learning und Zeitreihenanalyse.
„Wir wollen aktuelle Ergebnisse im Bereich der künstlichen Intelligenz in unser Unternehmen holen“, sagt Matthias Schultalbers, verantwortlich für die Digitalisierung bei IAV. „Es geht uns dabei auch darum, neue Themen und Ideen an praktischen Anwendungen zu testen.“ Die Ergebnisse fließen einerseits in die Vorentwicklung ein und stehen andererseits den Ingenieuren im Research Center von IAV in Gifhorn zur Verfügung. Dort sind innovative Themen wie Regelungstechnik, Tool-Entwicklung, Data Science sowie Prozessautomatisierung und -entwicklung gebündelt.
Methodische Suche nach Hyperparametern
Ein aktuelles Thema der Zusammenarbeit von IAV und DFKI in Kaiserslautern ist die methodische Suche nach den optimalen Hyperparametern von KI-Modellen. So müssen beispielsweise bei neuronalen Netzen unter anderem die Struktur und Größe des Netzwerkes an die jeweilige Aufgabe angepasst werden. „Hier gibt es neue systematische Ansätze, an denen das DFKI gerade forscht“, berichtet Dr. Peter Schichtel, Entwicklungsingenieur bei IAV und Teil des Teams in Kaiserslautern. „Wir bearbeiten das Thema gemeinsam mit unseren Kollegen in Gifhorn.“ Die Erkenntnisse sollen schnell in alle IAV-Projekte einfließen und den bestehenden Methodenbaukasten erweitern. Er steht allen IAV-Ingenieuren zur Verfügung.
Wir haben das Ziel, durch die methodische Bestimmung der Hyperparameter für jedes Problem die optimale KI-Lösung zu finden.
— Entwicklungsingenieur bei IAV
Im Projekt „ForGAN“ erforschen die Partner, wie sich Generative Adversarial Networks (GANs) für die probabilistische Zeitreihenvorhersage nutzen lassen. „Hier geht es zum Beispiel um die Vorhersage von Signalen, die nicht gleichverteilt sind“, so Schichtel. „GANs können nicht nur ihren erwarteten Mittelwert, sondern auch ihre Varianz vorhersagen.“ Das Verfahren ließe sich beispielsweise einsetzen, um die Luftmassen während der Verbrennung im Zylinder zu prognostizieren. In einem weiteren Projekt wird untersucht, wie sich Anomalie-Erkennungsverfahren im Big-Data-Umfeld effektiv nutzen lassen.
Promotionen zu aktuellen KI-Themen
Neben jeweils zwei Mitarbeitern von DFKI und IAV gehören derzeit auch vier Doktoranden zum Team. Zwei von ihnen beschäftigen sich für IAV mit aktuellen Fragestellungen: Die erste Doktorarbeit widmet sich GANs im Allgemeinen und soll zu einem besseren Verständnis dieser hochaktuellen KI-Methode führen. Im Rahmen der anderen Promotion werden Autoencoder genutzt, um physikalische Prozesse in komplexen Systemen zu untersuchen. Konkret geht es darum, aus der komprimierten Datenrepräsentation dieser speziellen neuronalen Netze Zusammenhänge zu extrahieren und sie zu interpretieren.
IAV unterstützt in Zukunft die Lehre vonProf. Dr. Andreas Dengel, dem Leiter des Forschungsbereichs Smarte Daten & Wissensdienste am DFKI in Kaiserslautern. „Dozenten von uns werden 2020 Teile der Vorlesung über Anwendungen der KI übernehmen“, sagt Schultalbers.
Der Artikel erschien in der automotion 03/2019, dem Automotive Engineering-Fachmagazin von IAV. Hier können Sie die autmotion kostenfrei bestellen.
