Tipps von MathWorks Vier Schritte zum erfolgreichen KI-Workflow

Von Martin Hensel |

Anbieter zum Thema

Ingenieure wollen KI in Projekte und Anwendungen integrieren, während sie gleichzeitig die eigene KI-Lernkurve meistern müssen. Oftmals werden KI-Projekte aber nach wenig überzeugenden Ergebnissen wieder verworfen.

MathWorks hat vier Schritte für erfolgreiche KI-Workflows zusammengefasst.
MathWorks hat vier Schritte für erfolgreiche KI-Workflows zusammengefasst.
(Bild: MathWorks)

Setzen Ingenieure auf Machine Learning und Deep Learning, gehen sie oft davon aus, dass sie einen großen Teil ihrer Zeit mit der Entwicklung und Feinabstimmung von KI-Modellen verbringen. Dabei ist die Modellierung zwar ein wichtiger Schritt im Workflow, aber nicht das einzige Ziel, meint Johanna Pingel, Product Marketing Manager von MathWorks. Vielmehr ist das das frühzeitige Aufdecken von Problemen ein Schlüsselelement für den Erfolg der praktischen KI-Implementierung. Wichtig ist auch zu wissen, in welche Aspekte des Workflows Zeit und Ressourcen fließen sollten, um die besten Ergebnisse zu erzielen.

Da das nicht immer die offensichtlichsten Schritte sind, hat Johanna Pingel vier Phasen in einem KI-gesteuerten Workflow differenziert. Jeder Schritt spielt dabei eine eigene Rolle bei der erfolgreichen Implementierung von KI in einem Projekt.

Schritt 1: Datenaufbereitung

Die Datenaufbereitung ist wohl der wichtigste Schritt im KI-Workflow: Ohne robuste und genaue Daten zum Trainieren eines Modells scheitern Projekte rasch. Füttern Ingenieure das Modell mit „schlechten" Daten, werden sie keine aufschlussreichen Ergebnisse erhalten – und wahrscheinlich viele Stunden mit der Fehlersuche verbringen.

Um ein Modell zu trainieren, sollten Ingenieure mit möglichst vielen sauberen, gelabelten Daten beginnen. Dies kann einer der zeitaufwendigsten Schritte des Workflows sein. Falls Deep-Learning-Modelle nicht wie erwartet funktionieren, konzentrieren sich viele auf die Verbesserung des Modells – durch das Optimieren von Parametern, die Feinabstimmung des Modells und mehrere Trainingsiterationen. Doch viel wichtiger sind die Aufbereitung und das korrekte Labeln der Eingabedaten, damit diese korrekt vom Modell verstanden werden.

Schritt 2: KI-Modellierung

Sobald die Daten sauber und richtig gelabelt sind, steht die Modellierungsphase des Workflows an. Hierbei werden die Daten als Input verwendet, aus dem das Modell lernt. Ziel einer erfolgreichen Modellierungsphase ist die Erstellung eines robusten, genauen Modells, das intelligente Entscheidungen auf Basis der Daten treffen kann. An diesem Punkt fließen auch Deep Learning, Machine Learning oder eine Kombination aus beiden in den Arbeitsablauf ein. Hier entscheiden die Ingenieure, welche Methoden das präziseste und robusteste Ergebnis hervorbringen.

Die KI-Modellierung ist ein iterativer Schritt innerhalb des gesamten Workflows. Ingenieure müssen die Änderungen nachverfolgen können, die sie während dieses Schrittes am Modell vornehmen. Dies und die Aufzeichnung von Trainingsiterationen mit Tools wie dem Experiment Manager von MathWorks sind entscheidend, da sie helfen die Parameter zu erklären, die zum genauesten Modell führen und reproduzierbare Ergebnisse liefern.

Schritt 3: Simulation und Tests

Ingenieure müssen beachten, dass KI-Elemente meist nur ein kleiner Teil eines größeren Systems sind. Sie müssen in allen Szenarien im Zusammenspiel mit anderen Teilen des Endprodukts korrekt funktionieren, einschließlich anderer Sensoren und Algorithmen wie Steuerung, Signalverarbeitung und Sensorfusion. Ein Beispiel ist hier ein Szenario für automatisiertes Fahren: Dabei handelt es sich nicht nur um ein System zur Erkennung von Objekten (Fußgänger, Autos, Stoppschilder), sondern dieses System muss mit anderen Systemen zur Lokalisierung, Wegplanung, Steuerung und weiteren integriert werden. Simulationen und Genauigkeitstests stellen sicher, dass das KI-Modell richtig funktioniert und gut mit anderen Systemen harmoniert, bevor ein Modell in der realen Welt eingesetzt wird.

Um diesen Grad an Genauigkeit und Robustheit vor dem Einsatz zu erreichen, müssen Ingenieure validieren, dass das Modell in jeder Situation wie gewünscht reagiert. Sie sollten sich auch mit den Fragen befassen, wie exakt das Modell insgesamt ist und ob alle Randfälle abgedeckt sind. Durch den Einsatz von Werkzeugen wie Simulink können sie überprüfen, ob das Modell für alle erwarteten Anwendungsfälle wie gewünscht funktioniert und so kosten- und zeitintensive Überarbeitungen vermeiden.

Schritt 4: Einsatz

Ist das Modell reif für die Bereitstellung, folgt als nächster Schritt der Einsatz auf der Zielhardware – mit anderen Worten, die Bereitstellung des Modells in der endgültigen Sprache, in der es implementiert werden soll. Das erfordert in der Regel, dass die Entwicklungsingenieure ein implementierungsbereites Modell nutzen, um es in die vorgesehene Hardwareumgebung einzupassen.

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Die vorgesehene Hardwareumgebung kann vom Desktop über die Cloud bis hin zu FPGAs reichen. Mithilfe flexibler Werkzeuge wie MATLAB kann der endgültige Code für alle Szenarien generiert werden. Das bietet Ingenieuren den Spielraum, ihr Modell in einer Vielzahl von Umgebungen einzusetzen, ohne den ursprünglichen Code neu schreiben zu müssen. Das Deployment eines Modells direkt auf einer GPU kann hier als Beispiel dienen: Die automatische Codegenerierung eliminiert Codierungsfehler, die durch eine manuelle Übersetzung entstehen könnten, und liefert hochoptimierten CUDA-Code, der effizient auf der GPU läuft.

(ID:47766473)