Machine Learning jetzt schon in der Fahrzeugabsicherung nutzen

Computerprogramme, welche Muster und Zusammenhänge in großen Datenmengen identifizieren und neues nutzbares Wissen generieren, kommen bereits unmerklich für den Verbraucher in vielen Lebensbereichen zur Anwendung. Neben der Tatsache, dass es keinem Modell zur Beschreibung der Zusammenhänge zwischen Ein- und Ausgabedaten bedarf, ist ein weiterer großer Vorteil, die Erkennung von hochkomplexen Zusammenhängen. Auf Grund der fortschreitenden Digitalisierung des Automobils, und den damit aufkommenden Datenmengen, ergeben sie auch für die Fahrzeughersteller eine Vielzahl von Machine Learning Anwendungen. So können beispielsweise selbstlernende Systeme bei der Fahrzeugabsicherung frühzeitig Fehlfunktionen erkennen und somit Zeit und Kosten einsparen.

Was ist Machine Learning? Computerprogramme identifizieren in Lerndaten Muster und Zusammenhänge. Dieses künstlich generierte Wissen und die Anwendung bzw. Übertragung auf unbekannte Daten nennen wir Machine Learning oder maschinelles Lernen. Grob lassen sich die unterschiedlichen Algorithmen in zwei Klassen einteilen: in supervised learning (überwacht) und unsupervised learning (unüberwacht). Beim supervised learning lernt ein Algorithmus eine Funktion aus gegebenen Paaren von Ein- und Ausgaben. Die Überwachung erfolgt durch einen Vergleich der Ergebnisse aus dem Lernprozess mit den bekannten, richtigen Ergebnissen, also den Ausgabedaten. Im Gegensatz dazu sind beim unsupervised learning die Ausgaben, also die Zielwerte, unbekannt. Ein Algorithmus versucht, in den Eingabedaten zusammengehörige Elemente (Cluster) zu erkennen und erzeugt ein Modell, welches es erlaubt, weitere Eingabedaten den gefundenen Clustern zuzuordnen. Erst somit können beispielsweise Vorhersagen ermöglicht werden.

Populäre Anwendungsbeispiele für Maschine Learning sind die personalisierte Online-Werbung, die Unterscheidung und Erkennung von Gesichtern, wie sie Facebook nutzt, oder die Unterscheidung zwischen Spam- und Nicht-Spam-Mail.

Automatisierung von Prozessen und die Lösung komplexer Aufgabenstellungen mittels Machine Learning

Einer der wichtigsten Vorteile von Machine Learning ist die Hilfe, die zur effizienteren Gestaltung von Prozessen geboten wird. Einfache Anwendungsbeispiele hierfür sind die Organisation von Bildern oder das eigenständige Einlesen, Speichern und Ablegen von Papierdokumenten. Weiterhin sind selbstlernende Systeme in der Lage, sehr komplexe Aufgabenstellungen für große Datenmengen (Big Data) selbstständig zu lösen bzw. den Menschen bei der Entscheidungs-/Lösungsfindung zu unterstützen. So können zum Beispiel während eines Fertigungsprozesses frühzeitig Fehlermuster und mögliche Schäden an den Produktionsmaschinen erkannt werden (Predictive Maintenance). In diesem Erkennen komplexer Zusammenhänge zwischen Ein- und Ausgabedaten von großen Datenmengen sowie der Tatsache, dass es keines Modells bedarf, um diese Zusammenhänge zu beschreiben, besteht der Hauptvorteil von Machine Learning.

Echtzeit in Automotive Data Analytics

Grundsätzlich ergeben sich eine Vielzahl von Data Analytics Anwendungen während des Produktlebenszyklus eines Automobils. So werden zum Beispiel während der Entwicklung, der Produktion oder im After Sales spezifische Daten erfasst und verarbeitet, die bereits für sich genommen in die Kategorie Big Data eingeordnet werden können. Weiterhin wird durch die Digitalisierung des Automobils (steigender Funktionsumfang und Vernetzungsgrad) der Umfang der zu verarbeitenden Daten in den kommenden Jahren zunehmen. Allein bei der Absicherung von Fahrzeugflotten, für neue Fahrzeugmodelle und Funktionen, entstehen schon heute Datenmengen im Petabyte-Bereich. Neben der Digitalisierung liegt ein weiterer Grund für das Anwachsen der Datenmenge in der Tatsache, dass die Erfassung von Messdaten nicht mehr nur fehlerfallorientiert, d.h. Fehlerreproduktion und die messtechnische Erfassung des Fehlers sowie eine dann nachgelagerte Analyse der Messdaten, sondern grundsätzlich für alle Fahrzeugdaten erfolgt. Kommen aber entsprechend performante Hardware-Technologien (z.B. High-Performance-Computing-Cluster) und Software-Architekturen (z.B. Lambda Architektur, Streaming, usw.) zum Einsatz, sind für diese Datenmengen schon heute Realtime Analytics Anwendungen möglich. So können trotz der steigenden Datenmengen durch moderne Automotive-Data-Analytics-Verfahren mehr Erkenntnisse als noch vor einigen Jahren gewonnen sowie Zeit und Kosten eingespart werden. Das Mehr an Wissen in kürzeren Zeitabständen verändert zunehmend die Art der Arbeit in der Entwicklung von Fahrzeugen. So werden, z.B. durch Live Analytics oder Auto-Reports schnellere Evaluierungs- und Entwicklungszyklen ermöglicht und Rückschlüsse vom Nutzerverhalten werden in die Entwicklung neuer Fahrzeuge einfließen.

Algorithmen identifizieren Motorstartabbrüche – Beispielanwendungen von Machine Learning in der Fahrzeugabsicherung

Das folgende Beispiel soll eine konkrete Idee der Möglichkeiten von Machine Learning in der Fahrzeugabsicherung geben. Führen besondere Bedingungen zum sporadischen Auftreten eines Fehlers, kann dieser Fehler zum einen für den Fahrzeughersteller im schlimmsten Fall erst beim Kunden sichtbar werden und zum anderen schwer reproduzierbar sein, welches eine Fehleranalyse zeitaufwendig und damit kostenintensiv gestaltet. Durch unüberwachtes Lernen erzeugt ein Algorithmus für eine gegebene Menge von signifikanten Signalen eines erfolgreichen Motorstarts ein Modell, welches die Eingaben beschreibt und Vorhersagen über einen erfolgreichen Motorstart oder Motorstartabbruch ermöglicht. So können während des Absicherungsprozesses mit Hilfe eines solchen Modells frühzeitig Muster analysiert und mögliche Ursachen identifiziert werden. Im zweiten Schritt kann das System anhand des identifizierten Musters nach weiteren Fällen suchen und so von einem Einzelfall auf einen systematischen Fehler schließen und zeitnah einen Fehlerabstellprozess auslösen. Dieser beispielhafte Anwendungsfall veranschaulicht sehr gut das Potential und die Möglichkeiten von Machine Learning für die Automobilentwicklung.