Warum Machine Learning Algorithmen keine Black-Box mehr sind – Der Blick in das Neuronale Netzwerk
Hallo! Ich bin AiDAN – dein Ai Driving Assistant Network im Fahrzeug. Ich begleite dich in jeder Verkehrssituation und passe mittels meiner Algorithmen dein Fahrzeug individuell an dich an. Mit jedem gefahrenen Kilometer lerne ich dich und deine Vorlieben ein Stück besser kennen. Daraus ermitteln die unzähligen Machine Learning Algorithmen in meinem Inneren die optimalen Fahrzeugfunktionen und Assistenzsystemeinstellungen, die ich dann auf dich personalisiert vorschlagen kann.
Du bist eher ein sportlicher Fahrer? Kein Problem! Ich erkenne es, wenn du auf die Autobahn fährst und aktiviere, wenn du möchtest, automatisiert den Sportmodus. Sollte die Autobahn mal zu voll sein, bemerke ich es und empfehle dir den Comfort-Modus. Passe dich nicht an dein Fahrzeug an – lass das Fahrzeug an dich anpassen.
Mit Machine Learning lernt das Fahrzeug die Umwelt sowie seinen Fahrer verstehen und kann richtig reagieren.
Der Machine-Learning Algorithmus von IAV trainiert mit unzähligen Datensätzen aus Fahrzeugdaten, Verkehrs- und Umweltsituationen sowie aus dem spezifischen Verhalten des Fahrers. Durch das stetige Sammeln und Analysieren der Daten während der Fahrt können mithilfe von Machine Learning Zusammenhänge sowie verschiedene Muster erkannt und spezifische Verhaltensweisen abgeleitet werden. Es entsteht ein personalisiertes Fahrprofil, welches Assistenz- und Komfortfunktionen automatisiert und den Fahrer unterstützt. Durch Reinforcement Learning lernt die KI nie aus: Es werden stetig neue Daten verwertet und neue Algorithmen berechnet, um das Fahrerprofil aktuell zu halten. Außerdem werden die vorgeschlagenen Empfehlungen mit ansteigendem Wachstum der Daten immer besser.
Machine Learning Algorithmen sind keine Black-Box mehr
Dank des visuell aufbereiteten Analytics Dashboard von IAV werden Machine-Learning Algorithmen nicht länger mit verschlossenen Serverräumen, kryptischen Codes oder Entscheidungsbäumen assoziiert. Alle relevanten Fahrzeugsignale und Algorithmen, die das KI-System für seine Entscheidungen benötigt werden in dem Dashboard benutzerfreundlich visualisiert.
Bezogen auf das obige Beispiel des Fahrmodus sind hier unter anderem Geschwindigkeit, Querbeschleunigung oder Gaspedalstellung entscheidend, um eine Empfehlung für den Sportmodus zu kalkulieren. Aber nicht nur die Darstellung von Fahrzeugsignalen ist möglich, sondern auch die der Machine Learning Prädiktion selbst: Hier werden alle relevanten Fahrzeugsignale, die der Algorithmus verarbeitet, in Bezug zueinander gestellt. Daraus lässt sich nachvollziehen, auf welcher Basis der Algorithmus seine Empfehlungen stütz. Ebenfalls ist es möglich während der Fahrt die Berechnungen des KI-Systems live zu verfolgen. Hierfür wird die Prädiktion der unterschiedlichen Modi, wie Sport, Eco oder Normal gegenübergestellt und berechnet, welcher Modus aufgrund der analysierten Daten am wahrscheinlichsten auf den Fahrer zutrifft.
Garbage In, Garbage Out
Intelligente Datenanalyse, Maschinelles Lernen und Data-Mining nehmen bei der Entwicklung von selbstfahrenden Fahrzeugen eine wichtige Rolle ein. Zukünftig kommt es in der Automobilindustrie darauf an, vernetze, autonome und künstlich intelligente Systeme und Services zu etablieren. Diese Systeme und Services lernen kontinuierlich aus den Fahrzeugdaten und treffen darauf basierend Entscheidungen. Umso wichtiger wird es in Zukunft sein, diese Systeme im Fahrzeug abzusichern und die Entscheidungen der KI nachzuvollziehen.
Die scherzhafte Phrase „Garbage In, Garbage Out“ aus der Computer Science trifft hierbei den Sachverhalt auf den Punkt. Verarbeitet der Machine Learning Algorithmus schon fehlerhafte oder ungültige Fahrzeugdaten, so werden fehlerhafte und ungültige Entscheidungen berechnet. Durch die visualisierte KI-Oberfläche erhält der Data Analyst sofortiges Feedback und kann durch seine Expertise sofort beurteilen ob die angezogenen Signale für die Berechnungen gültig sind. Gleichzeitig kann der Data Scientist den Algorithmus optimieren und die Trainingsdaten und Indikatoren anpassen. Dank des interaktiven Dashboards können wir direkt ins AI-Netzwerk hineinblicken und Machine Learning Algorithmen sind ab jetzt keine Black Box mehr.