KI-Engineering und Prozessoptimierung

KI-Engineering adressiert die systematische Entwicklung und den Betrieb von KI-basierten Lösungen als Teil von Systemen, die komplexe Aufgaben erfüllen.


Das Design und das Engineering komplexer Systeme, die KI- und ML-Komponenten enthalten, unterscheiden sich vom klassischen Engineering, das beim Entwurf nur eindeutig beschriebene Komponenten einsetzt, deren Verhalten im Voraus relativ genau absehbar ist. Systeme mit maschinellen Lern- und Entscheidungsfähigkeiten entfalten hingegen unter Umständen erst abhängig von den Daten zur Laufzeit ihr finales Verhalten bzw. ihre finale Funktionalität. Dennoch müssen solche Systeme mit intelligenten Komponenten so entworfen werden können, dass man über ihr Verhalten zur Laufzeit belastbare Voraussagen machen und Garantien geben kann.

KI-Engineering als eine zur Grundlagenforschung von KI-Methoden ergänzende Disziplin macht dem Ingenieurwesen den Einsatz Künstlicher Intelligenz systematisch zugänglich und verfügbar. Gerade im Hinblick auf eine mögliche Zertifizierung von KI-Systemen (vor allem bezüglich funktionaler Sicherheit, IT-Security und Privacy), ist eine verlässliche Beschreibung von KI- und ML-Komponenten und -Systemen notwendig, um a priori, d. h. zur Entwurfszeit, KI- und ML-Komponenten beim Systemdesign zielsicher einplanen zu können.

Durch die federführend vom unserem Institut entwickelte Methodik des KI-Engineering (PAISE® - Process Model for AI Systems Engineering) und den Einsatz passender Werkzeuge adressieren wir die systematische Entwicklung und den Betrieb von KI-basierten Lösungen als integralen Bestandteil komplexer Systeme zur Erfüllung anspruchsvoller Aufgaben.

  • Ziele des KI-Engineerings sind:

    • Die Ermöglichung der Nutzung von KI im Rahmen der systematischen Herangehensweise von (Software-) Ingenieurdisziplinen.
    • Die Entwicklung von Methoden, Werkzeugen und Prozessen, um die Entwicklung von KI-Engineering Lösungen zu unterstützen. Dies beinhaltet eine formale Charakterisierung der Leistungsfähigkeit von KI-Lösungen zum Zeitpunkt der Entwicklung (im Gegensatz zu rein statistischen Betrachtungen der empirischen Leistung).
    • Die Etablierung von KI-Engineering als eine neue Disziplin, welche die Informatik, sowie datenbasierte Modellbildung und Optimierung mit dem Systems Engineering und klassischen Ingenieurdisziplinen verbindet.
  • Ein wesentlicher Aspekt der Prozessoptimierung ist die Berücksichtigung sich unbeobachtet ändernder Umgebungsbedingungen. KI-gestützte Systeme müssen in der Lage sein, dynamische Veränderungen zu erkennen und adaptiv darauf zu reagieren, um eine kontinuierliche Prozessstabilität und -effizienz zu gewährleisten.

    Die Integration von KI in Prozesssteuerungen erfolgt in mehreren Stufen:

    1. Qualitätsprognose (Software-Sensor): Hierbei dient die KI als Vorhersageinstrument, das präzise Einschätzungen über die Prozessqualität liefert und potenzielle Abweichungen frühzeitig erkennt.
    2. Human in the Loop: In dieser Stufe unterstützen menschliche Bediener die KI bei Entscheidungsprozessen, indem sie Feedback geben und Anpassungen vornehmen.
    3. Human on the Loop: Die KI überwacht den Prozess eigenständig, während der Mensch lediglich bei Bedarf eingreift, um bei unerwarteten Situationen oder Abweichungen zu steuern.
    4. Human out of the Loop: In hochautomatisierten Systemen agiert die KI vollständig autonom. Hier übernimmt die KI sowohl die Qualitätsprognose als auch die Regelantwort, wodurch der Prozess vollautomatisch in Richtung eines definierten Ziels gesteuert wird.
  • Europa strebt danach, den KI-Einsatz im Einklang mit europäischen Werten und Gesetzen zu fördern und eigene Marktakzente zu setzen (GDPR, AI Act, Data Act,…). Der verlässliche Betrieb von KI-Systemen wird dabei zunehmend zur entscheidenden Frage. Die Absicherung von KI-Systemen wird somit zur Schlüsselkompetenz, um KI auch in kritischen technischen Anwendungen erfolgreich nutzen zu können. KI-Engineering bietet die geeignete Methodik, um diese Herausforderungen zu erfüllen.

    Zudem hilft KI-Engineering dabei, KI-Komponenten auch tatsächlich reif für den produktiven Einsatz zu machen und mit Erfolg kontinuierlich zu betreiben. Denn häufig erreichen KI-Projekte zwar den Status eines beeindruckenden Prototyps, kommen aber über dieses Stadium nicht hinaus. Eine verlässliche Leistungsprognose fehlt, vor allem für den längerfristigen operativen Betrieb. Konzepte für den Umfang mit data drift, sich ändernden Umgebungsbedingungen und anderen Veränderungen sind erforderlich. All dies wird im KI-Engineering adressiert.

Projekte

CC-KING: Competence Center KI-Engineering

Das Karlsruher Kompetenzzentrum für KI-Engineering schafft die Verbindung zwischen KI-Spitzenforschung und etablierten Ingenieurdisziplinen. Es erforscht die Grundlagen und entwickelt die Werkzeuge, um den Einsatz von Methoden der Künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) in der betrieblichen Praxis zu erleichtern. Als Anwendungsfelder im Fokus stehen industrielle Produktion und Mobilität.  

KI-Allianz Baden-Württemberg Datenplattform

Das Teilprojekt „Datenplattformen“ der KI-Allianz Baden-Württemberg legt den technisch-organisatorischen Grundstein, damit Unternehmen und Start-ups einen niederschwelligen Zugang zu Daten und KI-Modellen anderer erhalten. Damit soll ein Markt für Daten etabliert werden, der die Entwicklung und Anwendung innovativer KI-Lösungen fördert. Gefördert wird das Projekt vom Wirtschaftsministerium Baden-Württemberg.

KI-Allianz Baden-Württemberg KI-Challenge

Ziel des Teilprojektes „KI-Challenge“ der KI-Allianz Baden-Württemberg ist es, methodisch KI-Anwendungsbereiche zu ermitteln und Potenziale für neue Geschäftsmodelle zu erschließen. Dazu kommen In regionalen Workshops Expertise und Perspektiven aus unterschiedlichen Bereichen zusammen. Praxiswissen, wissenschaftliche Ansätze sowie Erfahrungen von Anwenderinnen und Anwendern sowie Herstellern von KI-Systemen werden vereint, um gemeinsam an konkreten Herausforderungen zu arbeiten. Gefördert wird das Projekt vom Wirtschaftsministerium Baden-Württemberg.

AutoLern

Das Projekt AutoLern konzentriert sich auf Drift-Management für Daten von Produktionsprozessen und nutzt maschinelles Lernen (ML), um die Effizienz und Langlebigkeit von ML-Modellen in industriellen Umgebungen zu erhöhen. Daten- und Konzeptdrifts, verursacht durch Faktoren wie Werkzeugverschleiß oder saisonale Schwankungen, können die Modellleistung erheblich beeinträchtigen. AutoLern implementiert sowohl performance-basierte als auch verteilungsbasierte Driftmethoden zur frühzeitigen Erkennung und Anpassung an solche Veränderungen. Durch kontinuierliche Überwachung und automatische Modellanpassung stellt das Projekt sicher, dass die ML-Modelle präzise und anpassungsfähig bleiben, selbst in dynamischen Produktionsumgebungen.

KI-Engineering-Lösungen

 

PAISE®

KI-Projekte in Domänen wie Mobilität oder industrieller Produktion sind meist komplex, erfordern heterogene Teams und bergen ein hohes Risiko zu scheitern. Wie man sie dennoch zum Erfolg führen kann, beschreibt das »Process Model for AI Systems Engineering«.

 

Erklärvideo zu PAISE®

Das Process Model for AI Systems Engineering, kurz: PAISE, ist unser Vorgehensmodell für die systematische und standardisierte Entwicklung und den Betrieb von KI-basierten Systemlösungen. Was es bringt, erklärt dieses Video.

 

CHAISE

Von Datenintegration, Modellentwicklung und -training bis zur kontinuierlichen Überwachung im Betrieb: CHAISE, die Tool Chain for AI Systems Engineering, bietet passend zu PAISE einen Software-Werkzeugkasten zur Umsetzung von KI-Anwendungen.