Data Science für Technische Systeme
Forschungskolloquium über KI und Digitalisierung
17.11.2021 von Roland Steck
Am 09.11.2021 hat der Fachbereich Elektrotechnik und Informationstechnik die Forschungskolloquien nach Corona-bedingter Pause erfolgreich wiederaufgenommen. Die beiden Referenten Dr.-Ing. Gor Hakobyan vom Forschungszentrum der Robert Bosch GmbH und Prof. Dr. Marco Huber vom Fraunhofer Institut für Produktionstechnik und Automatisierung (IPA) vermittelten den 59 Zuhörerinnen und Zuhörern einen Einblick in den Einsatz von Künstlicher Intelligenz in technischen Systemen.
Die Künstliche Intelligenz ist in der Zwischenzeit auch in technischen Systemen nicht mehr wegzudenken. Ein ganz wichtiger Teilbereich stellt dabei die Aufbereitung von Mess- und Sensordaten dar, die in technischen Systemen erfasst und verarbeitet werden müssen.
In seinem Einführungsvortrag führte der Dekan Prof. Dr.-Ing. Abdelhak Zoubir aus, dass vor über 50 Jahre die Datenwissenschaft als eigenständige Fachdisziplin geprägt wurde. Im Jahr 1962 postulierte der US Statistiker und Begründer der explorativen Datenanalyse John W. Tukey eine neue Fachdisziplin, die sich mit dem Erkenntnisgewinn durch Datenanalyse beschäftigen solle.
Der Begriff ‚Data Science‘ wurde im Jahr 1985 von C.F. Jeff Wu geprägt, das Konzept der Datenwissenschaft wird manchmal William S. Cleveland zugeschrieben, der 2001 in einem Bericht sechs Teildisziplinen definierte (multidisziplinäre Untersuchungen, Modelle und Methoden für Daten, Rechnen mit Daten, Pädagogik, Werkzeug-Bewertung und Theorie).
Der erste Impulsvortrag von Dr. Hakobyan beschäftigte sich mit der Anwendung von Radar für Kraftfahrzeuge. Im Kontext von Fahrerassistenzsystemen und der Entwicklung autonomer Fahrzeuge gewinnen Radarsensoren, die kamerabasierte Sensoren sehr gut ergänzen, immer stärker an Bedeutung. In seinem Vortrag ging Dr. Hakobyan auf die Sensorsignal- und Bildverarbeitung ein, die für die Erkennung von Verkehrsszenarien notwendig ist. Bei der Identifikation von komplexen Fahrzeugumgebungen muss die klassische statistische Signalverarbeitung durch Verfahren der künstlichen Intelligenz ergänzt werden, aber auch die Auswahl der Radarsignale und die Synthese der Hardware für die KI-gestützte Bildverarbeitung können durch KI-Verfahren optimiert werden.
Im zweiten Impulsvortrag entwickelte Prof. Marco Huber, der am FhG IPA und an der Universität Stuttgart das Fachgebiet Kognitive Produktionssysteme vertritt, die Verfahren des Maschinellen Lernens aus der statischen Signalverarbeitung. Gerade im Bereich von Produktionssystemen ist die Güte der erfassten Messdaten und die Nachvollziehbarkeit und Resilienz eingesetzter Verfahren der künstlichen Intelligenz von ganz entscheidender Bedeutung.
In seinem Vortrag entwickelt er das Konzept der Bayes’sche Neuronale Netze, die gerade im Bereich technischer Systeme eine bessere Vorhersagbarkeit und eine verbesserte Robustheit bieten.
Im Nachgang entwickelte sich eine spannende Podiumsdiskussion mit den Referenten und einem Vertreter des Hessischen KI-Zentrums. In der Diskussion wurde immer wieder betont, wie sich klassische statistische Signalverarbeitung und KI-Verfahren gegenseitig ergänzen und wie wichtig gerade in technischen Systemen das Training von neuronalen Netzen mit validierten Daten ist.
Gerade in der Ingenieursausbildung werden fundierte Kenntnisse wohl in der klassischen statistischen Signalverarbeitung als auch in Verfahren der Künstlichen Intelligenz und des Maschinellen Lernens von ganz entscheidender Bedeutung sein.
