Keine Frage, wir stehen erst am Anfang der Erkundung des gesamten Potenzials von Künstlicher Intelligenz (KI) in der Automobilindustrie. Generative KI, Data Science, maschinelles Lernen, neuronale Netze, Text Mining – all diese Technologien, die etwa im Online-Marketing und in der Finanzwelt bereits weitgehend ausgereift sind, haben auch für die Automobilindustrie und die Produktion viel zu bieten.
Von der Design- und Entwicklungsphase über die Erprobung und Produktion bis hin zum After-Sales oder Marketing – KI findet während des gesamten Lebenszyklus eines Fahrzeugs Anwendung. Die Daten, die von den zahlreichen Fahrzeug- und Infrastruktursensoren gesendet werden, aus Fertigungslinien stammen, oder aus Kundenfeedback zusammengestellt werden, sind leistungsstarke Informationsquellen. Ihre Analyse und Interpretation bieten mächtige Hebel für Verbesserungen bei Design, Tests oder Wartung – und nicht zuletzt für ein besseres Verständnis der Bedürfnisse und Erwartungen der Nutzer.
Kundenwissen nutzbar machen durch KI
Wenn es einen Bereich gibt, in dem die Auswirkungen von Big Data besonders gut bekannt sind, dann ist es das Wissen über die Endkunden. Anwendungen zur Analyse von Verbraucherdaten gehören zu den ausgereiftesten und werden von Unternehmen genutzt, um ihre Zielgruppen und deren Erwartungen zu ermitteln. Dieser Ansatz ist eine direkte Reaktion auf die steigende Nachfrage nach personalisierten Produkten und Dienstleistungen.
Auch in der Automobilindustrie kann das Kundenwissen zur Verbesserung der Kundenzufriedenheit eingesetzt werden. Ein Beispiel? Wir haben einen Kunden mit einer KI-basierten Lösung unterstützt, die NLP-Techniken (Natural Language Processing) einsetzt, um unstrukturiertes Kundenfeedback aus einer Vielzahl von Quellen wie Online-Bewertungen, Umfragen und sozialen Medien zu analysieren. Das System führt eine Stimmungsanalyse durch, um die Bewertungen in positive, negative oder neutrale Kategorien einzuteilen, und identifiziert Schlüsselthemen, Themen und spezifische Referenzen in Bezug auf Automobilprodukte oder -dienstleistungen. So erhält das Unternehmen nicht nur tiefe Einblicke in die Kundenstimmung, sondern kann auch Probleme angehen, die Produktentwicklung verbessern und die Kundenzufriedenheit steigern.
Algorithmen in der Qualitätssicherung
Durch die Vielzahl der während einer Testphase erhobenen Daten erhält man Zugang zu Informationen, die sich als äußerst wertvoll für die Fehlerbehebung erweisen können. Dazu muss man jedoch in der Lage sein, die Daten zu extrahieren und zu analysieren. Durch die Erkennung von Fehlern innerhalb großer Datenmengen können sich die Algorithmen auf die Interpretation der Daten und die Fehlerbehebung konzentrieren, anstatt nach den Quelleninformationen zu suchen.
Dies bedeutet, dass Methoden, die als Clustering und Klassifizierung bekannt sind, während des Fahrversuchs verwendet werden können, um die Fahrzeugreaktionen zu analysieren und zu qualifizieren. Anhand der von den Sensoren im Fahrzeug gesammelten Daten ist es beispielsweise möglich, unerwünschte Bremssituationen zu erkennen, ihre Ursachen zu verstehen und sie schließlich zu korrigieren. Ohne die Algorithmen wäre es wesentlich komplexer, die Daten zu nutzen. Es ist also klar, dass Künstliche Intelligenz den Menschen nicht überflüssig macht. Im Gegenteil, sie ermöglicht es, das Know-how der Menschen mit neuen Fähigkeiten zu verknüpfen.
Neue Funktionen für automatisiertes Fahren und Parken mit KI
Im Bereich des automatisierten Fahrens konzentriert sich die Forschung heute besonders auf das Thema Umweltwahrnehmung. Das heißt Infrastrukturen, andere Fahrzeuge, Fußgänger oder jede Art von Objekten, die als Hindernis für das Auto angesehen werden können. Per Radar, Sensorik, und Kamera muss das System in der Lage sein, sämtliche Außeneinflüsse, wie etwa Witterungsbedingungen, Baustellen oder unvorhergesehen Situationen zu erkennen, mögliche Auswirkungen auf die Routenplanung zu beurteilen und das Fahrverhalten in Echtzeit anzupassen.
Automated Valet Parking zum Beispiel kombiniert die Leistung von Künstlicher Intelligenz, Datenfusion und Computer Vision und ermöglicht es dem Fahrzeug, koordiniert und sicher in einer kontrollierten Umgebung wie einem Parkhaus zu navigieren. Expleo arbeitet an diesem Thema unter anderem an einem internen Forschungs- und Entwicklungsprojekt, in dessen Rahmen ein vollwertiges Demofahrzeug für einen End-to-End-Service rund um autonomes Parken (AVP) entwickelt wurde. Da die Technologie schnell voranschreitet, nutzen wir diese Plattform auch, um neue Anwendungen zu integrieren, wie z.B. eine prädiktive Situationsanalyse. Mit Hilfe von Daten, Statistiken, Modellierung und maschinellem Lernen wird diese Funktion potenziell gefährliche Situationen erkennen, bevor sie entstehen.
Wie sieht die Zukunft mit KI beim autonomen Fahren aus?
Wenn wir weiter in die Zukunft blicken, liegt die Herausforderung vor allem in der Entwicklung autonomer Fahrzeuge und damit verbunden, in der vollständigen Übertragung aller sicherheitsrelevanten Entscheidungen auf das Fahrzeug selbst.
Eine der größten Herausforderungen wird die Validierung der von autonomen Fahrzeugen getroffenen sicherheitsrelevanten Entscheidungen sein. Gegenwärtig ist die Straßenzulassung eines Fahrzeugs vom Nachweis abhängig, dass es eine Reihe von vordefinierten Sicherheitsnormen vollständig erfüllt. Im Zusammenhang mit autonomen Fahrzeugen wird die Sicherheit jedoch durch KI gewährleistet. Obwohl künstliche neuronale Netze derzeit vielversprechende Ergebnisse liefern, wie die Fähigkeit, in Notbremssituationen angemessen zu reagieren, können diese Ergebnisse weder nachgewiesen noch garantiert werden. Müssen wir also die derzeitigen Standards für den Sicherheitsnachweis weiterentwickeln? Das ist eine Frage, die noch zu beantworten ist.
Künstliche Intelligenz beschleunigt Prozesszeiten in der Produktion
Ebenso sind visuelle Inspektionen ein wichtiger Bestandteil der Qualitätssicherung. Diese stellen sicher, dass Fahrzeuge oder Fahrzeugteile den Anforderungen entsprechen. Ein menschlicher Prüfer benötigt mehrere Minuten, um diese Kontrollen durchzuführen, ein kamerabasiertes System kann diese Aufgabe jedoch in nur wenigen Sekunden erledigen. Wir haben künstliche Intelligenz eingesetzt, um das System eines Automobilherstellers weiter zu verbessern und es schneller und effizienter zu machen. Die Bearbeitungszeit konnte dadurch um rund 40% reduziert werden. Da das System kontinuierlich neue Abweichungen identifiziert, sind wir auf dem Weg zu einem autonomen Werkzeug, bei dem sich das KI-Modell selbst trainiert, so dass ein ständiges Eingreifen von Datenwissenschaftlern nicht mehr erforderlich ist und die Effizienz weiter gesteigert wird.
KI und Maschinenbau: eine sich entwickelnde Symbiose
Trotz ihrer jüngsten Erfolge bei Anwendungen wie Bild-, Sprach- und Textverarbeitung hat die künstliche Intelligenz noch kaum Einzug in den Bereich des mechanischen Designs oder der digitalen Simulation im weiteren Sinne gehalten. Die Gründe dafür liegen zum einen in den Werkzeugen – Daten statt physikalischer Gleichungen – und zum anderen im Fachwissen der Konstrukteure und Maschinenbauingenieure, das mathematisch schwer zu interpretieren ist. Nichtsdestotrotz gibt es viele Anwendungen für KI und insbesondere für maschinelles Lernen in der Konstruktion; Beispiele sind die schnelle und kostengünstige Erstellung von Näherungswerten für Berechnungen von Konstruktionsprozessen.
Auf maschinellem Lernen basierende Techniken zur Fehlererkennung werden heute zur Erkennung von Schäden und zur Inspektion von Strukturen eingesetzt. In Verbindung mit maschinellem Lernen ermöglicht es, bessere Strukturen schneller zu entwerfen als beim herkömmlichen “Trial-and-Error”-Ansatz, indem z.B. ein größerer Entwurfsraum untersucht wird. Neben diesen bekannten Anwendungen wird die KI auch neues Potential bei Maschinenbauingenieuren freisetzen, indem sie bestimmte zeitintensive Aufgaben erleichtert. Dazu gehört etwa die Konstruktion oder Rekonstruktion von parametrischen CAD-Modellen, oder leistungsfähigen 3D-Konstruktionen, die durch Generative Adversarial Networks zunehmend realistisch und automatisch erzeugt werden.
Und schließlich ermöglichen die verfügbare Speicherkapazität und die verteilte Verarbeitung von Big Data es, die zahlreichen Berechnungen, die für die Konstruktion eines Bauteils erforderlich sind, besser zu vernetzen. Wir stehen am Anfang einer Entdeckungsreise, und KI ist die Eintrittskarte.
Expleo kann Sie mit KI & Data Science auch bei Ihren Projekten unterstützen. Kontaktieren Sie uns.
