Daten-Wertschöpfungskette

Herausforderung

• Entwicklung von Modellen des maschinellen Lernens in Übereinstimmung mit den Sicherheits- und Qualitätsstandards der Automobilindustrie

Methodik

• Cloud-basierte Datenverarbeitungsauswertung und -verteilung
• Methodenbasierte Sicherheitsargumentation für maschinelle Lernmodelle
• Messung der Datenabdeckung auf der Grundlage von Anforderungen
• Frühzeitige Datenüberprüfung

Ergebnis & Mehrwert (in Entstehung)

• Rahmen für den Entwicklungsprozess von KI in der Automobilindustrie
• Rahmen für die Sicherheitsbewertung von KI in der Automobilindustrie
• Bewährte Praktiken für Cloud-basierte Entwicklung

Herausforderung

• Mobilitätskarten zeigen die maximal mögliche Geschwindigkeit innerhalb eines bestimmten Geländes einschließlich der „No-Go-Areas“.
• Die aktuelle Erstellung solcher Mobilitätskarten ist komplex und zeitaufwändig.
• Es müssen Bodenproben genommen und komplexe FEM-Modelle erstellt werden.

Methodik

• Ein Ansatz des maschinellen Lernens wird zur Vorhersage von Mobilitätskarten auf der Grundlage von Luftbildern verwendet, die mit einer Drohne oder einem Satelliten aufgenommen wurden.
• Faltungsneuronale Netze werden zunächst mit einem allgemeineren Datensatz trainiert.
• Anschließend wird das Netz durch Transferlernen an die spezifische Aufgabe angepasst.
• Als Trainingsdaten wurden bereits vorhandene Mobilitätskarten in Kombination mit entsprechenden Luftbildern verwendet.

Ergebnis & Mehrwert

• Ein CNN, das auf der Grundlage von Luftbildern Mobilitätsdaten für ein Gelände vorhersagen kann.
• Die Genauigkeit liegt unter der konventioneller Methoden, kann aber dennoch in vielen Fällen verwendet werden, in denen keine anderen Informationen verfügbar sind.

Herausforderung

• Die Auswirkungen neuer KI-Ansätze und -Technologien sind im Allgemeinen gut bekannt. Für viele Unternehmen ist jedoch nicht klar, wie sie von einzelnen KI-Lösungen profitieren können oder wo sie anfangen sollen.

Methodik

• Gemeinsam mit den Entwicklern des Kunden wurden geschäftsrelevante KI-Anwendungsfälle auf Basis eines technischen Deep Dives identifiziert.
• Potenzielle KI-Anwendungen wurden im Hinblick auf die positiven Auswirkungen auf die Zuverlässigkeit und Effizienz der Maschinen sowie den Realisierungsaufwand analysiert.
• Ein Implementierungsplan für ausgewählte Anwendungsfälle und die dazugehörigen Business Cases wurden ausgearbeitet.

Ergebnis & Mehrwert

• 10 Anwendungsfälle zur Verbesserung von Maschineneffizienz, Zuverlässigkeit und Qualität wurden beschrieben und bewertet.
• Business Cases für die Entscheidung des Managements über die Umsetzung der Anwendungsfälle.
• Der am besten bewertete Anwendungsfall wurde implementiert.

Herausforderung

• KI-basierte Blickverfolgung ist eine entscheidende Komponente in vielen Fahrerassistenzsystemen.
• Die Leistungsmessung eines solchen Systems ist eine Herausforderung.

Methodik

• Analysieren der Leistungsanforderungen des Kunden
• Definition von aussagekräftigen KPI
• Implementierung einer cloudbasierten KPI-Messung
• Kontinuierliche KPI-Überwachung und Umsetzung von Verbesserungsmaßnahmen

Ergebnis & Mehrwert

• Die Leistung des Blickverfolgungssystems wurde während der Entwicklung kontinuierlich überwacht.
• Die Leistung wurde anhand definierter KPIs bewertet.
• Eine Cloud-basierte Toolchain zur KPI-Messung wurde eingerichtet.
• Es wurde ein technisches Projektmanagement eingerichtet, um Maßnahmen zur Leistungsverbesserung abzuleiten und zu koordinieren.

Herausforderung

• Aufbau einer KI-basierten Bilderkennung auf einem eingebetteten Gerät mit Echtzeitbeschränkungen für Anwendungen im Automobilbereich, z. B. Verkehrszeichenerkennung
• Einsatz modernster Deep-Learning-Technologie

Methodik

• Implementierung von Lernalgorithmen für verschiedene Frameworks
• Verwendung von vortrainierten Netzen wie YOLO V2 in Kombination mit Transfer Learning

Ergebnis & Mehrwert

• Funktionsprototyp für die Kfz-Zeichenerkennung
• Framework-Benchmark für ein eingebettetes Gerät (NVIDIA Jetson TX2) mit Echtzeit-Beschränkungen