Unabhängiges Magazin für Wirtschaft und Bildung

28. März 2024

Search form

Search form

Wenn Maschinen lernen

Wenn Maschinen lernen © Pexels.com/pixabay

Ein neues Christian-Doppler-Labor an der TU-Wien untersucht die Einbettung künstlicher Intelligenz in technische Systeme. Ein Schwerpunkt betrifft den Bereich maschinelles Lernen.

(red/mich) Computer lernen bereits und auch das Thema „Machine Learning“ ist in der IT-Industrie bereits angekommen. Ein Computer arbeitet etwa nicht einfach nur eine Serie vorgefertigter Befehle ab, sondern entwickelt Systeme, die trainiert werden und dazulernen können. So lassen sich Aufgaben bewältigen, die auf andere Weise kaum lösbar werden, etwa im Bereich der Bilderkennung. Die Hardwareanforderungen sind dafür oftmals sehr umfangreich, entsprechend müssen Hochleistungscomputer oder große Computercluster verwendet werden.

Die TU-Wien wählt nun einen praxistauglicheren Weg und untersucht in einem neuen CD-Labor, wie Machine Learning auf möglichst effiziente und ressourcenschonende Weise in „Embedded Systems“ genutzt werden kann. Embedded Systems sind elektronische Rechner, die oft auf kompakte, kaum sichtbare Weise in verschiedensten Geräten eingebaut sein können - vom Auto bis zur Fertigungsanlage in der Industrie. Damit soll künstliche Intelligenz Schritt für Schritt im Alltag Einzug halten. 

Neuronale Netze
„Die Grundidee von Machine Learning ist recht einfach: Wir schicken einen bestimmten Input in ein Computersystem, zum Beispiel ein Bild. Und das System liefert dann einen bestimmten Output – zum Beispiel, ob auf dem Bild ein Hund oder eine Katze zu sehen ist“, erklärt Axel Jantsch von der TU-Wien. „Es geht also darum, die inneren Eigenschaften des Systems Schritt für Schritt so anzupassen, dass es immer den richtigen Output liefert.“

Das gelingt mit neuronalen Netzen – einer Technik, die biologischen Nervensystemen nachempfunden ist. Beispielsweise verändern sich die Verbindungen zwischen den Nervenzellen bei Lernprozessen und auf ähnliche Weise werden beim Machine Learning die Verbindungen zwischen den Knotenpunkten eines digitalen Netzes verändert. Wenn das Netz auf die richtige Weise mit riesengroßen Datenmengen trainiert wird, kann es danach hochkomplizierte Aufgaben lösen.

Umfangreiche Anwendungsgebiete und Herausforderungen
Ein praktisches Beispiel sind autonome und selbstfahrende Autos. Das Fahrzeug kann seine Bilddaten nicht ständig auf einen Hochleistungs-Computer hochladen und dort von neuronalen Netzen ermitteln lassen, ob es jetzt bremsen muss oder nicht. Die Daten müssen vor Ort verarbeitet werden – und zwar innerhalb kurzer Zeit, mit hoher Verlässlichkeit. Typischerweise geschieht das in einer kleinen Box etwa hinter dem Rückspiegel, mit begrenzter Kapazität und limitiertem Stromverbrauch.

„In der Praxis muss man oft mit beschränkten Ressourcen auskommen. Energie, Speicherplatz und Rechenzeit sind nicht in unbegrenztem Maß verfügbar“, bestätigt Jantsch. Um nun ressourcensparendes Machine Learning in bestehende Technologie zu integrieren, braucht es nicht nur Softwareinnovationen. „Im neuen CD-Labor forschen wir auch an Konfigurationen für Hardware. Welche Chips eignen sich für welche Anwendung? Welche Rechnerarchitektur, welche Plattformen und Tools ermöglichen die höchste Effizienz“, so Jantsch zu den Forschungsgebieten.

Wirtschaftsministerium fördert Innovation
Das neue CD-Labor wird vom BM für Digitalisierung und Wirtschaft (BMDW) und den Firmenpartnern Mission Embedded, Siemens Österreich und AVL List unterstützt. Als wissenschaftlicher Partner ist auch die TU-Graz beteiligt. „Für automatische Verkehrslenkung etwa müssen Ampeln mit wenig Strom und Speicherplatz lebenslang lernen, und sich bei jedem Wetter an ihre Umgebung anpassen können“, erläutert Margarete Schramböck, Bundesministerin für Digitalisierung und Wirtschaft.

„Damit das funktioniert und Österreich vorne dabei sein kann, braucht es Grundlagenforschung in Künstlicher Intelligenz und Maschinellem Lernen wie in diesem CD-Labor. Hier entsteht neues Wissen, das die Wissenschaft voranbringt und bei den Unternehmenspartnern in neue Produkte einfließen kann“, betont Schramböck.

Im Zentrum der aktuellen Forschungen an der TU Wien steht Bildanalyse und Objekterkennung. Die Einsatzbereiche für solche Technologien reichen vom adaptiven Regeln von Raum und Gebäudeklima über selbstfahrende Autos bis zur Qualitätskontrolle bei Produktionsanlagen in der Industrie und personalisierter Sensorik zur Analyse von Körpersignalen in der Medizin und Sport. Christian Doppler Labors werden von der öffentlichen Hand und den beteiligten Unternehmen gemeinsam finanziert. Wichtigster öffentlicher Fördergeber ist das BM für Digitalisierung und Wirtschaft (BMDW).

Links

red/mich, Economy Ausgabe Webartikel, 09.03.2020