Mobilitätsplattform soll entwickelt werden, um fehlende Daten aus Core und Edge Cases zu sammeln. Beim autonomen Fahren fehlen in seltenen Ausnahmesituationen noch Daten für das Trainieren der Künstlichen Intelligenz.
Die Mobilität der Zukunft hat dank Künstlicher Intelligenz, Internet der Dinge und einem hohen Automatisierungsgrad völlig neue Potenziale hervorgebracht.
Neue Mobilitätsplattform für Wissenlücken von KI
Inzwischen ist nicht nur Experten klar, dass autonomes und vernetztes Fahren einen wichtigen Beitrag zur Verkehrswende und der Entlastung von Städten beitragen kann. Mehr noch, denn autonomes Fahren wird, genau wie andere intelligente Mobilitätslösungen, einen essenziellen Beitrag zum Klimaschutz leisten.
Autonomes Fahren basiert auf leistungsfähigen Verfahren der Künstlichen Intelligenz und dem Maschinellen Lernen. Die Technologie verbessert sich zunehmend und funktioniert schon heute in 99 % der Real-Tests. Ein Restrisiko bleibt dennoch, und zwar für die sogenannten Edge und Corner Cases.
Dabei handelt es sich um Grenz- und Übergangsfälle, die durch Datenmangel entstehen. Dieser löst einfach ausgedrückt Wissenslücken bei der trainierten Software, also der Künstlichen Intelligenz, aus. Denn KI-Systeme benötigen große Datenmengen, sie werden auch als Big Data bezeichnet. Eine standardisierte Mobilitätsplattform soll das autonome Fahren zukünftig noch risikoärmer gestalten und kann sich zum industrieübergreifenden Flottenlernen entwickeln.
Was ist industrieübergreifendes Flottenlernen?
Industrieübergreifendes Flottenlernen umfasst eine Plattform für das Sammeln von Daten im Rahmen des autonomen und vernetzten Fahrens und beinhaltet Daten, die durch Edge und Corner Cases entstehen. Die Datenplattform validiert Wissenslücken der herrschenden KI-Systeme, die aufgrund mangelnder Daten nicht autonom geschlossen werden können.
Diese Plattform sammelt die wenig verfügbaren Daten zu den oben erwähnten Edge oder Corner Cases und soll der Risikominimierung beim automatisiertem Fahren dienen. Die Plattform steht den Herstellern von Fahrzeugen und Diensten zur Verfügung und stellt ihnen dort Nutzungsdaten bereit. Diese können anschließend für das Trainieren der Künstlichen Intelligenz genutzt werden.
Zunächst sammelt die Plattform die Daten und vergleicht sie mit anderen Beispielen bekannter Risikofälle. Für diese Vergleiche benötigt die Plattform unter anderem Daten von Sensoren oder Kameras. Danach erfolgt die Validierung der gesammelten Daten und erstellt neu gelernte Modelle inklusive verschiedener Validierungsszenarien.
Im Zuge bestehender Projekte auf nationaler und internationaler Ebene gibt es Pläne zur Ausgestaltung eines weltweiten Ökosystems mit der Konzentration auf Corner Cases. Die gemeinschaftliche KI-Plattform soll auf Empfehlung der Arbeitsgemeinschaft Mobilität und intelligente Verkehrssysteme der Deutschen Akademie der Technikwissenschaften acatech zur Realisierung von industrieübergreifendem Flottenlernen dienen.
Diese Plattform identifiziert Planungs- und Regelfehler der Systeme im Betrieb und kann mit KI-Verfahren eine Auswahl geeigneter Validierungsmöglichkeiten für Corner Cases bilden. Der Experte spricht dabei auch von den Wahrnehmungsdefiziten der Sensorik, dazu zählen Kameras, Radar, Ultraschall- und Lasersensoren.
Autonomes Fahren birgt Restrisiko
Trotz einer leistungsfähigen Lösung, die das autonome und vernetzte Fahren in 99 % aller Fälle extrem sicher macht, besteht ein Restrisiko für mögliches Fehlerverhalten. In diesen Sonderfällen treten Probleme auf, da die eingesetzte KI-Lösung nicht ausreichend trainiert ist, um autonom Entscheidungen zu treffen und damit Gefahren abzuwenden.
Um diesem Restrisiko effizient und wirksam zu begegnen und das Vertrauen in die Sicherheit der Technologie zu verbessern, kann eine Mobilitätsplattform für das industrieübergreifende Flottenlernen die Lösung sein. Sie garantiert unter zu formulierenden Standards und Normen validierbare Entscheidungen, die für den Straßenverkehr der Zukunft eingesetzt werden können. Die Datengrundlagen können anschließend von Dritten für das Trainieren eigener KI-Lösungen verwendet werden, was zu Innovation und technologischem Fortschritt führt.
Typische und häufig auftretende Daten sind einfach zu sammeln. Sie stellen die bisherigen KI-Systeme nicht wirklich vor Herausforderungen. Anders sieht es aber aus, wenn selten beobachtete Daten vorliegen, die aus dem typischen Rahmenwerk herausfallen. In der Summe entstehen durch die selten auftretenden Daten erhebliche Sicherheitsrisiken für automatisiertes Fahren.
Denn es gibt schlichtweg zu wenig Stichproben aus anderen Daten, mit denen diese verglichen werden können. Es entsteht eine regulatorische und technologische Herausforderung. Ein Lösungsansatz kann die Mobilitätsplattform für industrieübergreifendes Flottenlernen sein.
Mobilitätsplattform bietet Lösungsansatz
Das Flottenlernen findet bereits bei einigen Automobilherstellern Anwendung. Sie optimieren mit den gesammelten Nutzungsdaten ihre Fahrzeuge ständig weiter. Das Flottenlernen bezieht sich aber nicht nur auf die Fahrzeuge eines Herstellers, sondern kann auch als herstellerübergreifender Lösungsansatz gesehen werden.
Beim Flottenlernen geht es grundsätzlich aber immer um das Lernen von Corner Cases mit herstellerübergreifenden Konfigurationen, die Anwendern zur Verfügung stehen. Technologische Grundlage für den Einsatz einer Mobilitätsplattform ist die Anbindung der Hersteller an eine leistungsfähige und robuste Internetverbindung oder sie verfügen über Datenträger in den Fahrzeugen. Eine Übertragung der Daten zum Backend und das Einspielen der Updates in die Flotte sind ebenfalls notwendig.
Im Backend werden die Daten aus den Fahrzeugen zunächst gesammelt, anschließend analysiert und verarbeitet. Die Analyse erfolgt auf Vergleichen mit bereits vorhandenen Szenarien und das Ergebnis wird abschließend für das Trainieren der Software zur Gestaltung von neuen Modellen verwendet.
Durch das Senden an die Fahrzeugflotte ist sichergestellt, dass am Ende dieses Vorgangs die aktuellen Daten von der Mobilitätsplattform in die Flotte gelangen und dort Anwendung finden. Das Flottenlernen trägt so maßgeblich zur Sicherheit von autonomen und vernetzten Fahrzeugen im Straßenverkehr bei und beugt dem Auftreten von Corner Cases vor.
Bedarf einer standardisierten Lösung wächst
An vielen Stellen dieses Modells entsteht der Bedarf an standardisierten Lösungen. Diese beziehen sich beispielsweise auf die verschiedenen Datenformate und Strukturen, in denen die Daten auf die Mobilitätsplattform gelangen. Zu den Standards gehören bereits bekannte Normen, es gilt aber auch neues Regelwerk zu formulieren. Das kann beispielsweise durch die Normungsroadmap Künstliche Intelligenz der DIN e.V und der DKE, der Deutschen Kommission Elektrotechnik in Frankfurt, geschehen.
In der Normungsroadmap, unter Förderung des Bundesministeriums für Wirtschaft und Energie, steht Deutschland als erstes Land weltweit in den Startlöchern für internationale Normen und Standards bei einer der Schlüsseltechnologien zukünftiger Mobilität. DIN und DKE haben im Auftrag des BMWi bereits im Oktober 2019 das Projekt der Roadmap gestartet.
Die fünf zentralen und übergreifenden Handlungsempfehlungen
- Entwicklungen für Interoperabilität der KI-Systeme vorantreiben
- Aspekte der IT-Sicherheit für KI-Systeme erweitern
- Konflikte von KI-Systemen vermeiden bei Grundrechten, Ethik und Demokratie
- Einheitliche Prüfung von KI-Systemen mit “Trusted AI” entwickeln
- Use Cases für industriereife KI-Systeme entwickeln
Die Verwendung von Standards ist für den Erfolg einer Mobilitätsplattform und den Austausch von Daten unerlässlich. Sie sind wie eine gemeinsame Sprache und Methodik für die Zusammenarbeit zwischen der Mobilitätsplattform und den Akteuren am Markt.
Standards erzeugen auch Synergieeffekte und minieren die Kosten für den Aufbau der Plattform. Die geringeren Kosten sorgen wiederum dafür, dass die einheitliche Mobilitätsplattform für industrieübergreifendes Flottenlernen an Attraktivität am Markt gewinnt.
Flächendeckender Einsatz braucht Risikominimierung
Damit wir in Zukunft von einer sicheren Mobilität und risikominimierten Lösungen für automatisiertes und vernetztes Fahren profitieren können, brauchen wir sichere und verlässlich funktionierende KI-Systeme. Doch dafür bedarf es weiterer Risikominimierungen durch intelligente Lösungen, die auf einheitlichen Datenstrukturen, Methoden und konkreten Algorithmen basieren.
Dabei spielen auch Datenmarktplätze, wie beispielsweise der IOTA Industry Marketplace, eine große Rolle. Hier haben Anwender nicht nur die Möglichkeit Daten aus den Geräten im Internet der Dinge über den Tangle auf eine Blockchain zu senden, sondern können diese auch gewinnbringend Dritten zur Verfügung stellen. Diese profitieren von der günstigen Lösung bestehender Datensätze. Ohne die müssten viele Hersteller und Anbieter eigene Daten gewinnen, was die Kosten um ein Vielfaches steigern würde.
Außerdem tragen solche Projekte, egal ob als Datenmarktplatz oder Mobilitätsplattform, zum Wissenstransfer bei und der ist im Rahmen einer so dynamischen Branche wie der Mobilität extrem wichtig. Die Daten können auch Trainings- und Testgrundlage für die Forschung und Entwicklung neuer Geschäftsmodelle und Anwendungen sein. Denn die Eliminierung von Risiken durch Corner Cases ist auf viele Bereiche, nicht nur dem autonomen und vernetzten Fahren, anwendbar.
So entstehen mit der Zeit robuste KI-Systeme mit Referenzdatensätzen als Schlüssel für hohe Qualität und Sicherheit im Straßenverkehr.
