Beiträge

Neuromorphic Computing ist die nächste Generation der Künstlichen Intelligenz und bringt auch technologische Fortschritte in der Automotive-Industrie. Foto: CCO

Neuromorphic Computing – Neuronale Netze mit enormer Leistung

/in /von

Die Zukunft der Künstlichen Intelligenz heißt Neuromorphic Computing. Dabei sind die Computer nach Vorbild des menschlichen Gehirns konstruiert, wobei die Funktionsweise von menschlichen Neuronen nachempfunden wird. Ziel der Neuromorphic Technologie ist es, Sinnesorgane nachzubilden oder zu simulieren, wie beispielsweise die Netzhaut des Auges, das Innenohr oder auch Teile des Gehirns. Langfristig sollen diese Computer Entscheidungen treffen oder sogar ins menschliche Nervensystem integriert werden können. Vor allem in der Industrie wird diese neue Technologie in Zukunft große Beachtung finden. Als autonome Roboter, im Bereich autonomem Fahren oder auch der Sensorik. Doch was bedeutet Neuromorphic Computing und was wird es uns in Zukunft bringen?

Die Zukunft heißt Neuromorphic Computing

Perspektivisch werden kognitive Computer entwickelt, die komplexe Daten analysieren können und anhand von erlerntem Wissen Vorhersagen treffen. Zentral dafür sind neuromorphe Chips, also Mikrochips, die nach Vorlage menschlicher Nervennetze gefertigt werden. Damit sollen diese Chips auch die Sensorik des Menschen abbilden. Unterstützt werden die Chips dafür mit spezifischer Hardware, die etwa Gerüche oder Geräusche aufnehmen kann. Die Chips unterscheiden sich von der gegenwärtigen Technik durch höhere Energieeffizienz und geringeren Platzbedarf.

Neuer Chip von Intel ist dem Gehirn nachempfunden

Neuromorphic Computing statt Deep Learning. Ein Beispiel dafür ist der Testchip Loihi von Intel. Insgesamt soll der Chip 130.000 Neuronen sowie 130 Millionen Synapsen haben. Dadurch ist Loihi leistungsfähiger als bisherige Modelle und kann stetig dazulernen. Laut Intel lässt sich der selbstlernende Chip in fast allen Bereichen anwenden. Im Bereich Automotive, in der Industrie, in autonomen Robotern, maschinellem Sehen oder maschinellem Hörverstehen. Entsprechende Algorithmen zur sparsamen Codierung, zur Wegfindung oder zum Wörterbuch lernen, haben Intel und andere Unternehmen in der Vergangenheit bereits umgesetzt. Der neue Chip wurde auf der CES 2018 in Las Vegas vorgestellt.

Gegenwärtige KIs

Aktuelle KIs wie Apple’s Siri oder Alexa senden Daten an ein Rechenzentrum, gleichen diese ab und bekommen eine Rückmeldung. Sie basieren auf Clouds, da die Rechenleistung der Elektronik gegenwärtig noch nicht ausreicht um die verarbeitungsintensiven Algorithmen auszuführen, die für maschinelles Lernen benötigt werden. Die typischen Prozessoren, die in den meisten Smartphones verbaut sind, könnten kein System wie Siri auf dem Gerät ausführen. Die Rechenleistung der Chips wird aber in den nächsten Jahren weiter steigen, bei weniger Energieverbrauch.

Forschungszentrum für Neuromorphic Computing in Baden-Württemberg

Eines der größten Forschungszentren für Neuromorphic Computing entsteht derzeit in Baden-Württemberg. In Heidelberg werden Millionen investiert um die Technologie und Forschung in den nächsten Jahren voranzutreiben. Ziel der Forschung ist der Aufbau eines großen neuromorphen Systems mit besonders ausgeprägten Lernfähigkeiten, die in interdisziplinärer Zusammenarbeit mit theoretischen Neurowissenschaftlern entwickelt werden.

Durch Neuromorphic Computing entstehen zahlreiche neue Geschäftsmodelle und Möglichkeiten von denen wir bisher nur träumen konnten. Wir von Magility, als ihr Partner für neue digitale Geschäftsmodelle, beraten Sie gerne.

Deep Learning

State of the Art: Deep Learning und autonomes Fahren

/in /von

Im Sinne von Moor’s Law hat sich die Digitalisierung in den letzten Jahrzehnten unglaublich beschleunigt. Was zunächst wie eine schier endlose Aufgabe schien war aufgrund der exponentiellen Steigerung von Speicherkapazität und Prozessorleistungen schneller Realität als von Kritikern geahnt. Ein aktuelles Thema bei dem die Prognosen auseinandergehen ist die Künstliche Intelligenz und das Deep Learning. Sind wir bereits im Zeitalter der intelligenten Maschinen angekommen oder sind wir erst auf dem Weg dahin. Wahrscheinlich ist es nur eine Frage des Perspektive. Deshalb lohnt es sich auf Praxisbeispiele zu schauen. Viele Unternehmen versuchen bereits jetzt ihre Daten zu nutzen und daraus Erkenntnisse und Geschäftsmodelle zu kreieren. Ein Start-up aus dem Bereich ist das Berliner KI-Unternehmens Merantix. Zusammen mit großen Unternehmen arbeitet das Unternehmen an großen KI-Projekten. Auch im Bereich Automotive.

 

Drei Gründe für den Durchbruch neuronaler Netzwerke

Als Hauptgründe für den Durchbruch von neuronalen Netzwerken gilt: die Verfügbarkeit großer Mengen an Trainingsdaten, leistungsfähige Computerinfrastruktur und Fortschritte in der Wissenschaft. Außerdem übertrifft Deep Learning nicht mehr nur in klassischen Methoden, sondern mittlerweile auch in der Klassifizierung von Bildern oder der Gesichtserkennung, was Maschinen bislang kaum möglich war. Daraus resultiert Potenzial für disruptive Geschäftsmodellen, die mithilfe von Deep Learning und Machine Intelligence reale Problem beheben.

KI-Pioniere aus Berlin

Merantix ist ein Forschungslabor und Unternehmen im Bereich Künstliche Intelligenz. Das Berliner Unternehmen sucht zusammen mit mittelständischen und großen Unternehmen deren Potenziale, Daten zu nutzen um neue Geschäftsmodelle zu finden. Das Stichwort dabei lautet: Deep Learning. Laut Merantix basiert die Entwicklung der künstlichen Intelligenz in den letzten Jahren auf dem Erfolg des Deep Learnings*.

Diagnose vom Computer – Röntgenbilder

Konkret eruiert das KI-Start-up riesige Datensätze. Große Mengen an Trainingsdaten werden ausgewertet sodass die Maschine lernt auf bestimmte Auffälligkeiten zu achten. Ein konkretes Beispiel stammt aus dem Bereich Health Care. Merantix baut einen Service, unterstützt durch künstliche Intelligenz, der automatisch Röntgenbilder diagnostiziert. Um die Deep Learning Systeme zu trainieren werden Standardmarken aus Sprachprotokollen extrahiert. Im Ergebnis soll die KI-Diagnostik Effizienz und Qualität sicherstellen.

Deep Learning und autonomes Fahren

In Kooperation mit BOSCH arbeitet das Unternehmen an der Evaluierung und Verbesserung von Deep Learning Tools beim autonomen Fahren. Es werden neuronale Netze geschaffen und trainiert, die Objekte wie Ampeln, Verkehrszeichen und andere Fahrzeuge erkennen. Die Trainingsdaten stammen aus Sensordaten (in der Regel Bilder und Videos) von Fahrassistenzsystemen. Das System visualisiert die Charakteristik von geschulten neuronalen Netzwerken basierend auf aktueller Forschung.

Quo vadis: Deep Learning

Konkrete Beispiele aus dem Beriech zeigen, dass mit neuronalen Netzen und verfügbaren Trainingsdaten bereits praktischer Nutzen erzielt werden kann. „Für das autonome Fahren wird Deep Learning und Künstliche Intelligenz unerlässlich sein“, unterstreicht Dr. Michael Müller, Geschäftsführer der magility GmbH die Aktualität des Themas.

 

*Deep Learning bezeichnet eine Klasse von Optimierungsmethoden künstlicher neuronaler Netze, die zahlreiche Zwischenlagen zwischen Eingabeschicht und Ausgabeschicht haben und dadurch eine umfangreiche innere Struktur aufweisen.

KI

Künstliche Intelligenz in der Automobilindustrie

/in /von

Künstliche Intelligenz (KI) wird immer zentraler in der Diskussion ums autonome Fahren. Damit aus Big Data und maschinellem Lernen eine intelligente Machine wird ist ein komplexer Vorgang an dem aktuell auf Hochtouren gearbeitet und geforscht wird. Schon bald solle Künstliche Intelligenz menschliche Kapazitäten erreichen, prophezeien Optimisten. Daher stellt sich schon jetzt die Frage, wie KI für Fahrzeuge, den Verkehr und Unternehmen genutzt werden kann und welche Vorteile man aus der Beziehung von Mensch und Maschine gewinnen kann? Dazu steigen immer mehr Start-ups in den Wettbewerb ein um erste praktische Lösungen und Anwendungen zu entwickeln.

Geschäftsmodelle ableiten

„Das Thema KI ist ein kritischer Erfolgsfaktor in der Automobilindustrie“ ist die Einschätzung von Digitalisierungsexperte Dr. Michael Müller, Geschäftsführer von Magility. Denn für eine flächendeckende Realisierung von autonomem Fahren ist die KI derzeit unerlässlich.
Neben der Entwicklung der KI selbst geht es aktuell darum Geschäftsmodelle abzuleiten. Laut Prognose von LMC Automotive werden im Jahr 2035 48 Millionen voll- und teilautomatisierte Fahrzeuge produziert werden. Dafür werden digitale Services immer relevanter. Von der Software bis zur entsprechenden Cyber Security werden neue Dienstleistungen relevant mit denen sich auf weiteren Feldern Gewinne generieren lassen. Weitere vielversprechende Möglichkeiten finden sich innerhalb von Daten (das Rohmaterial der KI), dem Zugang zu Kunden (dank der Auswertung von Daten, können Kunden viel gezielter angesprochen werden), Chancen für Unternehmen, die Qualität ihres Outputs zu steigern aber auch ihre Prozesse zu optimieren.

Deep-Learning-Netzwerk

Ein erster Case aus der Praxis dazu ist ein Deep-Learning Netzwerk, dass alle Fahrzeuge miteinander vernetzen will. Es geht dabei um Deep-Learning- Algorithmen, die die optische Objekterkennung und den Dialog zwischen Menschen und Maschinen zukünftig optimieren sollen. Mit diesem System kann sich das Fahrzeug Situationen sowie die Reaktion des Fahrenden merken und ins Netzwerk speisen. So wird das erlernte „Wissen“ nicht nur gespeichert sondern auch an andere Fahrzeuge weitergegeben.

Start-ups kommen mit Ideen

Am „Gehirn des Autos“ arbeitet nicht nur Bosch sondern auch ein Start-up aus den USA. Dabei geht es darum die über autointernen Sensoren gesammelten Daten gewinnbringend auszuwerten und nutzbar zu machen. Denn bereits jetzt sind viele Autos mit Sensoren und Kameras ausgestattet, die in Echtzeit Daten generieren. Die Schwachstelle ist jedoch bislang die Auswertung. Ganz konkret werden in diesem Fall dem Rechner Regeln vorgegeben, insbesondere im Hinblick auf richtiges und falsches Verhalten.  Die KI lernt dann aus diesen Regeln selbstständig, jedoch ist nach wie vor die Programmierung des Lernprozesses selbst unklar.

Mensch vs. Maschine

Das Potenzial liegt vor allem in der Rechenleistung. Während der Mensch sehr schnell und gut darin ist parallele Prozesse zu meistern ist die Maschine vor allem gut darin sich Lösungen zu errechnen. So zielt die Vision zunächst darauf ab, das die KI Routineaufgaben übernehmen kann oder über Algorithmen als Assistent zu dienen. Zudem kann KI an den Stellen sinnvoll eingesetzt werden an denen ohnehin viele Daten generiert werden, zum Beispiel in Fahrzeugen. um diese auszuwerten und zu nutzen.

Es gilt aber: Nur wenn Mensch und Maschine gemeinsam an Problemen arbeiten kann Künstliche Intelligenz ihr volles Potenzial entfalten. Künstliche Intelligenz ist kein Selbstzweck sondern das Weiterdenken von Möglichkeiten um Prozesse zu vereinfachen und zu optimieren.