KI/ML-Entwicklungsprozesse im Automotive-Umfeld
Bei Machine-Learning-Projekten ist die Software häufig überschaubar: Das Modell selbst besteht meist aus sehr einfachem Code, wie er in einschlägigen Foren zu finden ist. Aufwendiger wird es oft beim Pre- und Post-Processing, das echte Programmierkenntnisse erfordert. Das ML-Modell selbst bleibt letztlich eine Blackbox, die mit mehr oder weniger guten Daten trainiert und getestet wird.
Je nachdem, wie tief man hier einsteigen möchte, können anstelle des Prozesses SUP.11 auch die Prozesse aus Data Management SPICE herangezogen werden. Eine höhere Datenqualität bringt an dieser Stelle einen erheblichen Mehrwert.
Das nächste Thema sind das Training und die Freigabe für den jeweiligen Anwendungsfall. Ein wichtiger Aspekt, den das SPICE-Modell nicht ausdrücklich adressiert: Die Daten, die zum Training verwendet werden, müssen sich zwingend von den Daten unterscheiden, mit denen anschließend überprüft wird, ob das Modell wirklich alle Sonderfälle gelernt hat.
Üblicherweise teilt man alle verfügbaren, qualitativ guten Daten in drei Gruppen auf: reguläre Daten für das Training des Modells, etwa 10 % „silberne“ Daten, mit denen bereits während des Trainings geprüft wird, ob das Modell gut gelernt hat, sowie weitere rund 10 % „goldene“ Daten für eine abschließende Freigabeprüfung. Zeigen sich bei der Prüfung mit den silbernen Daten noch Schwächen, wird gezielt nachgesteuert. Fällt bei der Prüfung mit den goldenen Daten etwas Kritisches auf, beginnt der Prozess vollständig von vorn.
Wenn Sie Projekte haben, bei denen die Machine-Learning-Prozesse im Fokus des Assessments stehen, sprechen Sie uns gerne an. Wir stehen Ihnen mit unserem Fachwissen zur Seite.
