Forschung

Datengetriebene Absicherung von KI-basierten Perzeptionsfunktionen

Automatisiertes Fahren ist aktuell eine große Zukunftsvision im Automobile Bereich. Die rasante Entwicklung in diesem Bereich hängt mit der schnellen Entwicklung von Machine Learning Methoden zusammen. Klassische Perzeptionsfunktionen werden nach und nach durch Machine Learning und KI-Funktionen im Auto der Zukunft ersetzt, da die KI-Funktionen performanter sind als die klassischen Methoden. Eine zugelassene KI-Funktion gibt es aber noch nicht, da der Sicherheitsnachweis für Black-Box Systeme (KI-Systeme) noch nicht existiert. Aus diesem Grund wird am FZI/ITIV an verschiedenen Methoden geforscht, um KI-Funktionen datengetrieben zu testen und die Güte zu bewerten.

Zukünftige Software-Entwicklungsprozesse

Etablierte Softwareentwicklungsmodelle sind darauf ausgelegt, klassische Software zu entwickeln. Klassische Software zeichnet sich dadurch aus, dass man alles, was implementiert ist, mit deterministischen, regelbasierten und expliziten Software-Tests testen kann. Durch den Einzug von KI und Machine Learning Methoden ins Fahrzeug müssen die klassischen Softwareentwicklungsmodelle weiterentwickelt werden. Denn Machine Learning Modelle können nicht durch klassische Tests abgesichert werden. Am ITIV&FZI forschen wir an neuen Softwareentwicklungsmethoden, die für das Entwickeln und Testen durch Daten trainierten KI-Modellen ausgelegt sind.

Zeitreihenanalyse

Historische Daten werden in Unternehmen immer häufiger genutzt, um die Entscheidungsfindung zu unterstützen. Durch die Digitalisierung und dem damit verbundenen einfachen Sammeln von Daten wird sich der Trend in Zukunft weiter verstärken. Für die Prädiktive Instandhaltung (Predictive Maintenance) schauen wir uns am ITIV/FZI verschiedene Methoden an, um Zeitreihen zu klassifizieren und Muster darin zu identifizieren. Diese Klassifikation kann zur Entscheidungsfindung verwendet werden und hilft dem Ingenieur/ der Ingenieurin, fundierte Entscheidungen zu treffen.

Offene Studentische Arbeiten
Titel	Forschungsthema	Betreuung
Mustererkennung in Zeitreihen	Zeitreihenanalyse, Datenanalyse, Mustererkennung	M. Sc. Hanno Stage