Künstliche Intelligenz (KI) wird die Automobilindustrie nachhaltig „umkrempeln“. Um diese Disruption zu meistern, müssen Automobilhersteller das volle Potential aus ihren Daten schöpfen und in der Lage sein, täglich neue Dienste an ihre Kunden auszuspielen. Nur durch den Einsatz von KI können sie sich vom „Blechbieger“ zum „Tech-Giganten“ transformieren. Michael Nolting zeigt, wie dies klappen könnte.
Dr.-Ing. Michael Nolting ist Leiter des Bereichs für Digital Services & Data Analytics bei Volkswagen Nutzfahrzeuge, Berater und Experte für die Themen Künstliche Intelligenz, DevOps und Leadership. Er lehrt als Honorardozent an der Leibniz Universität Hannover. Er betreibt einen Blog unter www.michaelnolting.com, auf dem er über sein Tagesgeschäft – die Transformation eines „Blechbiegers“ zum „Tech-Giganten“ – schreibt.
Taste of Science in Kooperation von Springer Nature und dem DAI Heidelberg im Rahmen des International Science Festivals - Geist Heidelberg. Alle Veranstaltungen findet ihr unter www.dai-heidelberg.de
Das Buch "Künstliche Intelligenz in der Automobilindustrie" von Springer Sachbuch-Autor Michael Nolting mit der ISBN 78-3-658-31566-5 könnt ihr hier kaufen: https://www.springer.com/de/shop.
Abonniert unseren Channel, um kein neues Video zu verpassen!
Herzlich Willkommen beim letzten Vortrag heute am Samstag bei Taste of Science.
Dr. Ingenieur Michael Neuting ist Leiter des Bereichs für Digital Services und Data Analytics bei Volkswagen Nutzfahrzeuge,
Berater für Digitalthemen und KI, Artificial Intelligence, Künstliche Intelligenzthemen, DevOps und Leadership,
wie man die Institutionen und Betriebe umformen kann und sollte, damit sie gewappnet sind für ein Zeitalter,
das im Zeichen der Softwareentwicklung steht.
Er spricht heute über sein Tagesgeschäft, nämlich einen großen Konzern dahingehend fit zu machen,
wie man Fahrzeuge mit KI in Verbindung bringen kann und welche Chancen das sozusagen bereithält
für die Zukunft unserer Automobilbranche.
Vielen Dank, Dr. Ingenieur Michael Neuting. Bühne frei.
Ja, ich freue mich, dass ich hier heute meinen Vortrag halten kann über Künstliche Intelligenz in der Automobilindustrie.
Und wir werden in diesem Vortrag eben auf Themen eingehen wie Künstliche Intelligenz,
was ist zum Beispiel Deep Learning, was sind tiefe neuronale Netze und natürlich,
wie das alles mit der Automobilindustrie auch verbogen ist und wo die Automobilindustrie davon profitieren kann.
Zuerst möchte ich mich kurz vorstellen. Mein Name ist Michael Neuting.
Ich habe selber Informatik und Elektrotechnik studiert, habe dann danach im Bereich des Maschinellenernstes promoviert,
habe daraufhin bei Volkswagen in der Konzernforschung angefangen, also beim Automobilhersteller.
Hatte eine kurze Zeit in Berlin, wo ich bei einem Start-up gearbeitet habe,
wo ich auch in dem Bereich von Big Data und maschinelles Lernen gearbeitet habe
und bin dann wieder zurückgekommen zu Volkswagen-Nutzfahrzeugen,
wo ich jetzt auch Abteilungsleiter eben tätig bin und aktiv eben die Transformation
eines großen Automobilherstellers eben betreiben kann.
Zusätzlich habe ich noch ein Internetportal mit 150.000 Nutzern,
wo ich auch maschinelles Lernen dafür nutze, um die Leute zu unterstützen, ihre Ernährung zu protokollieren.
Und ich habe noch einen Blog unter michaelneuting.com.
Wen das interessiert, kann dort eben aktuelles aus der Transformation der Automobilindustrie lesen.
Ein sehr wichtiges Fahrzeug jetzt auch für Volkswagen und auch für Volkswagen-Nutzfahrzeuge
ist der neue Bulli oder auch genannt der Aldi Bus.
Viele kennen ja den Bulli, der ist sehr stark verboten mit teilweise Volkswagen- oder Volkswagen-Nutzfahrzeuge.
Das ist das hochemotionale Fahrzeug mit diesen großen Augen,
wo viele vielleicht auch einige Erinnerungen aus der Jugend noch haben oder vielleicht auch haben werden.
Und der Aldi Bus, das soll eben die Antwort von morgen sein, der voll elektrisch ist,
der autonom fährt, der eben auch im Bereich der Shared Mobility eingesetzt werden kann
und der eben hochvernetzt sein soll.
Das wird häufig abgekürzt mit den Begriffen ACES.
Also die stehen genau für autonom, konnektiert und Co.
Und das sind eben die großen Zukunftstrends, an die auch die Automobilindustrie glaubt
und die auch in der Gesellschaft stark verankert sind.
Und die sind natürlich alle extrem verboten mit künstlicher Intelligenz.
Das heißt, da braucht man künstliche Intelligenz.
Und ohne die wird es nicht möglich sein, eben diese Trends umzusetzen.
Deshalb habe ich den Vortrag jetzt wie folgt gegliedert.
Zum einen möchte ich euch zeigen, wie eben künstliche Intelligenz oder maschinelles Lernen
unsere Welt disruptieren wird oder diskrumpieren wird, wie sie sie eben maßgeblich verändern wird.
Dann werden wir auch das Deep Learning eingehen mit dem Hintergrund,
weil das Deep Learning eben heutzutage sehr stark mit dem maschinellen Lernen gleichgesetzt wird.
Oder das ist das, was in der Presse die größte Aufmerksamkeit bekommen hat,
weil das eben zu unglaublichen Umbrüchen jetzt schon geführt hat.
Und dann werden wir eben darauf eingehen, wie es die automobile Wertschöpfungskette
maßgeblich dann eben auch verändern und treiben und eben auch umwälzen wird.
Dazu möchte ich starten mit einer kleinen Liebesgeschichte.
Ihr seht jetzt hier einen kleinen Hund.
Und das ist eine wahre Geschichte, die mir mal eine Bekannte aus Schweden erzählt hat,
die bei Scania arbeitet.
Der Hund, der hieß Kim.
Und es gab zwei Mathematiker, die wirklich bei Scania gearbeitet hatten.
Und die hatten das Gesehen, dass der Hund irgendwann anfing, unkontrolliert zu bellen,
dass er sich nicht mehr wohlfühlte.
Die lebten in der Nähe von Stockholm, gingen dann da zum Hundepsychologen,
haben gefragt, was mit dem Hund los ist.
Und der Psychologe meinte, eventuell ist der Hund gestresst.
Er weiß es auch nicht genau.
Vielleicht müssten sie Stockholm verlassen oder sie müssten mehr aus Land ziehen.
Und dann haben die beiden Mathematiker, das waren Pärchen,
wirklich mal angefangen, systematisch zu protokollieren,
wann der Hund wirklich anfängt zu bellen beim Gassigehen
und haben dort alle möglichen Parameter aufgenommen.
Also ob es geregnet hat, ob es nicht geregnet hat,
ob er angefangen hat zu bellen, wenn ein anderer Hund entgegenkam,
wie das Härchen aussah und so weiter und so fort.
Und diese Geschichte ist eben deshalb so spannend,
weil sie sehr gut eben das maschinelle Lernen und auch die künstliche Intelligenz erklärt,
nämlich was eigentlich das Ziel ist oder wo uns die künstliche Intelligenz eben helfen
oder auch überraschen kann.
Und was da dann rauskam, ist,
dass natürlich zuerst braucht man immer eine ganze Menge von Daten,
dieses Mathematiker-Pärchen hat auch über zwei Jahren Daten erhoben.
Und sie haben dann irgendwann herausgefunden,
dass der Hund, als sie dann die Daten ausgewertet hatten,
nach tausend von Datensätzen, immer dann anfangen zu bellen,
wenn es ein Härchen gibt beim anderen Hund, der einen Bart hat,
der meistens was Rotes anhat.
Und dadurch kamen sie dann eben wirklich auf die Schlussfolgerung,
dass der Hund ein Problem hat.
Und das ist jetzt genau diese Weisheit und auch die Insights
mit dem Weihnachtsmann, mit Santa Claus.
Also der hatte irgendwo ein traumatisches Erlebnis,
das wollten sie dann auch therapieren.
Aber das ist eben so eine Geschichte,
die dann eben häufig zeigt,
wozu dann eben maschinell der noch in der Lage ist,
dass sie eben wirklich zu solchen Insights kommt
oder auch zu so einem Wisdom über das Weisheit.
Und das hat Scania maßgeblich dahin beeinflusst,
weil eben das Management dann eben auch verstanden hat,
wozu eben künstliche Intelligenz genutzt wird.
Das ist jetzt vielleicht ein Beispiel,
worüber man sprunzeln kann.
Natürlich ist einem das Wohl eines Hundes am Herzen,
aber dennoch kann man sagen,
okay, das ist jetzt natürlich eine Geschichte,
die zeigt jetzt nicht das volle Potenzial.
Das volle Potenzial, die allerdings KI auch wirklich
unsere Welt verändern wird,
findet man auf der Website vom BBC.
Da gibt es so eine Suchfunktionalität,
wo man seinen eigenen Job eingeben kann.
Und dann gibt es da auch eine Prädiktion,
wann dieser Job wahrscheinlich durch einen Roboter
oder künstliche Intelligenz ersetzt werden kann.
Ich habe das selber auch mal gemacht für meinen Job
und für den Job meiner Frau,
die im Vertrieb tätig ist, um zu sehen,
wie lange wir quasi noch haben,
bis wir dann quasi abgelöst werden.
Und die Prognosen, die dort erstellt werden,
die kommen maßgeblich aus Interviews
von Wissenschaftlern
aus dem Bereich des maschinellen Lernens,
die gefragt haben, was deren persönliche Einschätzung ist,
wann eben die Welt
sich dahingehend verändern wird.
Und was man hier dann jetzt ganz schön sieht,
ist, wenn ich jetzt wirklich
auf genaue Profile gehe oder
auf Jobprofile und die dann eben
mit einer Organisation, zum Beispiel zum
Automobilhersteller gleichsetze,
dann sehe ich eben die Wahrscheinlichkeit,
wann eben auch die einzelnen Jobprofile,
die dann ja auch in so einer Organisation
verankert sind, den Job
dort überflüssig machen. Das kann eben im ersten
Schritt sein, der IT Operations
Technician, was sehr stark
im Bereich eben DevOps auch
angesiedelt ist, aber genauso gut kann das auch
der Taxifahrer sein, den wir hier sehen,
der irgendwo mit 60, 70 Prozent dann eben auch ersetzt
werden wird, was man jetzt auch
durch Uber sieht, durch die ganzen
Initiativen, durchs Autounfahren, auch
durch Emo und das ist eben
das, wo ich dann immer sage, es fängt
jetzt schon an und man wird sehen, dass eben
die Organisationen sich maßgeblich verändern
werden und auch verändern müssen, weil
natürlich so eine Automatisierung bringt auch immer
Kostenvorteile und das sind natürlich
alle Unternehmen auch ihren
Shareholder fällig,
dass sie dann eben wirklich auch die Margen
optimieren. Das heißt, es wird
ein Pool kommen, es wird eben die Organisation
einfach dadurch verändert werden.
Jetzt kann man natürlich sagen, auf der einen Seite
wird es die Jobs dann eben
killen, auf der anderen Seite wird es
aber eben auch unglaublich viele neue Jobs
schaffen, wie das auch bei
Amazon stattgefunden hat. Also Amazon
hat schon seit Jahren eben diesen
Hockeystick, dass neue Jobs
dazukommen und
deshalb kann man natürlich sagen, wird KI
die Welt verändern, zum
Positiven oder zum Negativen. Es werden eben
Optimierungen stattfinden müssen, es werden Jobs
vielleicht dann auch ersetzt
werden, aber genauso gut wird es eben
auch Raum geben für neue
Jobs und auch für Neues, was durch
KI entsteht. Das sehen wir jetzt auch
hier, das ist ein schönes Beispiel dafür,
wie KI die Welt
auch im Bereich der Spieleentwicklung
verändert hat. Das ist ein Spiel,
das heißt No Man's Sky.
Normalerweise brauchen so Art Director
ungefähr fünf Jahre, um eine Welt für ein
Computerspiel zu
kreieren, also drei bis fünf Jahre
rechnet man immer so und No Man's Sky
hatte dann eben die Idee, dass sie
neuronale Netze dafür nutzen, um
nicht nur eine Welt zu kreieren, sondern
18 Quintillionen.
Und eine Quintillion,
ich wusste auch nicht, was das ist, ich habe das
gegoogelt, das sind 10 hoch 18 Welten
und da sieht man eben, dass eben
durch neuronale Netze und durch
KI eben auch unglaublich
viel, also eine ganze
Menge an neuen Sachen kreiert werden kann,
quasi auch Knopfdruck, deshalb finde ich das
ein wunderschönes Beispiel dafür.
Genauso gut wird durch KI
wird das Leben auch
mehr Nuancen bekommen, das sehen wir hier
oben, da haben wir so eine Schale
und eben eine Tasse, jetzt
wurden dort unglaublich viele Bilder von Tassen
und Scheinen reingefüttert, ein sogenanntes
Autoencoder-Netzwerk, das ist im Endeffekt auch
ein neuronales Netz,
wo man sagt, dass die Eingabemenge gleich
der Ausgabemenge entsprechen muss,
das heißt man trainiert dem Netz quasi
die Identitätsfunktion an,
bei Bildern entspricht das einer
Tiefpassfilterung, das heißt da kann ich
ein Bild einfüttern, sage ich, möchte ich das
selber raushaben und der nimmt mir dann
die ganzen
Störungen aus dem Bild raus und hier
hat man das dann eben genutzt, damit man
eben alle Nuancen von der Schüssel und der
Schale eben abfragen kann, das heißt
ich kann hier unendlich viele
Nuancen eben dieser beiden Objekte
abfragen und im unteren Bild seht ihr
dann eben, wie das dann eben auch beim Auto sein
könnte, da könnte ich jetzt den Polo reinfüttern,
zum Beispiel Erfolgswagen und vielleicht
dann den Touareg als Geländewagen und wenn ich das
dann eben mixe, dann kommt da raus
bei so etwas wie der Mini SUV,
der Tiguan,
der ja die letzten Jahre sehr gut verkauft wurde
und deshalb ist eben hier die Frage,
wie viele Zahlen liegen zwischen 0 und 1
und alles unendliche Nuancen gibt.
Das heißt, durch künstliche
Intelligenz wird eben viel Neues
entstehen, es wird auch viel,
viele Prozesse, auch kreative Prozesse
unterstützt werden können, das sieht man
hier bei dem Assisted Freehand Drawing,
da wurden dann eben
Zeichnungen reingefüttert und wenn ich dann
jetzt selber anfangen würde zu zeichnen,
dann kann ich da eben dann im kreativen Prozess
unterstützt werden. Jetzt kann man natürlich
sagen, ist das dann noch Kreativität
oder nicht, das ist auch hier in dem Beispiel
jetzt des Bücherschreibens so,
da hat einer eine Datenmenge genommen
von Science Fiction Zeitschriften,
hat die dort reingefüttert und was man
jetzt machen kann ist, dass man anfängt zu schreiben
und auf Basis der ganzen Wörter, die
das neuronale Netz gelernt hat,
bekomme ich dann quasi Vorschläge.
Jetzt kann natürlich der Schriftsteller
sagen, das ist doch nicht mehr Schreiben,
aber genauso kann man auch argumentieren,
dass das jetzt quasi eine Regisseurfunktion ist,
das heißt, dass man dann quasi
vordefinierte Blöcke zusammensetzt
und dadurch natürlich auch was Neues
entstehen kann. Aber ich finde es einfach ein
wunderschönes Beispiel dafür, wie man eben
so einen Schreibprozess unterstützen kann und den hat man
ja nicht nur beim Bücherschreiben, den hat man auch
beim Schreiben von Lastenheften zum Beispiel
in der IT, den hat man beim Schreiben
von Anforderungsdokumenten,
den hat man beim Schreiben von irgendwelchen
sonstigen, bei Briefen vielleicht auch,
die man selber schreibt. Und da
gab es jetzt auch einen Algorithmus in den letzten
Jahren, den GPT-2-Algorithmus
und der war in der Lage,
nur auf Basis eines Überschritts, die man ihm
gegeben hat, aus dem Netz eben die passenden Texte
zusammenzusuchen und auch daraus
dann einen Text zu erstellen, wo die Ergebnisse
so gut waren, dass die Wissenschaftler
bezögert haben, diesen Algorithmus zu veröffentlichen,
weil sie dann eben Angst hatten, dass dadurch
irgendwelche Fakings generiert werden können.
Und da sieht man dann auch einfach,
wo mittlerweile schon das maschinelle Lernen
von der Genauigkeit und von der
Performance quasi ist,
durch die neuronalen Netze maßgeblich getrieben.
Deshalb schauen wir uns
jetzt auch die neuronalen Netze an, besonders
auch das Deep Learning.
Das Deep Learning, das umschreibt genau
die neuronalen Netze, die eben mehrere
Schichten aufbauen. Das heißt, wo man
früher eben nur einzelne Neuronen hat, die man
sich quasi aus dem Hirn abgeguckt hat,
die das Hirn verschaltet ist, hat man gesagt,
man nimmt eben noch sogenannte Schichten,
wo man solche Neuronen miteinander
verknüpft. Und ursprünglich war es eben
unglaublich schwer, diese Netze zu
trainieren. Das heißt, bis zu den 80er,
90er Jahren war man gar nicht in der Lage,
so richtig das Problem zu lösen. Ich hatte
da auch mal mit einem bekannten Forscher
drüber geredet, mit dem Joshua Banjo
aus Kanada, der als einer
der maßgeblichen Professoren gilt,
die hier einen Durchbruch erzeugt haben. Und der hat
mir dann erklärt, dass sie dann irgendwann
diese Probleme des Trainings
gelöst haben, in diesen tiefen neuronalen Netzen,
indem sie so ein Preclustering auf die Ebene
gemacht haben. Ich habe es nicht ganz verstanden. Ich habe
dann gefragt, ja, aber wie sei ich denn darauf gekommen?
Dann hat er gesagt, einmal ausprobiert.
Dann war ich so, warum funktioniert das jetzt? Dann hat er gesagt, keine Ahnung.
Ich so, okay, naja,
das ist spannend. Und dann hat er gesagt,
das ist eben jetzt der praktische Stand der Forschung,
aber diese tiefen neuronalen Netze, die erreichen
eben unglaubliche Genauigkeiten. Aber daran
sieht man auch mal, wo da eben momentan
die Forschung ist. Im Bereich
der Automobilindustrie gab es
da ein Unternehmen, was sehr stark
uns
alle überrascht hat. Das ist NVIDIA,
eigentlich ein Grafikkartenhersteller.
Und die haben es geschafft, nur durch diese neuronalen
Netze, eine besondere
Unterkantung, nämlich die Convolutional
Neural Networks, die noch eine Art
Faltung machen auf den Eingangsdaten.
Das heißt, nicht jedes Pixel aus dem Bild
zum Beispiel nimmt, sondern immer eine Menge,
die drumherum ist. Und die haben es geschafft,
nur auf Basis von Bildern eben wirklich
einen Algorithmus anzutrainieren,
in der Lage ist, eben ein Fahrzeug, wie wir dort sehen,
autonom zu fahren.
Mein Team und ich nutzen das auch selber dafür,
um eine Fahreridentifizierung zu machen.
Da nutzen wir nicht nur diese Faltungsnetze,
die Convolutional Neural Networks, sondern auch
sogenannte rekurrente neuronale
Netzwerke, wie man sie zum Beispiel auch
bei so einem Verfassen eines Textes
nutzen könnte, was ich euch vorher gezeigt hatte,
wo man die ganzen Science-Fiction-Zeitschriften
reingefüttert hat. Und unsere
These war es, ob man auf Basis des Fahrverhaltens
wirklich einen Fahrer identifizieren kann.
Das heißt, dass man sieht, wer es ist,
nur auf Basis des Fahrverhaltens. Und das konnten wir auch
belegen.
Neben diesen
tiefen neuronalen Netzen ist auch
das Reinforcement Learning ein großer Treiber
im Bereich des Deep Learnings.
Da kommen wir gleich auch noch
drauf zu. Da hatte Google
unglaubliche Durchbrüche erzielt in den letzten
Jahren. Und um das jetzt mal kurz
abzugrenzen, ist eben das, was ihr vorgesehen
habt, ist immer das überwachte Lernen.
Das heißt, wenn ich so ein tiefen neuronales
Netz habe, dann brauche ich normalerweise
irgendwelche Daten, was in unserem
ersten Beispiel eben war, ob der
Hund bei dem Mathematikerpärchen
gewählt hat oder nicht. Und dann kann ich
die ganzen Daten hier angucken und sagen, wann
wählt er, wann wählt er nicht. Das ist quasi
das Labeling von den Daten, was ich bemühe.
Und auf Basis dessen kann ich ein Netz trainieren.
Beim Reinforcement Learning ist es anders.
Da brauche ich eben nicht im Vorfeld
diese Labels quasi,
diesen strukturierten Datensatz,
sondern ich kann durch
Exploration meiner Umgebung selber
eine optimale Sequenz lernen.
Das heißt, dadurch bin ich eben in der Lage,
dann abfolgend zu lernen. Und das entspricht
so etwas, wie der Mensch eben
selber auch das Laufen lernt oder wie er
im Rechenbeispiel von Google eben so
eine Kreatur sieht,
die eben lernt, zu laufen
wie eine Spinne, nur auf Basis dessen, dass sie
Feedback aus ihrer Umgebung bekommt.
Und den großen Durchbruch, den dort eine
Firma hatte, die hieß DeepMind,
die wurde auch ruckizucki von Google
dann gekauft. Und was ihr hier seht,
ist, dass nur auf Basis der Pixelinformation
so eines alten Atari-Spiels
das Breakout heißt. Ich kenne es
selber noch aufgrund meines
fortgeschrittenen Alters natürlich.
Also ich habe das selber, als ich Jugendlicher
oder Kind war, habe ich das gespielt. Da hat man
unten so einen Paddel und hat dann so einen Ball
und da muss man oben die Steine, die Bricks irgendwie
kaputt machen. Und dieses
neuronale Netz auf Basis von
Deep Reinforcement Learning war eben in der Lage,
relativ schnell, wirklich die Top-Strategie
zu lernen, indem es erstmal
im ganz rechten Bild eben so
einen kleinen Tunnel auf der linken Seite
aufbaut und dann eben den Ball dort
durchschießt und dadurch werden die Steine natürlich
in Rekordzeit dann quasi abgebaut.
Und das ist genau das, was wir am Anfang gesehen haben,
was ich meinte mit diesen Insights
und dem Wisdom, wo eben jetzt so
ein neuronales Netz in der Lage ist,
eben etwas zu lernen,
was auch wir Menschen eben nur
ja, durch Intuition
oder durch ganz viel Ausprobieren lernen.
Und das Deep Reinforcement Learning,
das ist eben so aufgebaut, dass ich dann eben so eine
Umgebung brauche, die ja einen Zustand gibt,
das ist zum Beispiel bei diesem Atari-Spiel
dann eben Pixel, und ich lerne dann
durch Ausprobieren, was die optimale Strategie
ist. Sehr viel
ja im Funk und Fernsehen war das
eben hoch bekannt,
als dann rauskam, dass so ein Algorithmus
in der Lage war, vom Kugel trainiert den
Pro-Weltmeister zu schlagen. Und auch
da hat es dann den
Weltmeister nur dadurch geschlagen, dass es im letzten
Schritt so eine
Kombination gemacht hat, die der
Gegenspieler selber auch nicht vorher gesagt hat,
der Weltmeister. Und das war wieder auch
so ein Kniff, wo man sagt,
das war eben diese Weisheit,
diese Insights, wo man früher nicht gedacht hatte, dass
neuronale Netze das können. Aber eben
dadurch, dass es unglaublich viele Datenmengen
hatte und sich selber trainiert hat,
am Anfang eben gegen echte Spieler gespielt hat,
und danach in der Lage
eben selber Sachen zu lernen, die der Mensch
vorher eben nicht so
lernen konnte.
Ich habe schon gesagt,
dass man den Zustand
aus der Umgebung erheben können muss
und dann eben ausprobieren muss.
Das Spannende jetzt hier, warum das auch
sehr viel Hoffnung macht für die Automobilindustrie,
ist, dass eben nur die Pixelinformationen nötig waren.
Das heißt, man hat vier
Bilder genommen von diesem Spiel,
wo auch mal dann eben der Ball drin war,
den man mit dem Pedal irgendwie gelegt hat.
Nur auf Basis dieser Pixelinformation
von vier abfolgenden Bildern war man
eben in der Lage, diese optimale Kontrollstrategie,
das heißt, dass ich lerne, dass ich erst
den Tunnel schießen muss und dann den Ball dadurch
und dass ich dann die Steine oben dadurch
selber abbauen, war ich eben in der Lage,
das eben zu erlernen und
in der Automobilindustrie beim autonomen Fahren
würde das eben bedeuten, dass man nur
eine Kamera quasi auf das Dach schraubt
und auf Basis eben des Ausprobierens,
wenn ich durch die Gegenfrage, was wir
in dem Video gesehen haben,
eben lernen könnte, wie ich eben wirklich
autonom fahre. Das heißt, ich muss eben
nicht diese ganzen Mengen von Daten selber
einfahren, sondern man könnte das eben nur
durch
das Ausprobieren des
Autos, dass es das selber macht, eben
diese optimale Strategie lernen.
Das ist eben jetzt auch die große Hoffnung
oder wie hier steht, das
Promise of Deep Learning und Reinforcement Learning.
Das Deep Learning, wie wir gesehen haben,
mit diesen Convolutional Neural Networks oder mit den
Recurrent Neural Networks, soll eben
das sogenannte Perception, das Wahrnehmungsproblem
in der Automobilindustrie lösen.
Das heißt, dass man nur auf Basis von
Sensorik die Umgebung
wahrnehmen kann, was ja auch bei
einigen Automobilherstellern bisher
noch nicht so gut geklappt hat,
was ich jetzt hier aber nicht
ins Detail gehen möchte. Aber
das Deep Learning, das soll eben genau
dieses Wahrnehmungsproblem lösen und das
Reinforcement Learning soll eben in der Lage
sein, die optimalen Sequenzen zu lernen.
Das heißt, dass man eben auf Basis dessen
autonom fahren kann.
So, jetzt kommen wir, nachdem wir uns das
Deep Learning angeschaut haben, eben auf
die maßgeblichen Veränderungen in der
automobilen Wertschöpfungskette.
Und da muss man verstehen, dass
natürlich ist die
Automobilindustrie in einer großen Diskussion
in einer Umwälzung, weil natürlich auch neue
aggressive Player auf den Markt stürmen,
wie zum Beispiel auch ein Tesla.
Ein Tesla ist ein Unternehmen, was natürlich ganz anders
geführt wird als jetzt irgendwie so
ein klassischer Automobilhersteller.
Da gibt es viel mehr Risikokapital.
Und die Hoffnung ist jetzt für die
Automobilhersteller, dass natürlich durch
Dienste, die eben sehr viel
Maschinellisieren auch nutzen und auch so eine
gewisse Intelligenz haben, eben einen starkeren
Bedürfsvorteil bekommen. Das, was
ihr jetzt hier seht, sind so die klassischen
Dienste, wo jetzt viele deutsche Automobilhersteller
bisher tätig waren. Das heißt, sie hatten eher
Reporting-Dienste, wie ein
Fahrtbuch im Fahrzeug oder
dass sie jetzt irgendwo, dass man sich angucken
konnte, wie das Fahrverhalten ist.
Und das, was eben Google sehr stark
macht, ist, dass sie eben auf statistische Analysen
gehen. Das heißt, dass sie eben auf Basis der ganzen
Bewegungsprofile, die man dort hinterlegt,
wie man es vielleicht auch von Google Now kennt,
wenn man morgens das Haus verlässt, dass man
automatisch mit einer Wahrscheinlichkeit
sagen kann, wo man eventuell hingeht,
eine Prädiktion machen kann.
Und das ganz große Geld,
sage ich jetzt mal, ist dort eben zu kriegen in diesen
intelligenten Diensten, die eben eine
Vorhersage machen, eine Prädiktion oder
eben auch eine Optimierung. Da gibt es zum Beispiel
einen Dienst für Uber Eats,
der in den letzten Jahren durch die Decke gegangen
ist, weil der eben relativ genau vorhersagen
kann,
wie lange es dauert, wenn ich mein Essen bestelle, bis
es da ist. Ein großer anderer Player, ich habe
den heute auch schon mehrfach erwähnt, ist Tesla.
Tesla hat zum Beispiel jetzt einen Ansatz gemacht,
den sie Deep Learning nennen. Da
haben sie eben erkannt, um diese
tiefen neuronalen Netze zu trainieren, dass
sie jetzt nicht unbedingt viele Daten brauchen, aber
genau die richtigen und auch realen Daten.
Was sie jetzt gemacht haben, ist, sie haben
ihre Flotte so umfunktioniert, dass
sie sich gezielt Datensätze aus dem Feld
von ihrer Flotte geben lassen können.
Nach Basis dessen dann ihre neuen
neuronalen Netze eben optimieren und trainieren.
Das bedeutet zum Beispiel, wenn sie sehen,
dass jetzt irgendwie ein Fahrrad
detektiert wurde auf der Autobahn,
was natürlich jetzt nicht sein kann, dass sie sich dann
gezielt diese Datensätze geben lassen. Und da haben
sie herausgefunden, dass natürlich manchmal
Fahrräder auch auf solchen
Fahrradträgern drauf sind. Und
dann haben sie eben
sich genau gezielt diese Datensätze geben lassen
und eben gesagt, dass das eben auch
Auto ist mit einem Fahrradbus drauf, was
erkannt wurde und konnte dadurch dann eben diese
Detektion auf der Autobahn reduzieren.
Und das ist nur ein Beispiel dafür, wie sie
sich eben gezielt Datensätze aus dem Feld holen,
um dann eben die neuronalen Netze weiter
zu trainieren. Und das, glaube ich, auch ist ein
unglaublich großer Wettbewerbsvorteil,
den sie aktuell haben, den die deutsche
Automobilindustrie bisher noch nicht so hat.
Deshalb gibt es für die
Automobilhersteller eben vier Positionierungen,
die sie einnehmen können.
Maßgeblich dadurch auch geprägt,
wie stark sie die künstliche Intelligenz
einsetzen werden. Das ist zum einen eben,
wenn sie weder die künstliche
Intelligenz einsetzen, um neue Dienste zu
entwickeln, die sie natürlich brauchen
für solche Fahrzeuge wie den ID.Bus,
diesen neuen Bulli, den wir gesehen haben,
und sie die künstliche
Intelligenz auch nicht nutzen werden
in der Produktion, um ihre Prozesse
zu optimieren, dann werden sie eben
weiterhin der sogenannte Blechflieger
bleiben oder der traditionelle
Automobilhersteller. Wenn sie es
jetzt schaffen, eben spannende
Dienste vielleicht auch anzubieten bei Apps
oder ähnliches, die für die Kunden interessant
sind, aber es eben nicht schaffen, ihre Kosten
zu reduzieren durch ihren Einsatz von Maschinenlärm,
dann werden sie eben so ein Blechflieger
mit IT-Labs sein. Und
eine befürchtete Positionierung ist,
wenn sie jetzt nur schaffen, eben die Kosten zu
reduzieren, aber eben nicht neue Dienste zu entwickeln,
dann könnte man der Foxconn der Automobilindustrie
werden. Foxconn ist genau das Unternehmen,
was für Apple eigentlich alle die meisten
produziert, aber eben
nicht die große Kohle macht, weil nämlich
Apple im Endeffekt das App-Universum hat
und den Touchpoint besetzt. Und das, was
natürlich jeder Automobilhersteller werden möchte,
ist genau der Techie Gun, wie in Amazon,
wie in Google oder auch Netflix,
der eben maschinelles Lernen einsetzt, sowohl
um die Wertschöpfungskette zu optimieren
in Bezug auf Kosten, als auch eben
spannende, coole, neue Dienste
für den Kunden zu entwickeln.
Das, was wir jetzt machen,
das ist so Cutting Edge, sag ich jetzt mal so
im Bereich der Automobilindustrie, ist, dass
wir versuchen, eben maschinelles Lernen
einzusetzen im Bereich Predicted Maintenance.
Das hatte ich ja vorhin schon mal
kurz angeteasert, dass eben die Dienste
im Bereich der Optimierung oder das Forecasting
diejenigen sind, wo wir denken, dass man die stärksten
Wettbewerbsvorteile hat. Und wir versuchen
eben dabei, Automobildaten
dafür zu nutzen, um zu prädizieren,
wann eben ein Bauteil in einem Fahrzeug
kaputt gehen könnte, um dann zum Beispiel
eben das Fahrzeug rechtzeitig zurückzuholen,
damit, wenn es zum Beispiel
zum Taxiunternehmen gehört, der
Taxifahrzeugbesitzer
eben eine optimale
Uptime haben könnte, dass
das Fahrzeug quasi dann eben retardiert wird,
bevor es kaputt geht, oder um zum Beispiel
auch die Währleistungskosten zu reduzieren,
dass wir eben selber sehen, welche Fahrzeuge
in die Werkstatt müssen.
Jetzt kommen wir zu der Zusammenfassung.
Ich hoffe, was ihr mitgenommen habt, ist eben,
dass das maschinelle Lernen wirklich
die Welt disrumpieren wird.
Sie wird sie umwälzen innerhalb der nächsten
fünf bis zehn Jahre. Das ist dadurch getrieben,
dass auch das russische Gesetz weiterhin
gilt, auch wenn man dachte, dass es irgendwann
vielleicht auch wird zu wirken. Aber es ist immer
mehr Rechenpower zur Verfügung, die Datenmengen
sind da. Es gibt jetzt solche Algorithmen,
wie das Deep Learning, die neuronale
Netze, die weiterhin skalieren,
auch wenn die Datenmenge zu extrem
groß ist, was früher nicht möglich war.
Es gibt solche Verfahren wie das Deep Reinforcement Learning,
die auch schon unglaubliche Ergebnisse
erreicht haben.
Die Automobilindustrie muss
einfach darauf reagieren, weil wenn sie das nicht
macht, dann werden sie nicht die Margen haben,
die sie eigentlich benötigen, um zu überleben.
Und sie werden eben keine Dienste
anbieten können, die
eigentlich der Kunde sich wünscht und haben möchte.
Vielen Dank, Michael Neuting,
für den Einblick,
den tiefen Einblick, den wir haben.
Ich glaube, das ist so einer der Vorträge, die man sich
dann immer wieder angucken will
und sollte und vielleicht auch
langsamer schalten sollte, um
die einzelnen Grafiken und einzelnen Details
nochmal nachzuvollziehen, die da drin waren.
Ich hätte noch eine Frage
nach deiner eigenen Einschätzung oder nach Ihrer eigenen Einschätzung,
wie Sie sozusagen die Zukunft in Deutschland,
im Autoland Deutschland sehen, wenn wir
auch auf die sogenannte Konkurrenz,
die ja auch so eine
nicht mehr ganz scharfe Konkurrenz geworden ist, indem
Sie hier in Deutschland sozusagen jetzt auch Fabriken
baut von Tesla und so weiter,
sich anschaut. Schaffen wir
das? Sind wir sozusagen gerüstet?
Ich meine, mit Ihnen
oder gewissermaßen
Varianten aus Ihrem
Kollegenkreis
im KI-Bereich werden wir wahrscheinlich
gut gerüstet, um das
dazu zu sagen. Aber wie sieht es denn
insgesamt aus? Es gibt viele Jobs, die da dran hängen
in der Automobilindustrie und viele
Fragezeichen vielleicht, die auftauchen
in Deutschland.
Wo stehen wir denn,
wenn man mal so perspektivisch projiziert,
in den nächsten zehn
Jahre in der Welt, was
KI und Automotive angeht?
Ja, das ist auf alle Fälle
eine extrem spannende Frage. Ich glaube, wo
wir in Deutschland sehr gut drin sind, ist in der
Produktion. Das ist ja auch da, wo die Automobilhersteller
sehr stark drin sind, wo man ja auch
gesehen hat, dass zum Beispiel Tesla da jetzt die letzten
Jahre ein bisschen am Stöhnen war, als sie dann wirklich
in Masse Fahrzeuge produzieren wollten.
Und was wir jetzt quasi schaffen müssen, ist,
unabhängig von der künstlichen Intelligenz,
das ist ja im Endeffekt auch nur
ein Teil Software-Code. Wir müssen eben in der Lage sein,
wirklich dann auch Software, die quasi
in der Produktion eben vom Band fließen
zu lassen. Und ich glaube, das ist so die große
Herausforderung, die wir dann eben hinbekommen müssen,
dass wir quasi zum Software-Unternehmen
werden. Das sieht man ja auch bei immer mehr Automobilherstellern,
dass sie genau versuchen, diese Transformation
einzugehen. Und ob man das wirklich
schafft, das wird man dann,
kann ich, wenn ich ganz ehrlich bin, nicht beantworten.
Also mich kann einfach nur die Herausforderung
aufzeigen. Zum einen muss man natürlich
dann irgendwo dieses Mindset ins Unternehmen
reinbringen, dass man eben jetzt ein Software-Unternehmen ist.
Ich glaube, da müssen dann auch die passenden
Werte mit in die Unternehmen reinkommen.
Das heißt, dass man von der alten,
stark hierarchischen Führung eben auch
so ein Führungsverhalten geht, wie das bei den Startups
ist. Das nennt man transformationale
Führung. Das ganze Wertekorsett
muss quasi dazu passen und wir müssen
eben in der Lage sein, Software so zu behandeln,
als wenn wir eben wirklich
ein Auto vom Band laufen lassen wollen.
Und welche Aufgaben
oder welche spezifischen neuen Aufgaben
kommen denn auf Software-Development
hinzu? Ich habe vorhin in der Grafik gesehen, dass ja
auch im Prinzip Software-Development oder
Entwicklung allerdings zu
den sterbenden Berufen gehört, wenn man da so will,
dass die neuronalen Netze das auch zum Teil
übernehmen können und sich sozusagen selbst reproduzieren
und Programmcode ja auch
schon in Höhe und Fülle vorhanden ist, der sozusagen
als Quelle oder als Datensatz
wieder sozusagen rückeingespeist werden
kann und in dem Zirkel von
Reproduktion oder Reinforcement
weiterverwertet
werden kann. Geht es dann mehr um Überwachung
der Maschine sozusagen am Ende oder wie
würde denn das Verhältnis zwischen Mensch und Maschine
neu bestückt werden dadurch?
Ja, also ich glaube, dass natürlich
jetzt dieser kreative Prozess, den wird man
nie so wirklich voll durch so
ein Neuronatnetz
oder maschinelles System ersetzen
können, weil im Endeffekt kann das ja auch nur das, was
ihm antrainiert wurde. Deshalb man braucht
quasi diese gelabelten Datensätze zum Beispiel
beim Deep Learning ganz massiv.
Was wir gesehen haben in dem
Chart war dieser IT
Operations Technician.
Das ist derjenige, der quasi dann
das ganze System überwacht und betreibt, dass
man das sehr gut automatisieren kann, aber wirklich
dieser kreative Schöpfungsprozess, das heißt, dass man
sich überlegt, was ist ein neuer Dienst, den
auch dann der Kunde interessieren kann, weil die Kunden
werden ja auch immer komplizierter.
Früher war das so, dass ich Kunden noch über
sein Alter und über seinen Geschlecht sehr
gut targetieren konnte. Heutzutage ist es
so, dass es eben immer stärker
über Eigenschaften geht. Das heißt, ich möchte
den jungen Vater, der vielleicht Handel,
der Triathlon macht, das passende Fahrzeug verkaufen
und diese Eigenschaften,
die werden immer mannigfaltiger und
dadurch wird es immer schwieriger, wirklich
eine Zielgruppe zu targetieren.
Ich glaube, die große Herausforderung wird es
dann eben sein, wirklich den Kunden die
richtigen Dienste dann auch zu liefern, auch schnell
zu liefern, das heißt, innerhalb von Tagen
oder Wochen diese Sachen zu entwickeln
und dafür wird man natürlich sehr
intensiv gute Softwareentwickler benötigen
und die muss man natürlich dann auch erstmal
in Deutschland finden, die muss man
eben dann ausbilden
und das sind eben dann die großen Herausforderungen.
Die Ausbildung ist
natürlich dann auch ganz entscheidend, also die
Frage ist, wo sollen diese ganzen Softwareentwickler
herkommen und wie kann man sie
dazu bringen, dass sie dann eben auch in der Lage sind,
schnell und gut Software zu entwickeln
und da wird auch eine große Herausforderung natürlich
sein in der Transformation, dass man
dann eben den bisherigen Code, der vielleicht
dort entstanden ist, der ja maßgeblich in der
Automobilindustrie durch Dienstleister
geschrieben wurde, wie man den dann eben auch dazu bringt,
dass eben Leute innerhalb des Automobilherstellers
das selber entwickeln können und dann eben
auch diesen Code verstehen und dann
eben die spannenden Kundenfunktionen
von morgen dann eben auch selbst entwickeln können.
Ja, vielen Dank
Michael Nolting, Dr. Ingenieur
Michael Nolting, für diese Einblicke
in eine auf jeden Fall
unvermeidliche
Thematik, die wir
in den kommenden Jahren und
naja, Jahrzehnten wahrscheinlich
alle auf dem Schirm haben müssen.
Vor allem, weil wir
jetzt auch aus der Praxis den Eindruck hatten,
heute bei Taste of Science im Programm
nicht nur rein der Wissenschaftlerinnen und Wissenschaftler,
sondern auch die Verbindung
zu den alltäglichen, vielleicht sogar
den unmittelbaren Fragen, die
Arbeitnehmerinnen und Arbeitnehmer heute betreffen
und die Zukunft ihrer Ausbildung und Weiterbildung.
Vielen Dank und
bis morgen bei Taste of Science.