Anwendungen
Hier aufgelistet finden Sie reale Anwendungen unserer Technologie. Überzeugen Sie sich, wie Unternehmen aus verschiedenen Branchen unsere Technologie nutzen, um komplexe Herausforderungen zu lösen. Finden Sie heraus, wie wir Ihre Abläufe verändern und verbessern können.
Zertifizierung von KI-Systemen
In sicherheitskritischen Systemen sind Software-Zertifizierung und -Verifizierung wesentliche Prozesse, um sicherzustellen, dass alle Komponenten strenge Sicherheits- und Leistungsstandards erfüllen. Dies ist besonders wichtig bei KI-Systemen, wo die verwendeten Methoden einer formalen Bewertung unterzogen werden müssen, um ihre Zuverlässigkeit und Robustheit zu gewährleisten. Ein wichtiger Aspekt der Zertifizierung dieser Systeme ist die umfassende Verifizierung, um zu bestätigen, dass die KI in diesen hochsensiblen Umgebungen sicher und effektiv arbeitet.
KI-Zertifizierung in Industriellen Anwendungen
Die Zertifizierung ist ein entscheidender Prozess, um sicherzustellen, dass KI-Systeme etablierte Standards und Vorschriften einhalten. In industriellen Anwendungen, in denen KI physische Systeme steuert und mit menschlichen Bedienern interagiert, ist die Durchführung einer ordnungsgemäßen Bewertung von KI-Systemen entscheidend für die Aufrechterhaltung des Sicherheits-, Leistungs- und Zuverlässigkeitsniveaus dieser Systeme. Eine Zertifizierung beweist nicht nur die Einhaltung von Industrienormen, sondern schafft auch Vertrauen bei den Beteiligten, einschließlich Kunden, Partnern und Aufsichtsbehörden.
- Erhöhte Sicherheit: Gewährleistet, dass KI-Systeme die gesetzlichen Anforderungen erfüllen, und verringert das Risiko von Fehlern in kritischen Anwendungen.
- Einhaltung von Vorschriften: Hilft Unternehmen bei der Einhaltung des EU-KI-Gesetzes und internationaler Vorschriften, um rechtliche Probleme zu vermeiden.
- Innovation & Wettbewerbsfähigkeit: Treibt den technologischen Fortschritt voran, ermöglicht einen breiteren Marktzugang und zieht Partner an.
ISO/IEC 24029 ist eine wichtige Zertifizierungsnorm, die speziell auf die Bewertung von KI-Systemen ausgerichtet ist. Sie bietet Richtlinien für die Bewertung der Robustheit, Genauigkeit und Transparenz von KI-Technologien, die zunehmend in industrielle Anwendungen integriert werden. Eine Zertifizierung nach ISO 24029 ist für Unternehmen, die sicherstellen wollen, dass ihre KI-Systeme sicher und zuverlässig funktionieren, unerlässlich. Außerdem bietet sie einen Wettbewerbsvorteil, da sie einen breiteren Marktzugang ermöglicht, mehr Geschäftspartner anzieht und die Umsatzmöglichkeiten erhöht.
AI-Zertifizierung Vereinfacht Durch Datenvorsprung
Wir von Datenvorsprung wissen, wie wichtig es ist, eine ISO/IEC 24029-Zertifizierung für KI-gesteuerte industrielle Anwendungen zu erhalten. In Zusammenarbeit mit Zertifizierungsbehörden bieten wir umfassende Sicherheits- und Robustheitstests an, die ein wesentlicher Bestandteil des Zertifizierungsprozesses sind. Unser Software-Tool ermöglicht die formale und statistische Überprüfung von KI-Systemen und stellt sicher, dass sie die strengen Standards der ISO/IEC 24029 erfüllen. Darüber hinaus bieten wir fortlaufende Bewertungsdienste an, um sicherzustellen, dass die Systeme konform bleiben, wenn sie sich weiterentwickeln und neue Bedrohungen oder Herausforderungen auftreten. Durch die Integration unseres Tools in den Zertifizierungsprozess können Unternehmen Zeit und Kosten sparen und das Vertrauen ihrer Stakeholder gewinnen. Die kontinuierliche Bewertung und Einhaltung von Industriestandards gewährleistet, dass KI-Technologien sicher und marktfähig sind, und verschafft Unternehmen Wettbewerbsvorteile und Marktzugang.
Verifizierung von Cyber-Physischen Systemen
In sicherheitskritischen cyber-physischen Systemen sind Software-Zertifizierung und -Verifizierung wesentliche Prozesse, um sicherzustellen, dass alle Komponenten strenge Sicherheits- und Leistungsstandards erfüllen. Dies ist besonders wichtig bei KI-gesteuerten Systemen. Unser zum Patent angemeldetes Tool TraceTube wird eine wichtige Überprüfung solcher Systeme ermöglichen. TraceTube analysiert Systeme nur auf der Grundlage von Testdaten, ohne dass das Modell selbst bekannt sein muss. Eine Übertragung Ihres trainierten KI-Modells ist nicht erforderlich.
Verifizierung einer Robotikeinheit am Beispiel eines KI-gesteuerten Cartpole-Systems
Das System besteht aus einem beweglichen, magnetisch angetriebenem Cart auf einer XTS-Transportschiene der Firma Beckhoff GmbH. Auf dem Cart ist eine frei schwingende Pole montiert. Sowohl die Position des Carts als auch der Winkel der Pole werden von Sensoren gemessen. Die folgende Sequenz soll ausgeführt werden:
- Aufschwingen der Pole unter Verwendung eines sensorbasierten SwingUp-Modells (Position und Polewinkel).
- Balancing der Pole unter Verwendung des sensorbasierten Balance-Modells. Dieser Schritt wird für eine vordefinierte Anzahl von Zeitschritten durchgeführt.
- Balancing der Pole mit Hilfe eines bildbasierten Balance-Modells (die Bildverarbeitung kann entweder über OpenCV oder ein CNN erfolgen).
Unsichere Zustände im Cartpole-System
Während des Aufschwingens dieses Cartpole-Systems ist eine starke Beschleunigung des Carts in beide Richtungen erforderlich. Um die Sicherheit sowohl der Hardware als auch der nebenstehenden Personen zu gewährleisten, ist es wichtig, die Sicherheit des Systems zu testen. Der Begriff “Sicherheit” setzt voraus, dass die Position des Carts zu keinem Zeitpunkt während des Aufschwingvorgangs die physikalischen Grenzen der Schiene überschreitet.
Aufgrund der großen Verzögerung durch die Bildverarbeitung bei der Steuerung des Carts zum Balancieren bei Verwendung des Videos als Eingabe, wird ein anderes Modell als das sensorgestützte Balance-Modell verwendet. Dieses unterschiedliche Verhalten der beiden Steuerungen und der daraus resultierende harte Übergang zwischen winkel- und videobasiertem Balancing erfordert ebenfalls eine Analyse der Sicherheit des Systems durch TraceTube. Der Begriff “Sicherheit” impliziert in diesem Fall nicht nur, dass der Wagen nicht die physikalischen Grenzen der Schiene überschreitet, sondern auch, dass das Pendel während dieser Übergangsphase in der aufrechten Position bleibt.
Verifizierung mit Hilfe unseres Tools TraceTube
TraceTube wurde verwendet, um die Sicherheit in diesen drei verschiedenen Fällen zu bestimmen.
1) Prüfung der Sicherheit des Aufschwungs
Ein sicheres Aufschwingen ist dadurch definiert, dass das Cart die physikalischen Grenzen der Schiene von [-500mm, 500mm] nicht überschreitet. Das folgende Diagramm zeigt die Reachtube für die Position des Carts (Ausgabe von TraceTube). Die konstruierte Reachtube ist mit einer Konfidenz von α = 95% korrekt. Das Risiko (der maximale Prozentsatz der Traces, welche die Reachtube an einem Zeitschritt verlassen) wurde mit pr = 4,972% berechnet.
Mit einer Sicherheit von α = 95% kann der TraceTube-Algorithmus die konstruierte Reachtube verifizieren und (da die Reachtube in keinem Zeitschritt unsichere Zustände kreuzt) die Sicherheit des Systems während dieser Phase mit einem Risiko von pr = 4,972% gewährleisten.
2) Prüfung der Sicherheit des Balancierens beim Wechsel vom sensorbasierten Swingup-Modell zum bildbasierten OpenCV-Balance-Modell.
Ein sicheres Balancing beinhaltet
1. keine Überschreitung der physikalischen Grenzen der Schiene von [-500mm, 500mm], sowie
2. eine Aufrechte Position des Poles in jedem Zeitschritt [-0.3rad, 0.3rad].
Beide Randbedingungen wurden in einem TraceTube-Lauf gemeinsam überprüft. Die resultierenden Reachtubes für die Position des Carts und den Winkel des Poles sind in der folgenden Grafik zu sehen.
3) Sicherstellung der Sicherheit des Balancierens beim Wechsel vom sensorbasierten Swingup-Modell zum bildbasierten CNN-Balance-Modell.
KI-Steuerungen in der Automatisierungstechnik
Die industrielle Automatisierung revolutioniert den Fertigungssektor durch die effiziente Steuerung komplexer und dynamischer Prozesse. Mit dem Aufkommen von Industrie-4.0-Technologien ist die Gewährleistung der Sicherheit und Zuverlässigkeit dieser Systeme zu einem wichtigen Anliegen geworden. Da bei der KI häufig Black-Box-Modelle verwendet werden, bei denen die Ausgabe des Systems nicht vorhersehbar ist, besteht ein wachsender Bedarf an einer formalen Bewertung und Überprüfung dieser Systeme. Durch die Entwicklung sicherer KI-Steuerungen und die Integration von Verifizierungswerkzeugen in die cyber-physischen Systeme können Unternehmen Prozesse optimieren und die Sicherheit ihrer Systeme gewährleisten.
KI-getriebene Industrielle Transformation
- Prozess-Optimierung: Verringerung von Materialverschwendung und Energieverbrauch durch präzise Steuerung in Echtzeit.
- Anpassungsfähigkeit: Unterstützt schnelle Umschulung und Neukonfiguration, um unterschiedliche Produktionsgrößen und -anforderungen zu bewältigen.
- Kompatibilität: Kontrolle und reibungslose Integration verschiedener Geräte und Ersatzteile, um die gewünschten Leistungsniveaus und Spezifikationen zu erreichen.
Strategische Partnerschaft für KI-gesteuerte Industrieautomation
Datenvorsprung bietet Dienstleistungen für die industrielle Automatisierung an.
- Sichere KI-Controller-Entwicklung: Wir entwickeln kundenspezifische KI-Controller für industrielle Anwendungen, die flexible Aufgaben erfüllen und sicherstellen, dass sie robust, anpassungsfähig und in der Lage sind, in einer Vielzahl von Betriebsszenarien sicher zu funktionieren.
- KI-Verifizierung: Mit unserem hauseigenen Verifikationstool (Patent angemeldet) bieten wir eine gründliche statistische Analyse und Validierung von KI-Controllern, um zu gewährleisten, dass die Maschinen wie vorgesehen funktionieren.
Partnerschaft mit Branchenführern
In Zusammenarbeit mit der Beckhoff Automation GmbH hat Datenvorsprung einen Anwendungsfall entwickelt, um die Expertise beider Unternehmen bei der Entwicklung eines robusten, KI-gesteuerten Steuerungssystems zu nutzen. Diese Zusammenarbeit brachte die fortschrittlichen Hardware-Fähigkeiten von Beckhoff und die innovativen KI-Softwarelösungen von Datenvorsprung zusammen, um Roboter mit maschinellem Lernen in industriellen Umgebungen zu steuern und zu verifizieren.
Im Rahmen dieser Zusammenarbeit entwickelte Datenvorsprung einen KI-Controller für ein Cart-Pole-System, welches in der Beckhoff-Hardware implementiert wurde. Nach dem Entwurf der KI haben wir unser hauseigenes Verifikationstool eingesetzt, um die Sicherheit und Robustheit des Systems zu verifizieren und die Stabilität zu gewährleisten. Dieser integrierte Aufbau ermöglichte die Simulation und Verifikation eines klassischen Steuerungsproblems, wie z.B. des Cart-Pole-Systems, und stellte ein Beispiel für die Anwendbarkeit unseres Tools in der industriellen Automatisierung dar.
Robustheit Gegenüber Schwankenden Sensoreigenschaften
In modernen industriellen Systemen spielen Sensoren eine wichtige Rolle bei der Datenerfassung und Entscheidungsfindung. Der Einsatz mehrerer Sensoren kann jedoch kostspielig und problematisch werden, insbesondere in dynamischen Umgebungen. Für KI-gesteuerte Anwendungen müssen die Daten, die in Lernmodelle einfließen, konsistent und zuverlässig bleiben. Die Sicherstellung der Systemrobustheit, um mit weniger, dafür aber widerstandsfähigeren Sensoren effektiv arbeiten zu können, reduziert die Redundanz der Ausrüstung und minimiert die Kosten. Die Möglichkeit, bei Bedarf alternative Datenquellen zu nutzen, verleiht Unternehmen Flexibilität und betriebliche Effizienz und senkt das Risiko von Systemausfällen.
Systemrobustheit Gegen Schwankende Komponenteneigenschaften
In der industriellen Automatisierung sind Sensoren einer Vielzahl von Herausforderungen ausgesetzt, darunter Temperaturschwankungen, elektromagnetische Störungen, mechanische Vibrationen und potenzielle physische Hindernisse. Die Fähigkeit eines Sensors, unter diesen Bedingungen optimal und ohne Leistungseinbußen zu funktionieren, ist ein Beweis für seine Robustheit. Darüber hinaus ist die genaue Übertragung von Sensordaten für das effektive Training und den Echtzeiteinsatz von Modellen unerlässlich. Jede Abweichung oder jedes Rauschen in den Sensordaten kann zu einer suboptimalen Entscheidungsfindung durch das KI-System führen, was wiederum die Integrität des gesamten Systems gefährden könnte.
Unsere Lösung
- Leistungskonsistenz über Komponentenvarianten hinweg: Antizipieren des Systemverhaltens zur Aufrechterhaltung einer optimalen Leistung über verschiedene Komponenten hinweg, unabhängig von Hersteller, Typ oder Preisklasse.
- Fehlerbehandlung & Ausfallsicherung: Ermöglicht die reibungslose Integration alternativer Datenquellen die den Betrieb übernehmen, wenn Sensoren in KI-Systemen ausfallen oder schlecht funktionieren, wodurch die Betriebskosten gesenkt und die Effizienz gesteigert werden.
- Sicherstellung der Zuverlässigkeit von KI-Systemen: Sicherstellung des gewünschten Systemverhaltens unter wechselnden Umgebungsbedingungen, um langfristige Robustheit und Sicherheit zu gewährleisten.
Von der Simulation zur Realität (Sim2Real Gap)
In vielen industriellen Anwendungen spielen Simulatoren eine wichtige Rolle bei der Entwicklung und Prüfung von Modellen des maschinellen Lernens (ML). Eine große Herausforderung ergibt sich jedoch, wenn diese Modelle, die in simulierten Umgebungen trainiert und validiert wurden, in realen Szenarien nicht zuverlässig funktionieren. Diese Herausforderung, die oft als „Realitätslücke“ bezeichnet wird, ist eines der größten Hindernisse beim Einsatz von ML-Modellen für die industrielle Nutzung. Die Realitätslücke ist auf mehrere Faktoren zurückzuführen, darunter Probleme bei der Systemidentifizierung, unvollständige oder vereinfachte Modellierung und inhärente Hardwarebeschränkungen. Die Überbrückung dieser Lücke ist entscheidend, um sicherzustellen, dass ML-Modelle in realen industriellen Szenarien sicher und effektiv funktionieren.
Unsere Lösung für die Sim2Real Gap
Durch die Durchführung einer Intervallanalyse der Betriebsparameter des Systems können wir die Grenzen bestimmen, innerhalb derer das System zuverlässig arbeiten wird. Hält sich das System während der Simulation innerhalb dieser Grenzen, können wir uns ein besseres Bild von der Leistung in der realen Welt machen. Unsere Technologie liefert zwei wichtige Erkenntnisse: eine klare Ja-oder-Nein-Antwort darauf, ob das simulierte System unter realen Bedingungen funktionieren wird, sowie ein Verständnis der Parameterbereiche, innerhalb derer das System sicher und effektiv arbeiten kann.
Ein Beispiel für die Sim2Real Gap ist ein Roboterarm, der von einem Deep-Learning-Modell gesteuert und in einer Simulation getestet wird. Während der Roboter in einer kontrollierten Simulation eine gute Leistung erbringt, könnte seine Leistung in einer realen Fertigungsumgebung mit variablen Bedingungen abnehmen, was zu Fehlern oder Sicherheitsrisiken führen könnte. Die Überbrückung dieser Lücke ist von entscheidender Bedeutung, um sicherzustellen, dass ML-Modelle sicher und effektiv arbeiten können, wenn sie außerhalb der Simulation eingesetzt werden, wo die Umgebung weit weniger vorhersehbar ist. Die Überwindung der Simulationslücke kann eine Herausforderung sein, die in verschiedenen Branchen wie der Automobilindustrie, der Luft- und Raumfahrt und dem Gesundheitswesen auftreten kann.
Vorteile Unserer Technologie
Unsere Technologie schließt die Sim2Real Gap, indem sie eine formale statistische Verifizierung von KI-Modellen ermöglicht und damit sicherstellt, dass ihre Leistung in der Simulation auch in realen Anwendungen korrekt wiedergegeben wird. Wir von Datenvorsprung helfen dabei, die Robustheit von KI-Systemen sicherzustellen, indem wir uns darauf konzentrieren, wie konsistent der Output eines Modells bleibt, wenn es neuen Umgebungsbedingungen ausgesetzt wird. Unser Tool wurde speziell entwickelt, um sicherzustellen, dass die Leistung von KI-Modellen beim Übergang von der Simulation zur Realität nicht signifikant von den Erwartungen abweicht.
- Verbesserte Systemidentifizierung: Verbesserte Genauigkeit bei der Identifizierung der Systemdynamik innerhalb von Simulationen, was zu realistischeren Modellen führt.
- Verbesserte Modellierungsvollständigkeit: Fortgeschrittene Techniken, die ein breiteres Spektrum von Variablen berücksichtigen, so dass ein ordnungsgemäßes Funktionieren in der Realität gewährleistet ist. Dadurch werden Diskrepanzen zwischen simulierten und realen Umgebungen minimiert.
- Bewertung von Reglern: Robustheitstests für Regler in Simulationen zur Vorhersage und Optimierung der Leistung in der realen Welt.
Datenvorsprung trägt dazu bei, die Sim2Real Gap zu verkleinern und ermöglicht einen sichereren und effektiveren Einsatz von KI-gesteuerten Lösungen in industriellen Umgebungen.
Autonomes Fahren
Bei autonomen Fahrsystemen ist es aufgrund der komplexen und unvorhersehbaren Natur realer Umgebungen von entscheidender Bedeutung, sowohl Sicherheit als auch robuste Leistung zu gewährleisten. Autonome Fahrzeuge müssen unter einer Vielzahl von Bedingungen navigieren, von unterschiedlichen Verkehrsmustern bis hin zu verschiedenen Wetter- und Beleuchtungsszenarien, und dabei die gesetzlichen Normen einhalten und ein zuverlässiges und komfortables Benutzererlebnis bieten. Um diese Ziele zu erreichen, müssen die KI-Systeme, die diese Fahrzeuge steuern, überprüft werden, um eine gleichbleibende Sicherheit und Leistung zu gewährleisten.
Herausforderungen Bei Autonomen Fahrsystemen
Autonome Fahrsysteme sind eine der fortschrittlichsten und komplexesten Anwendungen von KI und maschinellem Lernen (ML), die in hochdynamischen und unvorhersehbaren Umgebungen eingesetzt werden. Damit autonome Fahrzeuge sicher und effizient navigieren können, müssen ihre KI-Systeme in der Lage sein, mit verschiedenen Szenarien umzugehen, von wechselnden Straßenverhältnissen bis hin zu unvorhersehbarem Wetter und dem Verhalten anderer Fahrer. Die Sicherheit ist von entscheidender Bedeutung, da jedes Versagen im Entscheidungsprozess zu schwerwiegenden Folgen wie Unfällen und Verletzungen führen kann. Damit autonome Fahrtechnologien erfolgreich sind, müssen sie nicht nur die gesetzlichen Vorschriften erfüllen, sondern auch ein zuverlässiges und komfortables Benutzererlebnis bieten. Kontinuierliche Tests und Überprüfungen dieser KI-Modelle sind unerlässlich, um sicherzustellen, dass diese Systeme durchgängig sichere und leistungsstarke Ergebnisse liefern.
Unsere Hauseigene Technologie
- Verifizierung von Vorhersage- und Steuerungssystemen: Unser Tool bewertet das Verhalten von Vorhersagealgorithmen und Kontrollsystemen in autonomen Fahrzeugen. Es stellt sicher, dass die Entscheidungsprozesse des Fahrzeugs in realen Szenarien verifiziert werden.
- Sichere Grenzen für den Betrieb: Durch die Festlegung von Konfidenzintervallen und Sicherheitsmargen bewertet unser Tool, ob ML-Modelle innerhalb der vordefinierten Betriebsgrenzen arbeiten, und hilft so, mit den Unsicherheiten in diesen Modellen umzugehen und einen sicheren Fahrzeugbetrieb zu gewährleisten.
- Stabilität unter verschiedenen Bedingungen: Unsere Lösung kann immer wieder verwendet werden, wenn neue Daten gewonnen werden oder das ML-Modell aktualisiert wird. Diese wiederholte Auswertung trägt dazu bei, die Zuverlässigkeit der Modelle zu erhalten.
- Anpassung an veränderte Bedingungen: Das Tool hilft bei der Verfolgung der Fähigkeit des Fahrzeugs, sich an eine Reihe von Umgebungsbedingungen wie Straße und Wetter anzupassen. Diese Anpassungsfähigkeit ist entscheidend für die Aufrechterhaltung einer effektiven Leistung.
Fallstudie: Validierung eines Autonomen Fahrmodells unter Verschiedenen Lichtbedingungen
Die Bewertung erfolgte anhand zweier zentraler Sicherheitskriterien:
- Die Trajektorie des RNN-Modells sollte der des menschlichen Fahrers möglichst nahekommen.
- Das RNN-Modell sollte zu keinem Zeitpunkt die Fahrbahn verlassen.
Simulation unterschiedlicher Lichtbedingungen
Eine zentrale Herausforderung beim autonomen Fahren ist die Fähigkeit der Systeme, unter verschiedenen Lichtverhältnissen sicher zu agieren. Um diese Problematik gezielt zu untersuchen, haben wir verschiedene Lichtbedingungen simuliert, indem die Helligkeit der Bilddaten, die dem RNN-Modell zugeführt wurden, von extrem hell bis sehr dunkel variiert wurde. Ziel war es, einen sicheren Helligkeitsbereich zu identifizieren und zu verifizieren.
Ergebnisse der formalen Verifikation
Im Rahmen der formalen Verifikation haben wir die sicheren Betriebsgrenzen des RNN-Modells unter den unterschiedlichen Lichtbedingungen analysiert. Die Verifikation identifizierte einen Helligkeitsbereich, in dem das Modell zuverlässig arbeitete, ohne von der Fahrbahn abzukommen oder signifikant von der Experten-Trajektorie abzuweichen.
Vogelperspektive der Rennstrecke, die die Trajektorien des menschlichen Fahrers und des autonomen RNN-Modells vergleicht. Die roten Kreise zeigen die Grenzen der erreichbaren Zustände des RNN-Modells unter verschiedenen Lichtbedingungen. Die grauen Bereiche markieren die maximale Abweichung zwischen der RNN-Trajektorie und der des menschlichen Fahrers, während die farbigen Spuren die verschiedenen Trajektorien des RNN-Modells darstellen.