Der Bundesverband der Deutschen Luftverkehrswirtschaft spricht mit dem Blick auf das Jahr 2022 von einem starken Wachstum um 114 Prozent und damit einer Erholung des Passagierluftverkehrs im Vergleich zum Jahr 2021. Dennoch: Ob Personalmangel, Klimawandel oder Digitalisierung – die Luftfahrt kämpft mit vielfältigen Problemen. Eine zentrale Rolle bei der Lösung dieser Probleme kommt dabei wie andernorts auch dem Einsatz von Künstlicher Intelligenz (KI) zu.

Ob Roboter “Ray” am Flughafen Düsseldorf Ihren Wagen selbst im Parkhaus einparkt, ob am Flughafen Genf der digitale Teppich die Schuh-Sicherheitskontrolle effizienter macht oder ob Sie mit Apps und automatischen Check-In-Terminals konfrontiert werden – der Wille der Branche zur Digitalisierung und Automatisierung ist vorhanden, die Praxis signalisiert aber noch viel Nachholbedarf. „Leider fehlt noch die Intelligenz in Geräten, was auf die Privatsphären- und sicherheitssensiblen Regulierungen sowie den tiefen Innovationsschlaf zurückzuführen ist. Die Nöte der Branche werden nun schneller angegangen.“, so Viacheslav Gromov, Geschäftsführer vom KI-Spezialisten AITAD.

Embedded-KI als Chance

Wem sich bei Künstlicher Intelligenz der Gedanke an ChatGPT aufdrängt, hat nur einen Teil KI-basierter Unterstützungs- und Automatisierungssysteme im Blick. Mit großen Sprachmodellen lässt sich natürlich das Informationsbedürfnis der Menschen auf dem Flughafen einfacher und effizienter bedienen. Doch in vielen Fällen, insbesondere beim Einsatz von Maschinen, muss KI noch schneller und gleichzeitig spezialisierter sein. Server- und Cloudbasierte KI wie ChatGPT ist häufig zu langsam und zu rechenintensiv, um die „Probleme der Maschinen“ zu lösen. Hier kommt Embedded-KI ins Spiel – die lokal autarke Variante Künstlicher Intelligenz, die keine Netzwerkkonnektivität benötigt und in Echtzeit reagieren kann. Sie hebelt Datenschutzbedenken aus und ermöglicht, Erkenntnisse, Auswertungen und entsprechende Konsequenzen zu ziehen, wo es vorher unmöglich schien. Denn dadurch, dass Embedded-KI in Millisekunden enorme Datenmengen verarbeitet, blickt sie besonders tief und findet Muster und Zusammenhänge, die vorher unbekannt waren. Zudem geht der Megatrend zur dezentralen KI, also zur nächsten Technologie-Stufe: Alles ist dann für sich intelligent, ohne zentrale Vernetzung.

Ein Flug nach 2030

Stellen Sie sich vor: Sie treten in den Flughafen ein, die Personenzählung an jeder Schleuse, Tür sowie die automatisierte Berechnung der Schlangen an Schaltern und Ansammlungen vor den Sicherheitsschleusen erfolgen live durch Vision- und Lidar-Sensoren (sog. Time-of-Flight Sensoren) und sorgen für intelligente Abläufe, Echtzeit-Schaltersteuerung und Vorhersagen. Sie müssen sich dabei nicht vor Überwachung fürchten, denn die Embedded-KI verarbeitet Daten im Sensor selbst, ohne Verbindung oder Weitergabe der Daten an Netzwerk, Google und Co. Zudem wird sofort und unabhängig reagiert. So kann auch die Interaktion mit automatischen Check-In- oder Drop-Off-Schaltern mit besserer User Interaction durch Gesten, Sprache und Objekterkennung beim Gepäck privatsphärengerecht ausgestattet werden. Dem akuten und chronischen Personalmangel ist damit deutlich geholfen und den Hygiene-Lehren der Pandemie mit Sicherheit auch.

Embedded-KI begegnet Ihnen auch auf dem Weg durch die Sicherheitsschleusen, bei der durch intelligente NIR-Sensoren (NIR: Nahinfrarot) gestresste Personen mit Sicherheitsrisiko, Anomalieerkennungen im Körperscanner oder im XRAY-CT-Detektor deutlich tiefgründiger arbeiten als die heutigen Personenkontrollen – für noch mehr Sicherheit und schnellere Abläufe.

Und auf dem Weg Ihres Koffers durch die unterirdischen Keller-Labyrinthe des Transport- und Logistiksystems bei jedem größeren Flughafen zählen nur Sicherheit, Zeit und Zuverlässigkeit. Hier wird Embedded-KI mit entsprechenden Vision-, Radar- und Lidar.-Sensoren für präzisere und schnellere Sortierung und Kontrolle sorgen. Zudem wird durch Laser-, Ultraschall- oder Vibrationssensoren sowohl das Wiegen als auch jeder Antrieb und jede Rolle des Transportbandes auf Verschleiß und Ausfallsvorhersage hin überwacht (Predictive Maintenance), denn ein Ausfall ist teuer und ungeplant sehr personalintensiv.

Wir springen zum Rollfeld: Hier sind Fahrzeuge für Pushback oder Logistik-Transport ebenfalls gute Beispiele für Ausfallsvorhersagen, frühzeitige Störungserkennungen oder automatisierte Hinderniserkennungen durch KI im Fahrzeug. Dies gilt im Übrigen auch für die Versorgungsaggregate für die Heizung respektive Luftzufuhr.

Zu guter Letzt schauen wir auf die Chancen der lokalen KI im Flugzeug selbst, sobald Sie drin sitzen: Durch Druck- und Vibrationssensoren kann die (Injektoren-)Verbrennung in Turbinen in Millisekunden – auch zwecks Kerosingemisch-Analyse – überwacht und sofort angepasst bzw. zwecks Treibstoff-Effizienz optimiert werden. Jede Aktorik-Komponente im Flugzeug kann ebenfalls mit Predictive Maintenance sicherer werden, die Wartungszyklen damit viel flexibler, sobald die Regulierung nachzieht. Auch User Interaction mit Piloten oder in der Passagierkabine zwecks Komforts kann neu gedacht werden. Selbst Flugmanöver bzw. Regelalgorithmen können von KI an Board direkt profitieren.

Aber wer sagt, dass es 2030 nicht schon elektrische Flugtaxis gibt? Auch hier ist die Antriebsüberwachung zwecks Ausfallsicherheit zwecks Adaption der Flugtechnologie bei den Passagieren entscheidend, genauso wie autonome Unterstützungsfunktionen, die durch KI zwangsläufig lokal an Bord laufen müssen. Embedded-KI wird also zwangsläufig die Aero-Branche in die Zukunft führen, und das technologieoffen.

Quellennachweis:

• https://www.bdl.aero/de/presse/pressemitteilungen/bdl-legt-zahlen-zur-entwicklung-des-luftverkehrs-2022-und-ausblick-auf-2023-vor/#:~:text=Die%20deutschen%20Fluggesellschaften%20beförderten%20insgesamt,7%20Millionen%20mehr%20als%20verdoppelt
• https://www.tft-mag.com/business/apps-technik/der-flughafen-der-zukunft/

Einig waren sich Gassner-Herz und Gromov in der Frage, dass es einer Haftungsregulierung für Künstliche Intelligenz bedarf. Wenn Deutschland hier die Vorreiterschaft übernehme, könne sich das zum echten Standortfaktor entwickeln und die gesamte KI-Branche nach Deutschland holen.

Im Anschluss stellte Gromov das Portfolio des Unternehmens vor. Bei den von AITAD entwickelten Lösungen handelt es sich um „intelligente Sensoren“, die mit Hilfe künstlicher Intelligenz ein viel tiefere Datenauswertung ermögliche, die aber im Gegensatz zu Technologien aus Asien vollkommen datenschutzkonform arbeitet und zum Nutzen der Menschen zum Einsatz kommt. So bringe man der KI beispielsweise das Riechen bei, damit zukünftige Kochherd-Generationen nichts mehr anbrennen lassen. AITAD entwickelt auch intelligente Zahnbürsten, die nicht nur besser putzen helfen, sondern auch den Zustand der Zähne beurteilen. Darüber hinaus ist AITAD Zulieferer für die Automobilindustrie, Maschinenbau und Medizin-Technik. „In naher Zukunft wird es möglich sein, zum Beispiel Atemwegserkrankungen allein an der Stimme des Patienten zu erkennen“, prognostizierte Gromov.

Beim anschließenden Firmen-Rundgang erläuterte Gromov die EMS-Produktionstrecke, mit der AITAD die Platinen herstellt, auf denen die eigens dafür entwickelte KI installiert wird. Gassner-Herz zeigte sich sehr beeindruckt: „Es ist wirklich großartig, was Sie hier machen.“ Außerdem versprach der FDP-Politiker, die Anregungen zur Politik mit nach Berlin zu nehmen und dort in die richtigen Kanäle einzuspeisen.

„Offizielle Zahlen zu den Ausfallzeiten von Produktionsrobotern sind nur schwer zu erhalten – gleichzeitig variieren diese Zahlen sehr stark, so dass es schwerfällt, sich ein realistisches Bild der entstehenden Ausfallkosten zu machen. Wir wissen jedoch zuverlässig von Ausfallkosten in der Automobilindustrie, die sich jährlich auf hohe Millionenbeträge pro Betrieb summieren. Typische Ausfallkomponenten sind Gelenke, Antriebe und Hydraulik. Schon aufgrund des natürlichen Abnutzungsprozesses werden Roboterarme mit der Zeit immer unpräziser,“ erläutert Viacheslav Gromov, Gründer des Embedded-KI Anbieters AITAD, die Lage näher.

Starre Wartungsmodelle sind an der Tagesordnung

Diesem Problem begegnen die Roboterhersteller mit mehr oder minder starren Wartungsmodellen. Aktuell üblich sind korrektive bzw. präventive Modelle – wobei punktuelle, korrektive Wartungen zu einer schnelleren Abnutzung führen. In der Praxis zeigt sich, dass Roboterarme oft nur dann gewartet werden, wenn sie reparaturbedürftig sind, die Betriebsstundenzahl dies verlangt oder aber die Wartung erfolgt präventiv ohne Berücksichtigung des Maschinenzustands.

„Roboterhersteller reagieren auf diese Problematik mit der Etablierung von Condition Monitoring Systemen. Hier wird auf Grund des Ist-Zustands einer Maschine eine Vorhersage für den künftigen Wartungsbedarf getroffen. Allerdings bleiben die Prognosen vergleichsweise vage. Unter dem Strich ist Condition Monitoring nur eine verfeinerte Ausfallerkennung. Dabei ist der Weg zur vorausschauenden Wartung (Predictive Maintenance), die Unternehmen deutlich mehr Vorteile bringt,“ so Gromov weiter.

Datensammeln: „Viel hilft viel“ – aber wie übertragen?

In der Praxis zeigt sich, dass es gar nicht so einfach ist, die richtigen Daten zu sammeln und für einen effektiven Nutzen der Maschine auszuwerten. Viele Roboter werden noch immer mit wenigen, teilweise nicht sehr leistungsstarken Sensoren überwacht, die nur ein Teilspektrum der Daten erfassen. Doch anders als in vielen anderen Arbeitsbereichen gilt für die Datenerhebung und datengetriebene Entwicklung das Prinzip „Viel hilft viel“ – je mehr Daten also durch die Überwachung gesammelt und ausgewertet werden können, desto zuverlässiger lassen sich Aussagen über den künftigen Maschinenzustand treffen. Ein weiteres Hindernis ist die Netzwerkkapazität. Eine tiefe Beobachtung, z.B. von Vibrationsdaten, erzeugt oft sehr große Datenmengen, die kaum noch über die Netzwerkinfrastruktur übertragbar sind.

„Dieser Schwierigkeit wird heute meist mit Hilfe sogenannter Edge-Lösungen begegnet. Dabei versucht ein Algorithmus oder auch eine KI (Künstliche Intelligenz), den relevanten Datenanteil herauszufiltern und nur diesen an die Steuerung zu übertragen, wo dann die eigentliche Auswertung erfolgt. Dieser Vorgang erfordert aber immer noch ein hohes Maß an (kostspieliger) Rechenleistung oder Auslastung,“ gibt Gromov zu bedenken.

Einsatz von Embedded-KI in Robotern: Höhere Präzision bei geringeren Kosten

Will man die Ausfallwahrscheinlichkeit von Robotern nahe gegen Null treiben und gleichzeitig die Kosten dafür senken, bietet sich die Auswertung der Sensordaten am Ort des Entstehens an. Möglich wird dies seit wenigen Jahren durch die steigende Leistungsfähigkeit von Halbleitern, auf denen mittels hochentwickelter spezieller Verfahren eine KI „embedded“ läuft. Solche Embedded-KI-Sensoren übertragen nur noch das Auswertungsergebnis und reduzieren so das Übertragungsvolumen auf ein Minimum. Gleichzeitig steigt die Fähigkeit zur Verarbeitung auch sehr großer Datenmengen, was eine deutlich tiefere und präzisere Auswertung ermöglicht.

Setzen Hersteller und Unternehmen in Robotern Embedded-KI ein, ist nicht nur der aktuelle Abnutzungsgrad erkennbar, es werden auch präzise Vorhersagen zur Lebensdauer eines Bauteils oder auch der gesamten Maschine möglich (Predictive Maintenance). Embedded-KI bietet gegenüber der bei Edge-Lösungen eingesetzten Algorithmik den Vorteil, dass auch komplexe und sonst unvorhersehbare Ereignisse als Anomalie erkannt und entsprechende Aktionen ausgelöst werden können. So können beispielsweise untypische Vibrationsmuster einen Getriebeschaden ankündigen.

„Embedded-KI hat jedoch nicht nur den Vorteil der tieferen Datenauswertung, sondern auf Grund des geringen Ressourcenbedarfs auch deutliche Kostenvorteile. Es gibt also deutlich mehr Leistung für weniger Geld. Präzise Vorhersagen zu einem bevorstehenden Ausfall machen den Service flexibler, schneller und kostengünstiger. An die Stelle von Wartungsintervallen tritt eine effiziente Servicestrategie. Damit entsteht eine Win-Win-Situation für Hersteller und Kunden,“ fügt Gromov hinzu.

Statt Baukasten: Kunden- und Use Case spezifische Entwicklung

Mit KI ausgestattete Sensoren werden als „Embedded-KI-Systemkomponenten“ kundenspezifisch entwickelt. Dabei geht es immer um den konkreten Use Case, für den die KI und die Sensorplatine entwickelt und später in Serie gefertigt werden. Die Systemkomponenten sind so gestaltet, dass sie die Konnektivität mit dem jeweils verwendeten Bus (z.B. CAN, LIN, etc.) herstellen. Neben der KI- und Elektronikentwicklung wird auch der jeweils passende Bauraum gesucht, wo sich die Sensoren optimal platzieren lassen. Gegenüber marktüblichen KI-Baukasten-Systemen sind derartige Systeme deutlich flexibler an die Robotereigenschaften anpassbar.

Mit Hilfe solcher Komponenten können beispielsweise Antriebe, Gelenke, Getriebe, Lager oder auch Hydraulikantreibe der Robotorarme mittels Vibration, Ultraschall oder Laser überwacht werden. Laser eignen sich auch dann, wenn die Anbringung des Sensors nur außerhalb des Geräts möglich ist. Komplexe Use Cases können den Einsatz mehrerer Sensoren erforderlich machen (Sensor Fusion).

Die Funktionalität der Roboter verbessern

Embedded-KI bietet noch weitere Einsatzmöglichkeiten in der Robotik: Mit Hilfe von Gesten- oder Sprachsteuerung ist die Kollaboration verbesserbar; Personenerkennungslösungen sorgen für mehr Sicherheit ohne Datenschutzthemen zu tangieren, da ja keine Sensordaten übertragen werden. Und auch Aktuatoren und Werkzeuge lassen sich mittels Embedded-KI verbessern. So können Greifer mit Drucksensoren in Echtzeit Rückmeldung geben, ob ein Gegenstand richtig gefasst wurde.

„Wir sind auf individuelle Embedded-KI spezialisiert und auf diesem Gebiet der weltweit einzige branchenübergreifende Anbieter dieser Technologie. In einem interdisziplinären Team entwickeln wir KI-Modelle und Elektronik-Bauteile, die für mehr (Ausfall-)Sicherheit sorgen. Die zentralen Kompetenzen sind Predictive Maintenance, User Interaction und Funktionale Innovationen,“ so Gromov abschließend.

„Warum sollte ich es testen, wenn es meinen Arbeitsplatz bedroht?“, fragte sich einer der AITAD-Entwickler, als der Vorschlag diskutiert wurde, ChatGPT zur Erstellung von Programmcode einzusetzen.

Coden ist möglich, doch die Nachvollziehbarkeit leidet

Aus technischer Sicht stellt ChatGPT derzeit noch keine große Bedrohung dar, da er auf Softwarebibliotheken zurückgreift, die nicht jünger als zwei Jahre sind. Aktuelle Frameworks und Bibliotheken werden von der aktuellen Version noch nicht berücksichtigt. Doch das wird sich mit kommenden Versionen selbstverständlich ändern. Verglichen mit dem Gehalt eines Entwicklers stellen die Kosten für die Premiumversion des Chatbots jedenfalls kein Hindernis dar.

Problematischer hingegen sieht Viacheslav Gromov, CEO von AITAD, die Themen Transparenz und Nachvollziehbarkeit des Programmcodes. „Es ist zwar denkbar, dass der Chatbot nicht nur Programmcode schreibt, sondern diesen auch dokumentiert und das Testprogramm dazu schreibt.“ Allerdings ist damit zu rechnen, dass der Programmcode je nach Aufgabenformulierung mit verschiedenen (synonymen) Wortlauten unterschiedlich ausfällt. Auch der Stil des Codes, für den es Standardisierungen gäbe, sei volatil, ergänzt Gromov.

Der Einsatz von Chatbots als Programmierer birgt Gefahren

Fraglich bleibt auch, ob menschliche Entwickler effizienter arbeiten, wenn sie zuerst den von der KI erzeugten Code verstehen, auf Fehler prüfen und ergänzen müssten. „Das ist ja schon bei von Menschen erzeugtem Code eine herausfordernde Aufgabe“, gibt Gromov zu bedenken, der Zunächst den Chatbot-Einsatz für spezifisch abgegrenzte Programmier-Aufgaben sieht. Nicht zuletzt sei umstritten, ob denn die Kunden damit einverstanden seien, wenn ihre Entwicklungsaufgaben zum Chatbot ins Internet gesendet werden.

Wie bei allen umfassenden Automatisierungsvorhaben, schwinden durch den Einsatz von Chatbots die Unterscheidungsmerkmale und damit die Wettbewerbsfähigkeit, da die entsprechenden KI-Frameworks (Chatbots) ja von jedem Marktteilnehmer genutzt werden könnten. Nur der, der mehr und bessere Daten sowie umfangreichere Rechenressourcen zum Trainieren der Chatbots hat, hat auch das bessere Endprodukt. „Das kann auch schnell zu einem sehr schnelllebigen und globalen Wettbewerb unter den Staaten führen, die die Rahmenbedingungen durch Datenschutzregelungen und Staatsform setzen.“

Der Chatbot als Helfer

Eine KI, die selbst KI programmiert, ist heute kein (Alb-)Traum mehr, sondern birgt durchaus das Potenzial für eine schnellere, umfangreichere und komplexere Entwicklung, trotz Personalmangel. „Das sollte erschlossen werden. Allerdings ist zu beachten, dass die wahrscheinlichste Ausgabe nicht immer die beste ist. Denn zwischen Wahrscheinlichkeit und Qualität besteht kein zwingender Zusammenhang. Das ist etwa so, wie wenn Sie die Tageszeitung von gestern zerreißen und die an sich am besten nacheinander passenden Wortschnipsel ohne Gesamtverständnis zusammensetzen.“, gibt Gromov zum Schluss zu bedenken.

1. Der Umgang mit der Energiekrise bleibt ein wichtiger Punkt auf der Unternehmensagenda

Die Energiekrise setzt Unternehmen schon 2022 zu und wird auch 2023 für viele Veränderungen sorgen. Rechenressourcen auf Servern und Cloud-Kosten steigen deutlich, da diese Systeme sehr energieintensiv sind. Noch mehr Produkthersteller werden auf dezentrale Systeme mit Embedded-KI zurückgreifen. Diese laufen aufgrund der Platzbeschränkung auf günstigen kleinen Halbleitern, sind ressourcensparend und wirken autark vor Ort. Reine Cloud- oder intensive Edge-Anwendungen bekommen einen Dämpfer.

2. Lieferschwierigkeiten treiben Predictive Maintenance voran

Durch die akuten und auch anhaltenden Lieferschwierigkeiten vom Elektroantrieb bis zum Schlauch in der Maschinenbaubranche setzen agile und flexible Hersteller in kürzeren Zyklen neue Produkte von neuen Zulieferern ein. Predictive Maintenance wird wichtiger, da die noch fehlende Erfahrung der neu eingesetzten Bauteile in Bezug auf deren Qualität aufgefangen werden muss. So kann verhindert werden, dass der Endkunde Nachteile der Kompromisslösungen zu spüren bekommt, da Fehlerfälle frühzeitig und ohne Ausfall oder gar Image-Schaden behoben werden können. Zudem wird die Predictive Maintenance durch die weiter steigende Rechenleistung der kleineren Halbleiter (wie z.B. solchen mit den neusten NPUs (Neural Processing Units)) immer tiefgehender und effektiver, was aufgrund hoher Datenmengen die sofortige Verarbeitung vor Ort in Echtzeit (Embedded-KI) voraussetzt.

3. Steigende Rechenleistung führt zu tiefergehender und komplexerer Interaktion mit dem Nutzer bzw. Bediener

Der Trend zu steigender Rechenleistung bei kleinsten und günstigsten Halbleiter-Recheneinheiten, begleitet von der Weiterentwicklung der Algorithmik bei künstlichen neuronalen Netzen (KNNs), führt zu Möglichkeiten tiefergehender und komplexerer Interaktion mit dem Nutzer bzw. Bediener. User Interaction wie z.B. Personen-Raumerkennung, Insassenerkennung oder Keyword-Spotting werden mehrwertschöpfend beginnen, auf das Verhalten von Menschen und deren Emotionen zu reagieren.

4. Die Forschung und Weiterentwicklung von Embedded-KI erfährt einen Boom

Was bisher nur auf größeren Systemen möglich war, wird mit günstigen Systemen im zwei- bis dreistelligen Eurobereich umsetzbar. Konkrete Folgen sind Technologiesprünge beim inkrementellen Lernen und der Sprachtrennung. Ersteres ermöglicht die Anpassung lokaler Machine-Learning-Modelle an Nutzung (z.B.: Rechts- oder Linkshänder?) oder Umgebung (z.B.: Steht die Prozessanlage in trockener Hitze oder in feuchter Kälte?), während zweitere zu einer besseren, lokalen Spracherkennung der Bedienerstimme in verrauschten Umgebungen führt.

5. Der Fachkräftemangel spitzt sich weiter zu

Die Notwendigkeit, gerade Haushalts- und Medizingeräte intelligenter und dadurch zeitsparender bei gleichzeitiger Senkung des Betreuungsaufwands zu gestalten, wird exponentiell wachsen. Das kann zum Beispiel ein Chirurgie-Lasergerät sein, das dank Spracherkennung direkt ohne eine Hilfsschwester-Bedienerin auf die Anweisungen des Chirurgen hört, oder eine Zahnbürste, die den Zahnstatus auf Ultraschallebene überwacht und so den präventiven Arztbesuch einspart. Auch Saug-Roboter oder Raumlüfter werden durch lokale Objekt- und Staubanalysen immer zuverlässiger, sodass die Arbeit im Haushalt weniger Zeit in Anspruch nimmt.

6. Trend Hardware-as-a-Service (HaaS) wird Normalität

Der globale Systemwettbewerb wird sich im kommenden Jahr noch stärker zuspitzen. Die westliche Industrie wird sich gegen Asien nicht mehr durch klassische Produktleistung, wie etwa Blechbiegen und Prozessfunktionen, durchsetzen können. Stattdessen wird der bereits aufziehende Trend der Hardware-as-a-Service (HaaS), also die Vermarktung von Geräte- und Maschinennutzung an Stelle des Stückzahlverkaufs, mehr und mehr zur Normalität. Durch Einsatz von Embedded-KI zwecks Verschleißerkennung und Benutzerverhaltensanalyse werden Hersteller optimale Lebensdauern und Maschinenverfügbarkeiten bei sinkenden Wartungskosten erreichen. Service- und Kundenorientierung, aber auch Nachhaltigkeit rücken bei derartigen Leasing-, Miet-, Abo- und Servicemodellen folglich in den Vordergrund.

Fehler in Halbleitern gibt es schon immer. Doch was, wenn das Ausmaß immens ist und fast die Hälfte des Chips im Grunde funktionsunfähig? Wenn ganze Verarbeitungseinheiten (ähnlich: Rechenkerne), die bei einem in einer bestimmten Anwendungsdisziplin weit verbreitetem HMP (Heterogeneous Multicore Processor) nicht in der Lage sind, Berechnungen durchzuführen oder chipintern Daten auszutauschen? Der Chip also nur ein Bruchteil der Funktionen und Leistungen erfüllen, die der Hersteller laut Datenblatt verspricht? Der Fullstack-Embedded-KI-Lösungsanbieter AITAD stieß bei der Verwendung von Chips bei der Hardware-Entwicklung für seine KI-Lösungen auf dieses Problem.

„Das bedeutet dann nicht nur einen hohen Aufwand an vertaner Entwicklungszeit, sondern auch einen hohen Neuentwicklungsaufwand mit anderen Chips. Und noch viel weitreichender als eine einzelne, fehlerhafte Halbleiterserie, ist die Frage, welche Probleme und Ursachen damit für die Halbleiterbranche und damit die gesamte Wirtschaft aufgeworfen werden, so AITAD-CEO Viacheslav Gromov.

Graumärkte entstehen und Verkaufsschlager werden priorisiert

Durch den gestiegenen Konsum insbesondere bei Haushaltsgeräten, IT und Consumer Electronics in den Corona-Jahren und gleichzeitig den durch Regelungen und Krankheitsausfällen deutlich gesunkenen Produktionskapazitäten in Asien entstand die aktuelle Halbleiterkrise. Weil durch die Prozesskomplexität die Produktion nicht so einfach und schnell hochskaliert werden kann, wird die Krise viele Jahre nachbeben. Daher sind nicht nur die Preise explodiert, sondern auch Graumärkte durch sogenannte globale Broker entstanden, die Chips aus unbekannten Quellen oft zum bis zu 300-fachen Preis an den Mann bringen – ohne die langen Lieferzeiten der Originalhersteller oder
-distributoren.

Viele Halbleiterhersteller haben zudem schon angekündigt, sich auf die Produktion altbekannter und gut produzierbarer Verkaufsschlager zu konzentrieren. Das bedeutet, das je nach Halbleitertyp die jeweils gängigeren, größeren Nanometerstrukturen verwendet werden, für die es höhervolumigere und rentablere Produktionsstrecken gibt. Neue, komplexere und strukturfeinere Chips werden also weniger bis gar nicht priorisiert. „Was altbekannt ist, muss nicht altbewährt sein. Das Stocken von Innovationen in diesem Feld wirft die ganze Branche und alle Branchen dahinter mittelfristig um einige Jahre zurück,“ kommentiert Gromov.

Drei Entscheidungen, vor denen Unternehmen standen, die Elektronik für ihre Produkte herstellen:

1. Auf Graumärkten werden die notwendigen Halbleiter bei Brokern aus unbekannten Quellen zu überteuerten Preisen eingekauft. Ein übliches QC (Quality Control) mit Funktionstest oder gar Röntgenbildern kann die damit verbundenen Qualitätsgefahren aber nicht gänzlich ausschließen.
2. Die zweite Option ist die Nutzung von den Markt überschwemmenden Copycat- oder Noname-Herstellern, die bekannte Produkte günstig und nahezu baugleich imitieren oder gar eigene herausbringen – ebenfalls mit unbekannter Qualität und Zuverlässigkeit.
3. Die aufwändigste, aber wohl resilienteste Alternative ist ein Redesign der Software auf die zur jeweiligen Zeit verfügbaren Halbleiter. Doch dies ist angesichts des Fachkräftemangels wiederum eine Herausforderung und führt dazu, dass der Hersteller auch meist alle Entwicklungspartner einbeziehen muss.

Wieso treten gravierende Chipfehler überhaupt auf?

Die Ursachen für das Auftreten gravierender Chipfehler könnten von dem Börsendruck herrühren, Innovationen und neue Portfolioerweiterungen durch neue Produkte für die Megatrends wie IoT, Künstliche Intelligenz und Wireless herauszubringen. Coronabedingt ist dies jedoch rein technisch und zeitlich unter Einhaltung des Qualitätsanspruchs kaum noch zu erfüllen. Normalerweise dauert allein die Mikrosystementwicklung vom Konzept bis zur zugelassenen Produktion im Spezialfall bis zu zehn Jahre.

Das zwingt die Halbleiterhersteller dazu, nicht zu Ende ausentwickelte oder getestete Chip-Neuheiten auf den Markt zu bringen oder gar den gesamten Prozess (auch aus der Schublade heraus) abzukürzen. Das Ausmaß dieser Trends wird vermutlich erst in einigen Jahren spürbar sein. „Es gibt offensichtliche Fehler, die schon während der Entwicklung auffallen und umschifft werden, ehe das Produkt auf den Markt kommt. Vorstellbar sind aber auch Fehler, die erst viel später nach Auslieferung im Feld bei den Konsumenten auftreten. Diese können mindestens die gleiche oder eine noch größere Tragweite entwickeln,“ verdeutlicht Gromov die Situation.

„Die aktuelle Situation ist ein Vorgeschmack darauf, was bei größeren Krisen in der Zukunft, wie beispielsweise dem sich aktuell in Taiwan zuspitzenden Konflikt mit dem weltweit größten Halbleiter-Auftragsfertiger TSMC passieren kann,“ gibt Gromov zu bedenken. Man darf also auf den weiteren Verlauf der Halbleiterkrise, die Auswirkungen auf die westlichen Qualitätsanbieter und deren Image bei möglichen Produktrückläufen oder Unfällen gespannt sein.

Aufgrund der zunehmenden geopolitischen Spannungen fordert nun auch die Bundesregierung, dass die deutsche Wirtschaft sich unabhängiger vom chinesischen Markt macht. Nach einer Erhebung des Instituts der deutschen Wirtschaft in Köln (IW) sind deutsche Unternehmen deutlich abhängiger vom chinesischen Exportmarkt als umgekehrt. So sind 2,7 Prozent der deutschen gesamtwirtschaftlichen Wertschöpfung und 2,4 Prozent der Gesamtbeschäftigung vom Export nach China abhängig.

Auch Telekom-Chef Tim Höttges macht sich Sorgen um die deutsche Wirtschaft. Das Label „Made in Germany“ sei „ramponiert“, weil Deutschland zu wenig für Forschung und Entwicklung ausgebe, sagte Höttges beim Kongress „Digital X“ in Köln. Während China und die USA ihre Forschungs- und Entwicklungsausgaben 2021 deutlich erhöht hätten, seien sie in Deutschland deutlich gesunken. Deutschland dürfe sich nicht länger „auf den Lorbeeren der Vergangenheit ausruhen“, und müsse künftig statt aktuell nur einem Prozent bis zu 6 Prozent des BIP in Innovationen investieren.

Neben dem Maschinenbau punktet China stark bei den Ausfuhren in der Elektrotechnik. Laut GTAI entfallen fast 27 Prozent der globalen Lieferung von Geräten wie Computern und Laptops auf China. Im Bereich Künstlicher Intelligenz (KI) will China bis 2030 globales Innovationszentrum werden. Gelingt dies, dürfte die wirtschaftliche Abhängigkeit von China weiterwachsen. Angesichts der aktuellen geopolitischen Lage wird sich das in Europa niemand wünschen.

Unentdecktes Know-how

Dabei schlummert auch in Europa viel Know-how, wenn auch weitgehend unentdeckt. Zwar liegt der Löwenanteil der Halbleiterproduktion ebenfalls in China und insgesamt in Asien. Doch lassen sich KI-Technologien, insbesondere im Maschinenbau, der Medizintechnik oder auch im Bereich funktionaler Innovationen, beispielsweise in Verbraucherprodukten und im autonomen Fahren, ressourcensparend mit Hilfe von Embedded-KI umsetzen.

Embedded-KI ist direkt in das Gerät/die Maschine integrierte Künstliche Intelligenz, die auf kleinen, kostengünstigen Chips läuft und ohne Anbindung an ein Netzwerk auskommt. Damit könnte Embedded-KI dem deutschen Maschinenbau nicht nur einen Innovationsvorsprung sichern, sondern auch die Etablierung neuer Geschäftsmodelle ermöglichen. Durch KI-gestützte Predictive Maintenance beispielsweise lässt sich nicht nur die Lebensdauer einer Maschine vielfach verlängern, sondern auch ein Hardware-as-a-Service-Modell etablieren. Eine höhere Nachhaltigkeit bei geringerem Ressourcenverbrauch und eine bessere Kundenbindung sind die Folge. Wer daher jetzt in Embedded-KI investiert, sichert seine Marktposition und kann sich gegen den Trend zunehmender Abhängigkeit von asiatischen Märkten stemmen.

„Implementierung von kostengünstigen KI-Lösungen können Unternehmen auf Experten zurückgreifen, die die komplette Entwicklung und Serienproduktion von Embedded-KI-Systemkomponenten übernehmen. Spezialisierte Embedded-KI-Systemlösungsanbieter wie AITAD übernehmen den gesamten Prozess: Von der Beratung und Identifizierung möglicher Einsatzorte über das Sammeln der Daten, die Soft- und Hardware-Entwicklung bis zur Serienreife und Produktion der auf das Zielsystem abgestimmten Systemkomponenten,“ so Viacheslav Gromov, CEO der AITAD GmbH.

Quellenangaben:

• https://www.gtai.de/de/trade/specials/globaler-handel-lieferketten/exportanalyse-deutschland-im-internationalen-wettbewerb
• https://www.iwd.de/artikel/deutsche-wirtschaft-baut-china-geschaeft-aus-556923/
• https://www.focus.de/finanzen/news/telekom-chef-hoettges-deutschland-wird-bei-der-digitalisierung-abgehaengt_id_145996184.html

Viel wahrscheinlicher ist es, dass LaMDA ein Bewusstsein perfekt imitiert. Denn genau darauf wird Künstliche Intelligenz (KI) trainiert. Gromov verweist auf bestehende performante KI-Chatbots wie Mitsuku und die perfekte, scheinbar reale Muster-Imitation mit dem Gelernten aus großen Datenspeichern und dem öffentlichen Internet. So entstehen kohärente, intelligente und emotionale Antworten. Dahinter existiert aber kein tiefergehendes Verständnis der Inhalte. Eine KI mit Bewusstsein liegt zudem oft nicht im Interesse der Entwicklung, da es dafür gar keine konkreten Anwendungsfälle in der Industrie gibt. Es wird kein Bewusstsein gebraucht und gewollt, damit KI effektiv in Medizingeräten oder selbstfahrenden Autos wirkt oder um Sprache, Bewegungen oder Objekte zu erkennen.

Die Frage nach Normierung und gesetzlicher Regelung

Der Turing-Test oder auch Searles Chinesisches Zimmer zeigen, wie schwierig es ist, Maschinen auf Intelligenzmerkmale zu testen. Zum Bewusstsein gehört auch Embodiment – also die Einheit mit Körper, Spüren und Erleben und sich dessen bewusst zu sein. Das sogenannte phänomenale Bewusstsein als Teilaspekt des übergreifenden Bewusstseins ist also bei einem Chatbot in der bekannten Art gar nicht möglich, da ihm der Körper fehlt. Zahlreiche Theorien zur Entstehung von Bewusstsein und komplexen Emotionen nur aufgrund hormon- und körperprozessbedingter Prozesse im Hirn, wie es auch Catrin Misselhorn in ihrem Standardwerk „Grundlagen der Maschinenethik“ (Reclam, 2018) beschreibt, sprechen dagegen. Selbst die Neurologie bei biologisch gezüchteten Neuronen-Netzen ist nicht in der Lage, Bewusstsein in der Petrischale zu erzeugen.

AITAD beteiligt sich in einigen KI-Normierungs- und Lenkungsgremien. Hier wird klar: Im Fall, dass es bewusstseinsähnliche Erscheinungen gäbe, bräuchte die Zulassung solcher Produkte mindestens 5 bis 10 Jahre. Der gesellschaftliche Konsens hierzu müsste groß sein. Die EU zeigt bereits mit dem aktuellen „AI Act“-Vorschlag deutliche Fortschritte in Richtung der Zulassung von aktuellen, industriellen KIs.

KI löst durch ihre Leistungsfähigkeit immer wieder Bewunderung aus und bietet in vielen fest definierten Bereichen einen hohen Mehrwert. Eine Gefahr ist sie jedoch nicht. Auch AITAD entwickelt KI-Systeme. Diese sind Hardware-gebunden (Embedded-KI) und lösen wiederkehrende gleichartige Aufgaben mit hoher Zuverlässigkeit. Damit sorgen die AITAD-Lösungen beispielsweise durch Predictive Maintenance für eine annähernd 100prozentige Maschinenverfügbarkeit, im Operationssaal für die Früherkennung von Komplikationen oder für Sicherheit in gefährlichen Industrieumgebungen. 

Quellennachweis:

• https://de.wikipedia.org/wiki/Mitsuku
• https://www.documentcloud.org/documents/22058315-is-lamda-sentient-an-interview
• https://de.wikipedia.org/wiki/Turing-Test
• https://de.wikipedia.org/wiki/Chinesisches_Zimmer
• https://www.reclam.shop/detail/978-3-15-950527-5/Misselhorn__Catrin/Grundfragen_der_Maschinenethik__PDF_
• https://artificialintelligenceact.eu