Connected Business Technologie Wie unterstützt Machine Learning die Entwicklung von Connected Car Services bei WirelessCar? 29. Juni 2023 Machine Learning spielt eine entscheidende Rolle in der Entwicklung vernetzter Fahrzeuge und jener digitalen Services, die helfen, das volle Potenzial von Software-definierten Fahrzeugen zu erschließen. Der folgende Artikel beleuchtet, wie WirelessCar Machine Learning einsetzt, wie diese Tätigkeit auf neue oder verbesserte Connected Car Services einzahlt und welche Rolle OEMs dabei spielen. Was ist Machine Learning? Machine Learning ist eine Form der Künstlichen Intelligenz, bei der Computeralgorithmen nicht fest programmiert (hard-coded), sondern darauf trainiert werden, aus Datensätzen zu lernen. Beim „traditionellen Programmieren“ analysiert ein:e Programmierer:in ein Problem, findet die zugrundeliegenden Muster und bringt einem Programm bei, das Problem zu lösen. Beim Machine Learning speisen wir das Modell sowohl mit dem gesamten relevanten Input als auch mit den korrekten Ergebnissen, die es vorhersagen soll. Dann ermittelt das Modell das Muster und die Ursache für das Problem, findet einen Weg, um die Ergebnisse genau vorherzusagen, und generiert auf dieser Basis Antworten. Wie kann Machine Learning Connected Car Services verbessern? Im Bereich der vernetzten Fahrzeuge und der zugehörigen Services eignet sich Machine Learning besonders gut für die Datenanalyse. Vernetzte Fahrzeuge und ihre Sensoren generieren eine enorme Datenmenge. Diese Daten können analysiert und genutzt werden, um jeden Aspekt des Fahrzeugbesitzes, Flottenmanagements und der Mobilität als Ganzes zu verbessern. Einige Beispiele: • Erkennung von Anomalien: Machine Learning erkennt ungewöhnliches Verhalten und kann so dabei helfen, Probleme zu identifizieren. Durch das Trainieren normaler und fehlerhafter Muster anhand von DTC-Berichten (Diagnostic Trouble Code) lassen sich Abweichungen erkennen. So können Diagnosen beschleunigt, die Zuverlässigkeit der Fahrzeuge verbessert und die Wartungskosten reduziert werden. • Bessere digitale Services für Fahrer:innen: Zwar können die Vorlieben und Nutzungsmuster nicht für einzelne Fahrer:innen erfasst oder ausgewertet werden. Gesammelt können sie aber dazu beitragen, Connected Car Services besser und leichter zugänglich zu machen, beispielsweise durch optimierte Routenführung oder verbessertes Laden von Elektrofahrzeugen. • (Cyber-)Sicherheit: Machine Learning hilft dabei, Risiken für die Sicherheit der Fahrer:innen sowie die Cybersicherheit des Fahrzeugs zu erkennen. Auch der Wartungsbedarf lässt sich vorhersagen und auf effizientere Weise erfüllen. So funktioniert Data Science und Machine Learning bei WirelessCar Wie funktioniert Data Science in unserem Fall, und wo kommt Machine Learning ins Spiel? Alles beginnt mit der Identifikation eines Problems, das gelöst werden soll. Je nachdem, um welches Problem es sich handelt und welche Daten des vernetzten Fahrzeugs uns zur Verfügung stehen, wählen wir die passende Machine-Learning-Technik (dazu später mehr). Einmal gesammelt, werden die Connected-Car-Daten aufbereitet, analysiert und verarbeitet, damit sie mit der ausgewählten Machine-Learning-Technik kompatibel sind. Die Daten und das Machine-Learning-Modell müssen zur Aufgabe passen, damit sie zur Lösung des Problems beitragen können. Anschließend kommen die Machine-Learning-Modelle zum Einsatz. Diesen Vorgang nennt man Training. Die Modelle erhalten die vorbereiteten Daten, erkennen Muster, erstellen Prognosen und lernen daraus – so verbessern sie sich selbst stetig. Wenn uns ein Ergebnis vorliegt, analysieren wir dieses und tauschen uns mit den zugehörigen Stakeholdern darüber aus, wie sich das am besten auf unsere Arbeit anwenden lässt. Welche Machine-Learning-Techniken nutzt WirelessCar? WirelessCar nutzt alle drei wichtigsten Arten von Machine Learning: Supervised Learning (überwachtes Lernen), Unsupervised Learning (unüberwachtes Lernen) und Reinforcement Learning (Lernen durch Verstärkung). Supervised Learning setzen wir ein, wenn wir ein Modell mithilfe von validierten Daten, die mit bekannten, korrekten Informationen versehen sind, auf die Lösung eines Problems trainieren. Diese Methode eignet sich gut, sofern die Daten von guter Qualität und relevant für das Problem sind, das wir zu lösen versuchen. Ein konkretes Beispiel: Erkennung von Motorschäden auf der Grundlage von Fehlercodes (DTC) mit bekannten Fehler- und Reparaturdaten. Unsupervised Learning hingegen setzen wir ein, wenn wir auf Basis von unmarkierten Daten zu einer Schlussfolgerung kommen müssen. Das Machine-Learning-Modell muss diese Daten analysieren und Muster darin erkennen, wenn wir beispielsweise versuchen, Fahrer:innen anhand von bestimmten Parametern in verschiedene Gruppen zu kategorisieren. Vielleicht ist uns nicht von vornherein bekannt, wie viele Gruppen es geben wird oder wie sich diese am besten aufteilen lassen. Durch Unsupervised Learning finden wir die sinnvollste Art der Kategorisierung für unseren konkreten Anwendungsfall. Beim Reinforcement Learning lernt das Machine-Learning-Modell durch ständiges Feedback zu seinen Handlungen. Beim autonomen Fahren beispielsweise kann das Modell belohnt oder bestraft werden, je nachdem, wie gut es funktioniert oder „fährt“. Wenn es gegen ein Hindernis fährt, bekommt das Modell Punkteabzug und lernt so, das in Zukunft zu vermeiden. So gewährleisten wir die Sicherheit und Zuverlässigkeit unserer Machine-Learning-Arbeit WirelessCar hat sich für Amazon Web Service (AWS) als Partner für Data Science und Machine Learning entschieden. Unsere Partnerschaft mit AWS besteht schon seit langem, und unsere Daten werden in den sicheren Cloud-Diensten von AWS gespeichert. Wir verwenden Amazon SageMaker und Redshift für unsere Machine-Learning-Modelle und QuickSight für die Visualisierung. Es ist wichtig, zu betonen, dass die von uns analysierten Daten anonymisiert sind. Wir verfügen über keinerlei rückverfolgbare Informationen über Nutzer:innen (Sozialversicherungsnummern von Fahrer:innen, Fahrzeugnummern und dergleichen) und können diese daher nicht für unser Machine Learning verwenden. Darüber hinaus schlüsseln wir bei unserer Machine-Learning-Arbeit Daten nicht so detailliert auf. Wir interessieren uns für das große Ganze und dafür, Produkte und Lösungen zu entwickeln, die allen OEMs in all ihren Märkten dienen. Machine-Learning meistern – gemeinsam mit OEMs Welches sind die zentralen Herausforderungen von Machine Learning, zumindest in diesem Kontext? Wie überwinden wir diese Herausforderungen und liefern OEMs bessere Connected Car Services? 1. Connected-Car-Daten sammeln und analysieren Die Quantität der Daten ist der Schlüssel zur Qualität von Connected Car Services. Je mehr Daten vernetzter Fahrzeuge zur Verfügung stehen, desto besser lassen sich diese durch Machine Learning analysieren. Nicht alle Daten werden für ein bestimmtes Machine-Learning-Projekt von Bedeutung sein. Da Connected Car Services unausweichlich komplexer werden, ist der Zugriff auf möglichst viele Daten während der Entwicklung entscheidend. 2. Umgang mit großen Datenmengen Selbst kleine Datensätze können Millionen von Fahrzeugen betreffen. Umso komplexer ist der Umgang mit gewaltigen Datenmengen. Bei WirelessCar legen wir Wert auf Investitionen in und Arbeit mit Technologie, die solche Anforderungen erfüllen kann und uns das nötige Rüstzeug für das Big Data Management liefert. Dies ist eine Voraussetzung, um unser Machine Learning fortwährend zu verbessern und unsere Connected Car Services für (und gemeinsam mit) OEMs zu entwickeln. 3. Enge Zusammenarbeit mit OEMs Je enger unsere Zusammenarbeit mit OEMs, desto besser die Ergebnisse. In kaum einem Szenario ist das zutreffender als beim Machine Learning. Wir müssen die Bedürfnisse und Probleme unserer Kunden – und deren Kunden – verstehen, und unsere Machine-Learning-Modelle entsprechend trainieren. Durch die Kollaboration können wir nicht nur gemeinsam komplexe Probleme überwinden, sondern uns auch besser für die Zukunft wappnen. Möchten Sie mehr darüber erfahren, wie unsere Arbeit im Bereich Machine Learning Ihr Angebot unterstützen kann? Dann zögern Sie nicht, mich zu kontaktieren; meine Kontaktdaten finden Sie unten. Machine Learning ist ein umfangreiches und faszinierendes Thema, das uns noch in vielen künftigen Artikeln begleiten wird. Stöbern Sie bis dahin auf unserem Blog WirelessCar Insights in Artikeln über Mobility Insights und Nachhaltigkeit, Erkenntnisse über E-Auto-Fahrer:innen, das FREEDOM-Projekt, Cybersicherheit und Datenschutz in der Automobilbranche und viele weitere Themen! Sami Fatmi Kontakt
