Eine zentrale Herausforderung bei KI-Systemen ist ihr »Black Box«-Charakter: Anders als bei klassischer Software ist oft nicht nachvollziehbar, wie die KI zu ihren Entscheidungen kommt. Das macht es schwierig vorherzusagen, wie sich das System in unbekannten Situationen verhält. Gerade im Baubereich, wo Menschen und Maschinen eng zusammenarbeiten, ist dies sicherheitskritisch.
Die Qualität und Quantität der Trainingsdaten stellen eine weitere Herausforderung dar. Die KI muss mit ausreichend realen Daten aus dem Baustellenalltag trainiert werden, die korrekt, vollständig und repräsentativ sind. Die Annotation der Daten, also das »Beschriften« von Objekten wie Personen oder Maschinen in Bildern, ist dabei ein aufwendiger Prozess. Besonders kritische Situationen sind in den Trainingsdaten oft unterrepräsentiert, was die Zuverlässigkeit des Systems beeinträchtigen kann.
ML-DevOps-Pipeline als strukturierte Lösung
Die entwickelte ML-DevOps-Pipeline bietet einen durchgängigen Prozess für die KI-Entwicklung. In der Datenaufbereitung werden zunächst Rohdaten gesammelt und bereinigt. Tools wie »Databricks« und »FiftyOne« unterstützen bei der Datenverwaltung und -aufteilung. Dabei wird besonderer Wert auf die Qualitätssicherung gelegt. Fehlerhafte oder inkonsistente Daten werden aussortiert, um die Zuverlässigkeit des späteren KI-Systems sicherzustellen.
Der anschließende Datenannotations-Loop verbessert kontinuierlich die Datenqualität. Mit der Software »Cvat« können Bilder und Videos effizient annotiert werden. Ein spezielles »Human-in-the-Loop«-Verfahren stellt sicher, dass die Annotationen präzise und konsistent sind. Durch regelmäßige Qualitätskontrollen werden Fehler frühzeitig erkannt und korrigiert.
Im KI-Optimierungs-Loop erfolgt das eigentliche Training und die Optimierung des Modells mit modernen Frameworks wie »TensorFlow«. »AzureML« und »MLflow« steuern und überwachen den gesamten Prozess. Fortschrittliche Methoden wie Transfer Learning und Datenaugmentation maximieren dabei die Performance. Durch systematische Tests wird die Zuverlässigkeit in verschiedenen Szenarien sichergestellt.
Praxisbeispiel: Personenerkennung im Steinbruch
Ein konkretes Anwendungsbeispiel ist die Entwicklung eines KI-Systems zur Personenerkennung an Schrapperanlagen im Rahmen des EU-Projekts »DigiEcoQuarry«. ITK Engineering entwickelte dabei ein System, das Kamerasensoren nutzt, die im Bereich der Schrapperanlage installiert sind. Die entwickelte Software erkennt Personen und definiert Warn- und Gefahrenbereiche um den Kübel der Schrapperanlage. Die besondere Herausforderung liegt dabei in schwierigen Umgebungsbedingungen wie Staub, wechselnden Lichtverhältnissen und komplexen Bewegungsabläufen.
Die Pipeline ermöglicht eine systematische Entwicklung mit hoher Nachvollziehbarkeit. Besonders wertvoll ist die Integration großer Mengen simulierter Daten, die kritische Situationen abbilden. Die weitgehende Automatisierung minimiert Fehler im Entwicklungsprozess. Durch kontinuierliches Monitoring wird das System auch im Betrieb überwacht und bei Bedarf nachtrainiert.
Technologische Innovation und Sicherheitsstandards
Die ML-DevOps-Pipeline integriert modernste Technologien und Best Practices der KI-Entwicklung. Gleichzeitig berücksichtigt sie die strengen Sicherheitsanforderungen im Baumaschinenbereich. Die Pipeline dokumentiert jeden Entwicklungsschritt und macht Entscheidungen nachvollziehbar. Dies ist besonders wichtig für die Zertifizierung und Zulassung der Systeme.
Die Pipeline wird kontinuierlich weiterentwickelt, um noch robustere KI-Systeme zu ermöglichen. Ein Schwerpunkt liegt auf der Integration neuer Sensortechnologien und der Verbesserung der Objekterkennung. Die Entwicklung von Sicherheitsstandards und Zertifizierungsprozessen wird parallel vorangetrieben. Auch die Anpassungsfähigkeit der Systeme an verschiedene Einsatzszenarien soll weiter verbessert werden.
Die ML-DevOps-Pipeline hat sich als wichtiger Baustein für sichere KI in Baumaschinen erwiesen. Sie ermöglicht es, die komplexen Herausforderungen der KI-Entwicklung systematisch zu bewältigen. Das Beispiel aus dem Steinbruch zeigt, dass sich damit praxistaugliche und sichere Systeme entwickeln lassen.
Für die Baumaschinenbranche eröffnet die Pipeline neue Möglichkeiten, die Potenziale der künstlichen Intelligenz unter Gewährleistung höchster Sicherheitsstandards zu nutzen.s
