{"id":2744,"date":"2018-08-22T09:55:06","date_gmt":"2018-08-22T07:55:06","guid":{"rendered":"https:\/\/blog.iese.fraunhofer.de\/?p=2744"},"modified":"2024-01-22T12:14:18","modified_gmt":"2024-01-22T11:14:18","slug":"maschinelles-lernen-und-ki-im-engineering","status":"publish","type":"post","link":"https:\/\/www.iese.fraunhofer.de\/blog\/maschinelles-lernen-und-ki-im-engineering\/","title":{"rendered":"Maschinelles Lernen und KI  \u2013 warum tun wir uns im Engineering schwer damit?"},"content":{"rendered":"<p class=\"lead\">Der wesentliche Unterschied zwischen ingenieurm\u00e4\u00dfigen und datengetriebenen L\u00f6sungen ist, aus eigener Erfahrung, Betroffenen h\u00e4ufig nicht explizit im Bewusstsein. Vielleicht, weil Ingenieure eher selten maschinelle Lernverfahren einsetzen und die Spezialisten f\u00fcr maschinelles Lernen h\u00e4ufig keine Ingenieure sind.<\/p>\n<h3>Intelligente Produkte \u2013 aber sicher?<\/h3>\n<p>Immer mehr Produkte enthalten Komponenten, die auf <a href=\"https:\/\/de.wikipedia.org\/wiki\/Maschinelles_Lernen\">maschinellen Lernverfahren<\/a> und <a href=\"https:\/\/de.wikipedia.org\/wiki\/K%C3%BCnstliche_Intelligenz\">k\u00fcnstlicher Intelligenz<\/a> basieren. Die Bandbreite reicht von Produkt- und Musikempfehlungen bei Onlinediensten, \u00fcber Verkehrsschild- und Hinderniserkennung im Stra\u00dfenverkehr bis hin zur Unterst\u00fctzung von Radiologen bei der Krebsdiagnostik.<\/p>\n<p>Obwohl einstige Zukunftsvisionen wie <a href=\"https:\/\/www.iese.fraunhofer.de\/blog\/autonome-systeme-effizient-und-sicher\/\">autonome Fahrzeuge<\/a> in greifbare N\u00e4he r\u00fccken, sind einige wichtige Fragen zum maschinellen Lernen und k\u00fcnstlicher Intelligenz noch nicht abschlie\u00dfend gekl\u00e4rt. Eine solche Frage ist beispielsweise, in welcher Form ein Nachweis der funktionalen Sicherheit erbracht werden kann. Die Frage stellt sich keineswegs nur f\u00fcr autonome Fahrzeuge, sondern spielt \u00fcberall dort eine Rolle, wo ein Versagen einer maschinell erlernten L\u00f6sung hohe Risiken mit sich bringt \u2013 nicht nur, aber insbesondere f\u00fcr die k\u00f6rperliche Unversehrtheit von Menschen.<\/p>\n<h3>Warum tut sich das klassische Engineering damit schwer?<\/h3>\n<p>Um das Problem grundlegend zu verstehen, m\u00fcssen wir gedanklich einen Schritt zur\u00fccktreten und kurz rekapitulieren, wie Engineering bis dato funktioniert und was der Einzug von maschinellem Lernen und k\u00fcnstlicher Intelligenz in die zu entwickelnden Produkte bewirkt.<\/p>\n<p>Im klassischen Engineering werden zur Probleml\u00f6sung etablierte Gesetze und Modelle angewandt. Nehmen wir den Bau eines Hochhauses. Dort werden neben den Bed\u00fcrfnissen der k\u00fcnftigen Nutzer und der Kreativit\u00e4t des Architekten Modelle zu physikalischen Gegebenheiten und Materialeigenschaften sowie weitere Regelwerke ber\u00fccksichtigt, um ein nach dem Stand der Technik, statisch, energetisch und feuerschutztechnisch sicheres Geb\u00e4ude zu bauen. Aussagen dazu werden im Planungsstadium gemacht und abgenommen.<\/p>\n<p>Die in diesem Zusammenhang angewandten Gesetzm\u00e4\u00dfigkeiten, wie beispielsweise hinsichtlich der Verteilung von Traglast und W\u00e4rmeausbreitung, wurden zuvor in zahlreichen empirischen Versuchen weitestgehend als universell g\u00fcltig validiert.<\/p>\n<p>&nbsp;<\/p>\n<div id='gallery-1' class='gallery galleryid-2744 gallery-columns-1 gallery-size-full'><figure class='gallery-item'>\n\t\t\t<div class='gallery-icon landscape'>\n\t\t\t\t<a href='https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/engineering-based2.png'><img loading=\"lazy\" decoding=\"async\" width=\"1775\" height=\"295\" src=\"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/engineering-based2.png\" class=\"attachment-full size-full\" alt=\"Ingenieursbasierende L\u00f6sung \/ Schaubild Engineering-basedSolusion - Fraunhofer IESE\" srcset=\"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/engineering-based2.png 1775w, https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/engineering-based2-400x66.png 400w, https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/engineering-based2-768x128.png 768w, https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/engineering-based2-698x116.png 698w\" sizes=\"auto, (max-width: 1775px) 100vw, 1775px\" \/><\/a>\n\t\t\t<\/div><\/figure>\n\t\t<\/div>\n\n<p>&nbsp;<\/p>\n<p>Bei der ingenieurm\u00e4\u00dfigen Probleml\u00f6sung liegt der Fokus daher auf einer geschickten und korrekten Ausnutzung dieser Gesetzm\u00e4\u00dfigkeiten, um die gestellten Anforderungen zu erf\u00fcllen. So l\u00e4sst sich eine L\u00f6sung h\u00e4ufig nach ihrer initialen Konzeption auf Basis der zugrundeliegenden Gesetzm\u00e4\u00dfigkeiten verifizieren, beispielsweise, ob die zugrundeliegende Baustatik die ben\u00f6tige Tragf\u00e4higkeit bietet.<\/p>\n<p>Verallgemeinern l\u00e4sst sich der Umstand, dass der fr\u00fchzeitige konzeptionelle Nachweise bestimmter Eigenschaften ein wichtiges Merkmal einer ingenieurm\u00e4\u00dfigen L\u00f6sung ist. Da dies nat\u00fcrlich nicht durchg\u00e4ngig f\u00fcr alle Eigenschafen einer L\u00f6sung gilt, ist deren Umsetzung in den meisten Disziplinen von zus\u00e4tzlichen Evaluationsaktivit\u00e4ten begleitet. Bei Bauwerken sind dies Begehungen und Abnahmen, bei Automobilen beispielsweise Simulationen und Testfahrten.<\/p>\n<p>Auch das Software Engineering folgt \u2013 vergleichbar dem Systems Engineering \u2013 weitgehend der Tradition der ingenieurm\u00e4\u00dfigen Konzeption von L\u00f6sungen. Ein Problem wird konkretisiert, in Teilprobleme zerlegt und die sukzessiv verfeinerte L\u00f6sung letztlich mittels geeigneter Algorithmen durch die Entwickler respektive Software-Ingenieure im Programmcode abgebildet.<\/p>\n<h3>Was unterscheidet datengetriebene von ingenieurm\u00e4\u00dfigen L\u00f6sungen?<\/h3>\n<p>Datengetriebene Probleml\u00f6sungen, wie sie durch die Anwendung von maschinellen Lernverfahren entstehen, weisen in ihrer Entstehung einen fundamentalen Unterschied zu ingenieursm\u00e4\u00dfigen L\u00f6sungen auf. Anstelle des Menschen, der Gesetzm\u00e4\u00dfigkeiten zur Probleml\u00f6sung geschickt und auf Erfahrung basiert kombiniert, generalisiert der maschinelle Lernalgorithmus aus den bereitgestellten Beobachtungsdaten ein datenbasiertes Modell als spezifische L\u00f6sung f\u00fcr die konkrete Problemstellung. Beispiel f\u00fcr solche Problemstellungen sind das Erkennen von Verkehrsschildern im Stra\u00dfenverkehr, aber auch die Identifikation von Tumoren auf CT-Bildern. Zugrundeliegende Gesetzm\u00e4\u00dfigkeiten und Zusammenh\u00e4nge brauchen bei dieser Art der Probleml\u00f6sung dem Ingenieur im Vorfeld nicht bekannt zu sein. Verk\u00fcrzt k\u00f6nnte man sagen, datengetriebene L\u00f6sungen nehmen eine Abk\u00fcrzung, indem sie den wissenschaftlichen Schritt der Theoriebildung und experimentellen Validierung \u00fcberspringen.<\/p>\n<p>&nbsp;<\/p>\n<div id='gallery-2' class='gallery galleryid-2744 gallery-columns-1 gallery-size-full'><figure class='gallery-item'>\n\t\t\t<div class='gallery-icon landscape'>\n\t\t\t\t<a href='https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/data-driven2.png'><img loading=\"lazy\" decoding=\"async\" width=\"1777\" height=\"261\" src=\"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/data-driven2.png\" class=\"attachment-full size-full\" alt=\"Datengetriebene L\u00f6sung \/ Schaubild Data driven Solusion - Fraunhofer IESE\" srcset=\"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/data-driven2.png 1777w, https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/data-driven2-400x59.png 400w, https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/data-driven2-768x113.png 768w, https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/data-driven2-698x103.png 698w\" sizes=\"auto, (max-width: 1777px) 100vw, 1777px\" \/><\/a>\n\t\t\t<\/div><\/figure>\n\t\t<\/div>\n\n<p>&nbsp;<\/p>\n<p>Datengetriebene L\u00f6sungen besitzen daher gegen\u00fcber ingenieurm\u00e4\u00dfigen L\u00f6sungen sowohl Vorteile als auch Nachteile. So lassen sich mittels maschinellen Lernverfahren insbesondere auch L\u00f6sungen f\u00fcr Probleme bereitstellen, die entweder derzeit ingenieurm\u00e4\u00dfig nicht sinnvoll l\u00f6sbar sind oder deren aktuelle ingenieurm\u00e4\u00dfige L\u00f6sungen bez\u00fcglich Effektivit\u00e4t und Effizienz bei weitem \u00fcbertroffen werden. Aktuelle Beispiele sind die Identifikation von Objekten in Bilddaten, die Erkennung menschlicher Sprache wie auch die automatische \u00dcbersetzung von Texten.<\/p>\n<p>Nun k\u00f6nnte man die angewandten maschinellen Lernverfahren gedanklich mit den Gesetzm\u00e4\u00dfigkeiten im traditionellen Engineering gleichsetzen, da diese ebenfalls durch den Ingenieur geeignet ausgew\u00e4hlt und zur L\u00f6sung eines Problems angewendet werden. Den potenziellen Nachteilen einer datengeriebenen L\u00f6sung k\u00f6nnte dementsprechend durch ein ingenieurm\u00e4\u00dfiges Vorgehen bei Erstellung und Einsatz der Algorithmen entgegnet werden.<\/p>\n<p>Da die Algorithmen der maschinellen Lernverfahren selbst jedoch keine Gesetzm\u00e4\u00dfigkeiten darstellen, entziehen Sie sich einer generellen empirischen Validierung. Auch ist bei datengeriebenen L\u00f6sungen nicht der Ingenieur derjenige, der die L\u00f6sung konzipiert, vielmehr gibt er einen oder mehrere Algorithmen vor, die dann anhand vorhandener Daten eine L\u00f6sung selbstst\u00e4ndig \u201eerlernen\u201c, in dem sie aus den Daten ein passendes Modell abstrahieren.<\/p>\n<h3>Wie wichtig ist uns das \u201eWarum\u201c bei datengetriebenen L\u00f6sungen?<\/h3>\n<p>Das Vorhandensein einer Begr\u00fcndung ist f\u00fcr Menschen ein wichtiges Akzeptanzkriterium. Nicht umsonst ist die Urteilsbegr\u00fcndung in Gerichtsverfahren gew\u00f6hnlich deutlich aufw\u00e4ndiger als die reine Urteilsfindung. Beim Einsatz aktueller maschineller Lernverfahren ist es im Allgemeinen jedoch schwierig, ein bestimmtes Ergebnis anhand der Berechnungen im zuvor erlernten Modell f\u00fcr einen Menschen nachvollziehbar zu begr\u00fcnden. Aktuell widmen sich interessante Forschungsans\u00e4tze der Verbesserung dieser Situation, in letzter Konsequenz bei\u00dft sich an dieser Stelle jedoch die sprichw\u00f6rtliche Katze in den Schwanz. Sobald die Ergebnisse einer maschinell erlernten L\u00f6sung vollst\u00e4ndig mittels Begr\u00fcndungen nachvollziehbar sind, ist das Problem auch ingenieurm\u00e4\u00dfig modellierbar und damit l\u00f6sbar. Solang diese Tiefe an Verst\u00e4ndnis nicht erreicht ist, handelt es sich hingegen im besten Fall um eine Plausibilisierung der Ergebnisse.<\/p>\n<p>Wenn wir also von aktuellen Fortschritten im Bereich k\u00fcnstlicher Intelligenz und des maschinellen Lernens profitieren wollen, m\u00fcssen wir voraussichtlich damit leben, dass wir die Frage nach dem \u201ewarum\u201c hinter der L\u00f6sung nicht immer befriedigend beantworten k\u00f6nnen.<\/p>\n<figure id=\"attachment_2755\" aria-describedby=\"caption-attachment-2755\" style=\"width: 748px\" class=\"wp-caption aligncenter\"><img loading=\"lazy\" decoding=\"async\" class=\"wp-image-2755 size-full\" src=\"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/iStock-813581436_748x375.jpg\" alt=\"Datengetriebene L\u00f6sung zur Verkehrsschildbestimmung - Fraunhofer IESE\" width=\"748\" height=\"375\" srcset=\"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/iStock-813581436_748x375.jpg 748w, https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/iStock-813581436_748x375-400x201.jpg 400w, https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/iStock-813581436_748x375-698x350.jpg 698w\" sizes=\"auto, (max-width: 748px) 100vw, 748px\" \/><figcaption id=\"caption-attachment-2755\" class=\"wp-caption-text\">Datengetriebene L\u00f6sung zur Verkehrsschildbestimmung<\/figcaption><\/figure>\n<h4>Was bleibt? Wissen um die Unsicherheit.<\/h4>\n<p>Was auch bei datengetriebenen L\u00f6sungen erstrebenswert bleibt, ist \u2013 neben dem Ausschluss erkennbarer Fehlerquellen \u2013 eine m\u00f6glichst verl\u00e4ssliche Einsch\u00e4tzung der Unsicherheit im bereitgestellten Ergebnis. Eine datengetriebene Komponente zur Verkehrsschilderkennung sollte beispielsweise nicht nur die Information liefern, dass ihre Auswertung auf das Vorhandensein eines Vorfahrtsschildes schlie\u00dfen l\u00e4sst, sondern auch Information zur im Ergebnis enthaltenen Unsicherheit und seiner Konfidenz in deren Bestimmung. Das k\u00f6nnte im Beispiel wie folgt aussehen \u201e<em>unter Ber\u00fccksichtigung der aktuellen Licht- und Wetterverh\u00e4ltnisse sowie dem Verschmutzungsgrad der Frontkamera wurde das Schild auf einem Konfidenzniveau von 0.95 mit einer Wahrscheinlichkeit von &gt; 98,6 % als Vorfahrtsschild erkannt<\/em>\u201c. Bei der Unsicherheit im Ergebnis spielen hierbei neben der generellen Qualit\u00e4t des Modells auch der aktuelle Einsatzkontext wie auch die <a href=\"https:\/\/www.iese.fraunhofer.de\/blog\/quantity-over-quality-mistake\/\">Qualit\u00e4t der zur Verf\u00fcgung stehenden Daten<\/a> eine wichtige Rolle [1]. Es ist leicht nachzuvollziehen, dass beispielsweise das Wissen um schlechte Lichtverh\u00e4ltnisse oder eine verschmutzte Kameralinse zwar wenig Informationsgewinn bei der korrekten Bestimmung eines Verkehrsschilds liefern. Sie helfen jedoch, die Unsicherheit im bereitgestellten Ergebnis akkurater zu beurteilen und damit dem diese Information verwendenden Gesamtsystem bessere Entscheidungen zu treffen.<\/p>\n<p>Eine datengetriebene L\u00f6sung muss dementsprechend umfassend und empirisch sauber auf f\u00fcr den geplanten Einsatzkontext <a href=\"https:\/\/www.iese.fraunhofer.de\/blog\/big-data-und-predictive-analytics-alles-nur-ein-hype\/\">repr\u00e4sentativen und bez\u00fcglich Qualit\u00e4t und Herkunft annotierten Daten<\/a> getestet werden. Wie hierbei Unsicherheitsquellen im Rahmen der Entwicklung kollaborativer eingebetteter Systeme geeignet identifiziert, modelliert und quantifiziert werden k\u00f6nnen, damit wird sich unter anderem im vom BMBF gef\u00f6rderten Konsortialprojekt <a href=\"https:\/\/crest.in.tum.de\/index.html\" target=\"_blank\" rel=\"noopener noreferrer\">CrESt<\/a> besch\u00e4ftigt.<\/p>\n<p>Infos zu aktuellen Projekten und dem Leistungsangebot des Fraunhofer IESE zur Entwcklung datengetriebener L\u00f6sungen finden Sie unter: www.iese.fraunhofer.de\/de\/competencies\/data.html<\/p>\n<div class=\"info-box\">\n<p><strong>Weitere Infos und Input zum Thema gew\u00fcnscht?<\/strong><\/p>\n<p>&nbsp;<\/p>\n<p>Wenn Sie mehr zum Stand der Technik und den Herausforderungen bei der <strong>Absicherung von KI in sicherheitskritischen Systemen<\/strong> erfahren wollen, besuchen Sie gerne unsere im Jahr 2022 neukonzipierte <a href=\"https:\/\/www.iese.fraunhofer.de\/de\/seminare_training\/data-scientist-assuring-safety.html\">4-t\u00e4gige Weiterbildung zum zertifizierten \u00bbData Scientist Specialized in Assuring Safety\u00ab<\/a>.<\/p>\n<\/div>\n<p>[1] Michael Kl\u00e4s and Anna Maria Vollmer, \u201c<a href=\"http:\/\/www.klaes.org\/Z-files\/Klaes-2018-WAISE.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">Uncertainty in Machine Learning Applications \u2013 A Practice-Driven Classification of Uncertainty<\/a>\u201d, First International Workshop on Artificial Intelligence Safety Engineering Sept 18<sup>th<\/sup>, 2018, V\u00e4ster\u00e5s, Sweden.<\/p>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Der wesentliche Unterschied zwischen ingenieurm\u00e4\u00dfigen und datengetriebenen L\u00f6sungen ist, aus eigener Erfahrung, Betroffenen h\u00e4ufig nicht explizit im Bewusstsein. Vielleicht, weil Ingenieure eher selten maschinelle Lernverfahren einsetzen und die Spezialisten f\u00fcr maschinelles Lernen h\u00e4ufig keine Ingenieure sind. Intelligente Produkte \u2013 aber&#8230;<\/p>\n","protected":false},"author":26,"featured_media":2754,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[177,18],"tags":[26,104,415,296],"coauthors":[46,41],"class_list":["post-2744","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-kuenstliche-intelligenz","category-sicherheit","tag-big-data","tag-data-analytics","tag-dependable-ai-verlaessliche-ki","tag-machine-learning"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.5 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Maschinelles Lernen und KI \u2013 warum tun wir uns im Engineering schwer damit? - Blog des Fraunhofer IESE<\/title>\n<meta name=\"description\" content=\"Datengetriebene L\u00f6sungen unterscheiden sich zum klassischen Engineering durch den Faktor Mensch. Wo liegen Vor- und Nachteile f\u00fcr das maschinelle Learning?\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.iese.fraunhofer.de\/blog\/maschinelles-lernen-und-ki-im-engineering\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Maschinelles Lernen und KI \u2013 warum tun wir uns im Engineering schwer damit? - Blog des Fraunhofer IESE\" \/>\n<meta property=\"og:description\" content=\"Datengetriebene L\u00f6sungen unterscheiden sich zum klassischen Engineering durch den Faktor Mensch. Wo liegen Vor- und Nachteile f\u00fcr das maschinelle Learning?\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.iese.fraunhofer.de\/blog\/maschinelles-lernen-und-ki-im-engineering\/\" \/>\n<meta property=\"og:site_name\" content=\"Fraunhofer IESE\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/FraunhoferIESE\/\" \/>\n<meta property=\"article:published_time\" content=\"2018-08-22T07:55:06+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-01-22T11:14:18+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/iStock-829197466_748x375.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"748\" \/>\n\t<meta property=\"og:image:height\" content=\"375\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Dr. Michael Kl\u00e4s, Dr. Andreas Jedlitschka\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@FraunhoferIESE\" \/>\n<meta name=\"twitter:site\" content=\"@FraunhoferIESE\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Dr. Michael Kl\u00e4s\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"7\u00a0Minuten\" \/>\n\t<meta name=\"twitter:label3\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data3\" content=\"Dr. Michael Kl\u00e4s, Dr. Andreas Jedlitschka\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/maschinelles-lernen-und-ki-im-engineering\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/maschinelles-lernen-und-ki-im-engineering\\\/\"},\"author\":{\"name\":\"Dr. Michael Kl\u00e4s\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#\\\/schema\\\/person\\\/790f3967298ec81883eb87ed11d86c5e\"},\"headline\":\"Maschinelles Lernen und KI \u2013 warum tun wir uns im Engineering schwer damit?\",\"datePublished\":\"2018-08-22T07:55:06+00:00\",\"dateModified\":\"2024-01-22T11:14:18+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/maschinelles-lernen-und-ki-im-engineering\\\/\"},\"wordCount\":1393,\"publisher\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/maschinelles-lernen-und-ki-im-engineering\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2018\\\/08\\\/iStock-829197466_748x375.jpg\",\"keywords\":[\"Big Data\",\"Data Analytics\",\"Dependable AI \\\/ Verl\u00e4ssliche KI\",\"Machine Learning\"],\"articleSection\":[\"K\u00fcnstliche Intelligenz\",\"Sicherheit\"],\"inLanguage\":\"de\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/maschinelles-lernen-und-ki-im-engineering\\\/\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/maschinelles-lernen-und-ki-im-engineering\\\/\",\"name\":\"Maschinelles Lernen und KI \u2013 warum tun wir uns im Engineering schwer damit? - Blog des Fraunhofer IESE\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/maschinelles-lernen-und-ki-im-engineering\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/maschinelles-lernen-und-ki-im-engineering\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2018\\\/08\\\/iStock-829197466_748x375.jpg\",\"datePublished\":\"2018-08-22T07:55:06+00:00\",\"dateModified\":\"2024-01-22T11:14:18+00:00\",\"description\":\"Datengetriebene L\u00f6sungen unterscheiden sich zum klassischen Engineering durch den Faktor Mensch. Wo liegen Vor- und Nachteile f\u00fcr das maschinelle Learning?\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/maschinelles-lernen-und-ki-im-engineering\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/maschinelles-lernen-und-ki-im-engineering\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/maschinelles-lernen-und-ki-im-engineering\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2018\\\/08\\\/iStock-829197466_748x375.jpg\",\"contentUrl\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2018\\\/08\\\/iStock-829197466_748x375.jpg\",\"width\":748,\"height\":375,\"caption\":\"young woman reading a magazine in a autonomous car. driverless car. self-driving vehicle. heads up display. automotive technology.Fraunhofer-Institut IESE\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/maschinelles-lernen-und-ki-im-engineering\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Startseite\",\"item\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Maschinelles Lernen und KI \u2013 warum tun wir uns im Engineering schwer damit?\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#website\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/\",\"name\":\"Fraunhofer IESE\",\"description\":\"Blog des Fraunhofer-Institut f\u00fcr Experimentelles Software Engineering\",\"publisher\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#organization\",\"name\":\"Fraunhofer IESE\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2016\\\/08\\\/fhg_iese_logo.png\",\"contentUrl\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2016\\\/08\\\/fhg_iese_logo.png\",\"width\":183,\"height\":50,\"caption\":\"Fraunhofer IESE\"},\"image\":{\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/FraunhoferIESE\\\/\",\"https:\\\/\\\/x.com\\\/FraunhoferIESE\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/fraunhoferiese\\\/\",\"https:\\\/\\\/www.youtube.com\\\/c\\\/FraunhoferIESE\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/#\\\/schema\\\/person\\\/790f3967298ec81883eb87ed11d86c5e\",\"name\":\"Dr. Michael Kl\u00e4s\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2022\\\/02\\\/klaes_michael-96x96.jpg83e380d8683e0c7345165dedbc8ccb71\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2022\\\/02\\\/klaes_michael-96x96.jpg\",\"contentUrl\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/wp-content\\\/uploads\\\/2022\\\/02\\\/klaes_michael-96x96.jpg\",\"caption\":\"Dr. Michael Kl\u00e4s\"},\"description\":\"Dr. Michael Kl\u00e4s ist seit Abschluss seines Informatikstudiums in der angewandten Forschung t\u00e4tig und ber\u00e4t Unternehmen in den Bereichen Softwarequalit\u00e4t und Datenanalyse. Im Laufe der letzten Dekade verantwortete er in zahlreichen Industrie- und Forschungsprojekten insbesondere den Aufbau von KPI-Systemen, die Evaluation neuer Technologien und die Entwicklung pr\u00e4diktiver Analysen. In seiner Dissertation besch\u00e4ftigte er sich mit der Vorhersage von Softwarefehlern unter Einbeziehung von Expertenwissen. Aktuell liegt sein Schwerpunkt im Bereich der Potenzialanalyse f\u00fcr datengetriebene Innovation und der Datenqualit\u00e4ts- und Unsicherheitsanalyse bei Big-Data- und KI-Systemen. Als Autor zahlreicher Fachpublikationen engagiert er sich zudem als Hochschuldozent und als Experte bei der Normierung (DIN\\\/VDE).\",\"url\":\"https:\\\/\\\/www.iese.fraunhofer.de\\\/blog\\\/author\\\/michael-klaes\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Maschinelles Lernen und KI \u2013 warum tun wir uns im Engineering schwer damit? - Blog des Fraunhofer IESE","description":"Datengetriebene L\u00f6sungen unterscheiden sich zum klassischen Engineering durch den Faktor Mensch. Wo liegen Vor- und Nachteile f\u00fcr das maschinelle Learning?","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.iese.fraunhofer.de\/blog\/maschinelles-lernen-und-ki-im-engineering\/","og_locale":"de_DE","og_type":"article","og_title":"Maschinelles Lernen und KI \u2013 warum tun wir uns im Engineering schwer damit? - Blog des Fraunhofer IESE","og_description":"Datengetriebene L\u00f6sungen unterscheiden sich zum klassischen Engineering durch den Faktor Mensch. Wo liegen Vor- und Nachteile f\u00fcr das maschinelle Learning?","og_url":"https:\/\/www.iese.fraunhofer.de\/blog\/maschinelles-lernen-und-ki-im-engineering\/","og_site_name":"Fraunhofer IESE","article_publisher":"https:\/\/www.facebook.com\/FraunhoferIESE\/","article_published_time":"2018-08-22T07:55:06+00:00","article_modified_time":"2024-01-22T11:14:18+00:00","og_image":[{"width":748,"height":375,"url":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/iStock-829197466_748x375.jpg","type":"image\/jpeg"}],"author":"Dr. Michael Kl\u00e4s, Dr. Andreas Jedlitschka","twitter_card":"summary_large_image","twitter_creator":"@FraunhoferIESE","twitter_site":"@FraunhoferIESE","twitter_misc":{"Verfasst von":"Dr. Michael Kl\u00e4s","Gesch\u00e4tzte Lesezeit":"7\u00a0Minuten","Written by":"Dr. Michael Kl\u00e4s, Dr. Andreas Jedlitschka"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/maschinelles-lernen-und-ki-im-engineering\/#article","isPartOf":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/maschinelles-lernen-und-ki-im-engineering\/"},"author":{"name":"Dr. Michael Kl\u00e4s","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#\/schema\/person\/790f3967298ec81883eb87ed11d86c5e"},"headline":"Maschinelles Lernen und KI \u2013 warum tun wir uns im Engineering schwer damit?","datePublished":"2018-08-22T07:55:06+00:00","dateModified":"2024-01-22T11:14:18+00:00","mainEntityOfPage":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/maschinelles-lernen-und-ki-im-engineering\/"},"wordCount":1393,"publisher":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#organization"},"image":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/maschinelles-lernen-und-ki-im-engineering\/#primaryimage"},"thumbnailUrl":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/iStock-829197466_748x375.jpg","keywords":["Big Data","Data Analytics","Dependable AI \/ Verl\u00e4ssliche KI","Machine Learning"],"articleSection":["K\u00fcnstliche Intelligenz","Sicherheit"],"inLanguage":"de"},{"@type":"WebPage","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/maschinelles-lernen-und-ki-im-engineering\/","url":"https:\/\/www.iese.fraunhofer.de\/blog\/maschinelles-lernen-und-ki-im-engineering\/","name":"Maschinelles Lernen und KI \u2013 warum tun wir uns im Engineering schwer damit? - Blog des Fraunhofer IESE","isPartOf":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/maschinelles-lernen-und-ki-im-engineering\/#primaryimage"},"image":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/maschinelles-lernen-und-ki-im-engineering\/#primaryimage"},"thumbnailUrl":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/iStock-829197466_748x375.jpg","datePublished":"2018-08-22T07:55:06+00:00","dateModified":"2024-01-22T11:14:18+00:00","description":"Datengetriebene L\u00f6sungen unterscheiden sich zum klassischen Engineering durch den Faktor Mensch. Wo liegen Vor- und Nachteile f\u00fcr das maschinelle Learning?","breadcrumb":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/maschinelles-lernen-und-ki-im-engineering\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.iese.fraunhofer.de\/blog\/maschinelles-lernen-und-ki-im-engineering\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/maschinelles-lernen-und-ki-im-engineering\/#primaryimage","url":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/iStock-829197466_748x375.jpg","contentUrl":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/iStock-829197466_748x375.jpg","width":748,"height":375,"caption":"young woman reading a magazine in a autonomous car. driverless car. self-driving vehicle. heads up display. automotive technology.Fraunhofer-Institut IESE"},{"@type":"BreadcrumbList","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/maschinelles-lernen-und-ki-im-engineering\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Startseite","item":"https:\/\/www.iese.fraunhofer.de\/blog\/"},{"@type":"ListItem","position":2,"name":"Maschinelles Lernen und KI \u2013 warum tun wir uns im Engineering schwer damit?"}]},{"@type":"WebSite","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#website","url":"https:\/\/www.iese.fraunhofer.de\/blog\/","name":"Fraunhofer IESE","description":"Blog des Fraunhofer-Institut f\u00fcr Experimentelles Software Engineering","publisher":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.iese.fraunhofer.de\/blog\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#organization","name":"Fraunhofer IESE","url":"https:\/\/www.iese.fraunhofer.de\/blog\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#\/schema\/logo\/image\/","url":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2016\/08\/fhg_iese_logo.png","contentUrl":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2016\/08\/fhg_iese_logo.png","width":183,"height":50,"caption":"Fraunhofer IESE"},"image":{"@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/FraunhoferIESE\/","https:\/\/x.com\/FraunhoferIESE","https:\/\/www.linkedin.com\/company\/fraunhoferiese\/","https:\/\/www.youtube.com\/c\/FraunhoferIESE"]},{"@type":"Person","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/#\/schema\/person\/790f3967298ec81883eb87ed11d86c5e","name":"Dr. Michael Kl\u00e4s","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2022\/02\/klaes_michael-96x96.jpg83e380d8683e0c7345165dedbc8ccb71","url":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2022\/02\/klaes_michael-96x96.jpg","contentUrl":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2022\/02\/klaes_michael-96x96.jpg","caption":"Dr. Michael Kl\u00e4s"},"description":"Dr. Michael Kl\u00e4s ist seit Abschluss seines Informatikstudiums in der angewandten Forschung t\u00e4tig und ber\u00e4t Unternehmen in den Bereichen Softwarequalit\u00e4t und Datenanalyse. Im Laufe der letzten Dekade verantwortete er in zahlreichen Industrie- und Forschungsprojekten insbesondere den Aufbau von KPI-Systemen, die Evaluation neuer Technologien und die Entwicklung pr\u00e4diktiver Analysen. In seiner Dissertation besch\u00e4ftigte er sich mit der Vorhersage von Softwarefehlern unter Einbeziehung von Expertenwissen. Aktuell liegt sein Schwerpunkt im Bereich der Potenzialanalyse f\u00fcr datengetriebene Innovation und der Datenqualit\u00e4ts- und Unsicherheitsanalyse bei Big-Data- und KI-Systemen. Als Autor zahlreicher Fachpublikationen engagiert er sich zudem als Hochschuldozent und als Experte bei der Normierung (DIN\/VDE).","url":"https:\/\/www.iese.fraunhofer.de\/blog\/author\/michael-klaes\/"}]}},"jetpack_featured_media_url":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-content\/uploads\/2018\/08\/iStock-829197466_748x375.jpg","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/posts\/2744","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/users\/26"}],"replies":[{"embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/comments?post=2744"}],"version-history":[{"count":13,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/posts\/2744\/revisions"}],"predecessor-version":[{"id":10019,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/posts\/2744\/revisions\/10019"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/media\/2754"}],"wp:attachment":[{"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/media?parent=2744"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/categories?post=2744"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/tags?post=2744"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.iese.fraunhofer.de\/blog\/wp-json\/wp\/v2\/coauthors?post=2744"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}