SIGS DATACOM Fachinformationen für IT-Professionals

SOFTWARE MEETS BUSINESS:
Die Konferenz für Software-Architektur
03. - 07. Februar 2020, München

Sessionsdetails

Vortrag: Mi 1.1
Datum: Mi, 05.02.2020
Uhrzeit: 09:00 - 10:30
cart

Homebrew Robocars – eine Plattform für Research, Development und Fortbildung

Uhrzeit: 09:00 - 09:45
Vortrag: Mi 1.1 1)

 

Künstliche Intelligenz und insbesondere Machine Learning werden für die Entwicklung von Funktionen in Fahrzeugen in Zukunft unverzichtbar sein. Die globale Initiative der selbstgebauten Robocars bietet technik-affinen Interessierten eine attraktive, kostengünstige Möglichkeit für Fortbildung und Experimente mit autonomen Fahrzeugen, ohne dabei Automotive-Kenntnisse vorauszusetzen.
Dieser Vortrag gibt einen Überblick über die "Robocar-Szene" und Hinweise zum Einstieg bzw. zum Aufbau eines eigenen Robocars.

Zielpublikum: Jeder, der vom autonomen Fahren fasziniert ist und Einblicke bekommen oder sich engagieren möchte
Voraussetzungen: Keine
Schwierigkeitsgrad: Anfänger

Extended Abstract
Für die Entwicklung von Funktionen in Fahrzeugen werden in Zukunft Kenntnisse in künstlicher Intelligenz und insbesondere in Machine Learning (ML) unverzichtbar sein. Bisher war die Beschäftigung mit dem Thema "Autonomes Fahren" oft mit Investitionen in kostspielige Hard- und Software verbunden.
Gerade für Fortbildung und Experimente bildet die globale Initiative der selbstgebauten Robocars eine attraktive, kostengünstige Alternative, die auch Interessierten außerhalb der Automobilbranche zugänglich ist. Hierbei werden kleine Fahrzeuge, meist im Maßstab 1:10, auf Basis von ferngesteuerten Modellautos aufgebaut und mit der notwendigen Technologie für autonomes Fahren ergänzt. In Wettbewerben treten Teams mit ihren Fahrzeugen gegeneinander an. Die Treffen werden oft von Automotive-Firmen unterstützt (z.B. Peugeot in Frankreich, Hella Agaila in Berlin, Bosch in Stuttgart).
Dieser Vortrag gibt einen Überblick über die "Robocar-Szene", inklusive der unterschiedlichen verwendeten Machine-Learning-Ansätze und Hinweise zum Einstieg bzw. zum Aufbau eines eigenen Robocars:

  • Grundlagen: Communities, Regeln, Strecken
  • Eingesetzte ML-Verfahren (Behavioral Cloning, Streckenerkennung etc.)
  • Eingesetzte ML-Umgebungen: TF, Keras, Python, C++
  • Eingesetzte Hardware: Raspberry, Nvidia Jetson-Familie, Movidius
  • Plattformen: Donkey Car, AWS Racer und Custom Robocars

 

Die Rolle von Architektur im Zeitalter von KI und autonomen Systemen

Uhrzeit: 09:45 - 10:30
Vortrag: Mi 1.1 2)

 

KI und autonome Systeme sind auf dem Vormarsch und dabei hochgradig von Daten abhängig. Das Thema ist omnipräsent und häufig sehr algorithmisch, daten-zentriert, auch codenah beleuchtet. Der Blick auf die Gesamtarchitektur von Systemen, die KI enthalten, fehlt dabei oft. Unser Vortrag unterstützt Softwarearchitekten dabei, den Überblick zu behalten und die wesentlichen Fragen zu stellen. Dazu orientieren wir uns an Schritten der Datensammlung, des maschinellen Lernens und der Modellnutzung, um Architekturaspekte systematisch zu beleuchten.

Zielpublikum: Architekten, Entwickler, Data Scientists, Data Engineers
Voraussetzungen: Grundverständnis von KI und maschinellem Lernen ist vorteilhaft
Schwierigkeitsgrad: Fortgeschritten

Extended Abstract

  • KI ist ein absolut populäres Thema. Durch die einfache Verfügbarkeit von On-demand-Rechenkapazität in der Cloud und die große Verfügbarkeit von Daten kann mittlerweile KI / Machine Learning einfach eingesetzt werden. Das wird zunehmend für unterschiedliche Domänen und Anwendungsfälle relevant
  • Aktuelle Betrachtungen fokussieren häufig auf detaillierte technische Aspekte mit dem Fokus, wie bestimmte Algorithmen für unterschiedliche Anwendungsfälle verwendet werden können
  • Technische Publikationen sind oft sehr algorithmisch und codenah und für Architekten nicht ausreichend
  • Als Architekten müssen wir uns daher künftig zunehmend damit auseinandersetzen, wie wir KI als Werkzeug und Funktionalität in „normalen“ Systemen einsetzen
  • Dadurch ergeben sich neue Herausforderungen und Fragestellungen. Insbesondere der Betrachtung von Daten und der strukturierten Unterscheidung von
    • Wie integriert sich die KI als Baustein im Gesamtsystem?
    • Was wird wann woraus gelernt und welche Daten werden dazu einbezogen?
    • Zu welchen Zeitpunkten wird ein Modell gelernt und wann wird nachgelernt?
    • Wie werden Modelle verteilt und deployed?
    • Wie werden Modelle im Gesamtsystem verwendet, um Resultate zu bekommen?
    • Bei autonomen Systemen: Lernt jede Instanz (z.B. Auto) selbst weiter, oder findet Lernen nur in zentralen Servern statt?
    • Welche Daten müssen in der Gesamtbetrachtung wie bewegt und wo gespeichert werden, um geeignet lernen zu können?
    • Wie ist der Bezug zwischen den technischen Umgebungen von Data Scientists, die Machbarkeiten erproben und Algorithmen auswählen, und den ausführenden Gesamtsystemen, in denen KI-Algorithmen verwendet werden?
    • Etc.
  • Der Fokus unseres Vortrags liegt nicht auf Algorithmen, sondern auf der Gesamtarchitektur von allen Vorgängen und Systemteilen rund um Systeme, die KI enthalten
  • Damit wollen wir Architekten einen Rahmen an die Hand geben, sich schneller in solchen Systemen zurechtzufinden, besser über solche Systeme kommunizieren zu können und im Endeffekt auch bessere Systeme designen zu können
  • Dazu führen wir grundlegende Begriffe und Konzepte ein, aber ohne in die Details unterschiedlicher Algorithmen abzutauchenWir geben Hinweise für Architekten, die Systeme entwerfen müssen, auf was zu achten ist, welche Aspekte zu unterscheiden sind und wie entwickelte Ideen kommuniziert werden können
  • Wir zeigen dies anhand von konkreten Beispielen