Eine BLOG-Serie in drei Teilen – Teil 3

Willkommen zum dritten Teil unserer Blog-Serie, in der wir die faszinierenden Möglichkeiten der Künstlichen Intelligenz (KI) im Kontext von Automotive SPICE (ASPICE) erkunden. In diesem Beitrag konzentrieren wir uns auf die neuen Prozessgruppen, die speziell für die Entwicklung von Machine Learning (ML) Komponenten geschaffen wurden. 

Was bedeutet „trained“ und „deployed“ ML? 
Bevor wir in die Materie eintauchen, lassen Sie uns kurz die Begriffe „trained“ und „deployed“ im Kontext von ML klären. Ein „trained“ ML-Modell ist das Ergebnis des Trainingsprozesses, basierend auf spezifischen Trainingsdaten. Ein „deployed“ ML-Modell hingegen ist das Modell, das nach erfolgreichen Tests in das System integriert und für den praktischen Einsatz bereitgestellt wird. 

Neue Konfigurationselemente: ML-Daten 
ML-Daten sind ein entscheidendes Konfigurationselement und werden in SUP.11 (Machine Learning Data Management) behandelt. Diese Daten umfassen Trainings-, Validierungs- und Testdaten, die sorgfältig versioniert und verwaltet werden müssen, um eine lückenlose Rückverfolgbarkeit und Reproduzierbarkeit sicherzustellen. 

Entwicklungsprozess: Systementwicklung und Systemtraining 
Der Entwicklungsprozess für ML wird in zwei Hauptteile unterteilt: die Systementwicklung und das Systemtraining. Dies ähnelt der Kalibrierung von Airbag-Steuergeräten, bei der ein Steuergerät durch Anpassung der Parameter an verschiedene Fahrzeugtypen angepasst wird. Diese Methode kann auch genutzt werden, um das Variantenmanagement zu vereinfachen, indem ein ML-System an unterschiedliche Rahmenbedingungen angepasst wird. 

MLE.1: Machine Learning Requirements Analysis 
Die Prozessgruppe MLE.1 konzentriert sich auf die Analyse und Spezifikation der Anforderungen für ML-Komponenten. Hierbei geht es um die Identifikation und Spezifikation der ML-Anforderungen, einschließlich der Datenanforderungen. 

Basispraktiken von MLE.1 
MLE.1 ist im Wesentlichen eine Erweiterung der Prozesse SYS.2 (System Requirements Analysis) und SWE.1 (Software Requirements Analysis). In dieser Prozessgruppe werden die funktionalen und nicht-funktionalen ML-Anforderungen sowie die Datenanforderungen aus den Softwareanforderungen und der Softwarearchitektur abgeleitet und spezifiziert. Diese Anforderungen umfassen Aspekte wie Robustheit, Leistungsfähigkeit und Vertrauenswürdigkeit des Systems. Zudem werden die Datencharakteristika definiert, was besonders wichtig ist für die nachfolgenden Schritte in MLE.2. Dieser Prozess ist darauf ausgerichtet, eine Struktur und Priorisierung der ML-Anforderungen sicherzustellen, ihre Korrektheit und technische Machbarkeit zu analysieren und die Konsistenz sowie die Rückverfolgbarkeit zu gewährleisten. 

MLE.2: Machine Learning Architecture 
Die Prozessgruppe MLE.2 befasst sich mit der Entwicklung und Dokumentation der ML-Architektur, die sowohl das Training als auch den Einsatz des ML-Modells unterstützt. 

Basispraktiken von MLE.2 
Einige Basispraktiken von MLE.2 werden unten aufgelistet: 

• ML-Architektur entwickeln: Es wird eine ML-Architektur entwickelt, die die ML-Architekturelemente detailliert beschreibt. Dazu gehören Details des ML-Modells, Vor- und Nachverarbeitung sowie die Hyperparameter, die für die Erstellung, das Training, das Testen und den Einsatz des ML-Modells erforderlich sind. 

• Hyperparameter-Bereiche und Anfangswerte bestimmen: Die Bereiche und Anfangswerte der Hyperparameter werden festgelegt und dokumentiert, um als Basis für das Training zu dienen. 

• Schnittstellen der ML-Architekturelemente definieren: Die internen und externen Schnittstellen jedes ML-Architekturelements werden bestimmt und dokumentiert, einschließlich der Schnittstellen zu verwandten Softwarekomponenten. 

Sowie die Sicherstellung der Konsistenz und der bidirektionalen Rückverfolgbarkeit. 

MLE.3 und MLE.4: Training und Testen von ML-Modellen 
MLE.3 – Machine Learning Training befasst sich mit dem Training des ML-Modells gemäß den spezifizierten Anforderungen und der Optimierung der Hyperparameter. MLE.4 – Machine Learning Model Testing fokussiert sich auf das Testen des trainierten ML-Modells und des für den Einsatz bestimmten Modells, um sicherzustellen, dass es den definierten Anforderungen entspricht und robust sowie verlässlich im Einsatz ist. 

Fazit 
Die Einführung der neuen Prozessgruppen im Rahmen von Automotive SPICE 4.0 bietet eine strukturierte Herangehensweise zur Spezifikation und Analyse von ML-Anforderungen. Dies ist ein wichtiger Schritt, um die Qualität und Zuverlässigkeit von ML-Systemen im Automobilbereich zu gewährleisten. 


Hier finden Sie die beiden weiteren Artikel der BLOG-Serie:

K(a)I RESE und ASPICE – Teil 1

K(a)I RESE und ASPICE – Teil 2

Wir hoffen, unsere kleine BLOG-Serie hat Ihnen gefallen.
Beste Grüße, Ihre SOPHISTen