Il Fraunhofer Institute pubblica un modello di processo per l'ingegneria AI

Le sfide nell'ingegneria dell'IA nascono dalle caratteristiche dei metodi basati sull'IA: Le prestazioni dei sistemi tecnici che utilizzano metodi di apprendimento automatico (ML) possono spesso essere solo scarsamente stimate in anticipo. Questo rende difficile fare dichiarazioni affidabili sulla sicurezza e l'affidabilità. D'altra parte, c'è un grande beneficio potenziale: Se usati con successo, i metodi guidati dai dati possono spesso prendere decisioni più velocemente e meglio di quanto sarebbe possibile con metodi sviluppati classicamente. In questo modo, sostengono l'uomo, lo alleviano e lo completano. Nella produzione industriale, i processi di ML portano a prodotti di qualità superiore e quindi più duraturi, aumentano l'efficienza delle risorse o permettono una manutenzione predittiva. Nel campo della mobilità, i processi di ML possono aumentare la sicurezza di guida, ad esempio attraverso la frenata di emergenza in situazioni pericolose, e quindi salvare vite umane.

Per integrare in modo efficace ed efficiente i componenti basati sull'AI in applicazioni esistenti o nuove, è essenziale un approccio sistematico. I modelli di processo di ingegneria dei sistemi stabiliti sono destinati a sistemi tecnici complessi. Tuttavia, l'uso di AI e ML porta nuove sfide che un modello di processo dedicato dovrebbe affrontare esplicitamente.

Sviluppare e gestire sistematicamente soluzioni AI con l'ingegneria AI

PAISE® (un marchio verbale registrato per i prodotti Nice Class 9 e 42), il Process Model for AI Systems Engineering, è specificamente progettato per lo sviluppo e il funzionamento dei sistemi basati sull'AI. Combina gli approcci dell'informatica e della modellazione guidata dai dati con quelli delle discipline classiche dell'ingegneria per superare le sfide. AI Systems Engineering è ciò che gli scienziati chiamano l'approccio interdisciplinare su cui stanno lavorando dalla metà del 2020. "Con l'AI engineering, vogliamo sistematizzare lo sviluppo e il funzionamento delle soluzioni basate sull'AI. Solo se i metodi AI possono essere utilizzati in modo affidabile da un punto di vista ingegneristico, ci sarà l'opportunità di sfruttare l'alto potenziale di valore aggiunto", dice il Prof. Dr.-Ing. habil. Jürgen Beyerer, capo del Fraunhofer IOSB e della direzione scientifica del CC-KING, il centro di competenza di Karlsruhe per l'ingegneria AI. "Con PAISE® abbiamo creato un set di strumenti che fornisce anche alle piccole e medie imprese in particolare una guida pratica per raggiungere questo obiettivo".

Nello sviluppo, può essere difficile stimare in anticipo le prestazioni di un sistema cyber-fisico complessivo con componenti AI. "Questo significa che le modifiche al design di alto livello del sistema complessivo possono ancora essere necessarie in una fase tardiva", dice Constanze Hasterok, uno scienziato del Fraunhofer IOSB e redattore del modello PAISE®. "Questo effetto si verifica, tra l'altro, quando i modelli ML finali sono addestrati con i dati del funzionamento reale. Nei nuovi sviluppi, tuttavia, i dati di alta qualità dal funzionamento sono tipicamente disponibili solo in una fase tardiva". Per il funzionamento, il monitoraggio e idealmente l'adattamento automatico dei modelli ML è necessario quando i sistemi e le loro condizioni ambientali possono cambiare nel tempo.

Inoltre, ci sono difficoltà di personale: Di regola, le aziende - soprattutto quelle di medie dimensioni - non hanno i propri esperti di AI. Allo stesso tempo, coloro che occupano posizioni di responsabilità devono sapere quali competenze AI dovrebbero essere disponibili a lungo termine per il funzionamento dei sistemi basati su AI e come il processo di sviluppo e i suoi risultati intermedi devono essere valutati.

Sviluppo adattabile attraverso i punti di controllo

PAISE® divide il processo di sviluppo in sette fasi. I team di progetto nelle aziende devono prima creare una comprensione comune del problema, definire obiettivi e requisiti e raccogliere approcci alle soluzioni. Il prodotto viene poi diviso in sottosistemi in base ai requisiti. Questa cosiddetta decomposizione funzionale non è definitiva; è qui che inizia l'approccio agile del modello. Lo sviluppo dei singoli componenti procede ciclicamente, passo dopo passo i sottosistemi vengono perfezionati e controllati per la compatibilità. Ogni corsa aumenta la maturità del sistema complessivo.

I checkpoint giocano un ruolo importante in questo, come spiega Hasterok: "Il concetto basato sui checkpoint di PAISE® permette un processo di sviluppo flessibile. I metodi ML richiedono spesso un approccio esplorativo: si sviluppa un componente ML su una base di prova e si verifica empiricamente se è adatto allo scopo desiderato. Altri sottosistemi richiedono un approccio mirato, per esempio secondo i metodi consolidati di ingegneria dei sistemi per i componenti elettronici. In PAISE®, i singoli sistemi sono sviluppati in parallelo, secondo la procedura appropriata specifica del dominio in ogni caso". I punti di controllo sincronizzano lo stato di sviluppo dei sottosistemi all'inizio del progetto e valutano la loro interazione come sistema complessivo. "Contrariamente alle classiche pietre miliari, gli obiettivi non sono fermamente definiti per tutti i punti di controllo all'inizio del progetto", continua. "Se, per esempio, si scopre che un metodo basato su ML non è lo strumento giusto dopo tutto, si possono usare metodi statistici, la cui idoneità è valutata nel punto di controllo seguente".

Quattro artefatti continui creano condizioni quadro

Anche l'organizzazione di team eterogenei ne beneficia: i partecipanti con competenze diverse si incontrano regolarmente e possono discutere aspetti trasversali come la sicurezza, i costi o le questioni etiche. La distribuzione dei ruoli PAISE® definisce funzioni e responsabilità specifiche della fase. 

Oltre all'assegnazione dei ruoli, ci sono altre tre documentazioni di risultato continuo (artefatti) in PAISE®: il modello di sistema descrive le dipendenze dei singoli componenti; la documentazione per gli audit esterni include aspetti che sono richiesti per un audit da parte di terzi come le autorità; e la documentazione dei dati registra i metadati dei dati utilizzati, come la loro fonte, la qualità, le fasi di pre-elaborazione e le condizioni quadro di estrazione dei dati.

"Fornendo metodi sistematici, vogliamo incoraggiare le aziende e gli sviluppatori ad affrontare i progetti di AI. PAISE® è un grande passo avanti. Esso mappa l'intero processo dalla concezione e l'acquisizione dei dati al funzionamento e alla manutenzione e affronta tutte le difficoltà che possono sorgere da un punto di vista tecnico durante l'attuazione di un progetto AI", spiega il dottor Thomas Usländer, capo del dipartimento al Fraunhofer IOSB e responsabile del progetto CC-KING.

Un libro bianco su questo argomento è disponibile disponibile per il download qui.