Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Industriecomputer Embedded Systeme www markttechnik de 35 2025 28 Vorteile nutzen Nachteile vermeiden – ein Leitfaden KI in sicherheitskritischen Embedded-Systemen Künstliche Intelligenz leistet in sicherheitskritischen Embedded-Systemen gute Dienste kann aber auch die Sicherheit beeinträchtigen und weitere Probleme verursachen Wie lässt sich dieses Dilemma auflösen sprich ersteres nutzen und letzteres vermeiden? Entsprechende Strategien stehen bereit Von Ricardo Camacho Director of Safety Security Compliance bei Parasoft Künstliche Intelligenz KI und Machine Learning ML verändern sicherheitskritische Embedded-Systeme in Branchen wie der Automobilindustrie dem Gesundheitswesen und der Verteidigung Sie sind die Grundlage für innovative Technologien die einen autonomen und effizienten Betrieb dieser Systeme ermöglichen Allerdings bringt die Integration von KI und ML in sicherheitskritische Embedded-Systeme besondere Herausforderungen mit sich Dazu zählen hohe Ausfallrisiken strenge Konformitätsanforderungen sowie unvorhersehbares Modellverhalten Man stelle sich beispielsweise ein autonomes Auto vor das in Sekundenschnelle Bremsentscheidungen trifft oder einen Herzschrittmacher der lebensbedrohliche Herzrhythmusstörungen erkennt Ausfälle sind bei diesen KIgestützten Embedded-Systemen nicht akzeptabel KI in sicherheitskritischen Systemen – nicht ohne spezielle Tests Embedded-Systeme müssen mit wenig Rechenleistung Speicher und Energie auskommen Oft sind sie außerdem harten Bedingungen wie etwa rauen Umgebungen mit extremen Temperaturen und Vibrationen ausgesetzt KI-Modelle vor allem Deep-Learning-Netzwerke benötigen viel Rechenleistung was ihre effiziente Anwendung erschwert Die größten Herausforderungen für Entwickler sind • Ressourcenbeschränkungen KI-Modelle verbrauchen viel Strom und Speicherplatz was mit den Einschränkungen bei Embedded-Geräten kollidiert • Determinismus Sicherheitskritische Anwendungen wie autonomes Bremsen erfordern vorhersehbare Reaktionen in Echtzeit Leider können sich KI-Modelle unvorhersehbar verhalten • Zertifizierung und Konformität Regulatorische Standards wie ISO 26262 und IEC 62304 verlangen Transparenz doch KI-Modelle funktionieren oft wie Black Boxes • Sicherheitsrisiken Angriffe können KI-Modelle manipulieren und zu gefährlichen Fehlern führen etwa zu einer falschen Dosierung durch ein medizinisches Gerät Um diese Hürden zu überwinden nutzen Ingenieure Optimierungstechniken spezielle Hardware und strenge Testmethoden Strategien für eine zuverlässige und sichere KI-ML-Bereitstellung 1 Modelloptimierung - Pruning und Quantisierung Weil Embedded-Systeme keine riesigen KI-Modelle unterstützen können komprimieren Ingenieure diese ohne dabei deren Genauigkeit zu verringern Pruning entfernt überflüssige neuronale Verbindungen Die NASA hat beispielsweise 40 Prozent des Geländeklassifizierungs-Modells ihres Mars-Rovers entfernt und so die Verarbeitungszeit um 30 Prozent reduziert ohne dass die Genauigkeit beeinträchtigt wurde Quantisierung verringert die numerische Genauigkeit um den Speicherverbrauch um 75 Prozent zu senken Ein Beispiel dafür ist die Umwandlung von 32-Bit-Werten in 8-Bit-Ganzzahlen Fitbit hat diese Methode genutzt