Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
EmbEddEd TEchnology 25 2021 Elektronik 19 Unsere gesamte Zukunft wird früher oder später mit neuronalen Netzen verbunden sein Ein Flugzeug könnte ohne Cockpit und Pilot um die Welt fliegen und die Ergebnisse medizinischer Tests könnten sofort überprüft und diagnostiziert werden ohne auf einen Pathologen warten zu müssen Einige Automobilunternehmen versprechen dass in den nächsten drei Jahren vollautonome Autos auf unseren Straßen fahren werden Eine Frage der Sicherheit Angesichts der zunehmenden Bedeutung neuronaler Netze in solch sicherheitskritischen Umgebungen müssen wir uns die Frage stellen Sind neuronale Netze sicher? Dabei soll nicht unerwähnt bleiben dass diese Frage zuweilen als irrelevant eingestuft wird weil neuronale Netze zu komplex und überbewertet seien Und lange bevor man sich mit ihrer Zertifizierung befassen müsste werde ein neuer Algorithmus auftauchen der neuronale Netze überflüssig mache Dieser Gedankengang ist allerdings kurzsichtig und fehlerbehaftet Zum einen sind neuronale Netze bereits Teil der sicherheitskritischen Welt unter anderem setzt Tesla sie in großem Umfang in seiner aktuellen Flotte automatisch gesteuerter Autos ein und Krankenhäuser verlassen sich bei der Diagnose von Patienten immer mehr auf Deep-Learning-Algorithmen Zum anderen kann das potenzielle Aufkommen eines besseren Algorithmus neuronale Netze nicht überflüssig machen Sie haben sich als nützliche fähige Werkzeuge erwiesen und werden bleiben Deshalb ist es wichtig zu verstehen wie sie funktionieren und ob sie sich sicher anwenden lassen Können neuronale Netze also sicher werden? Bei der Bewertung eines Systems für ein sicherheitskritisches Umfeld gilt es zwei Aspekte zu berücksichtigen die Ausdrucksfähigkeit und die Ausführung eines Systems Die Ausdrucksfähigkeit Den Output eines neuronalen Netzes bestimmt dessen Ausdrucksfähigkeit Wenn das Bild einer Katze präsentiert wird sollte das Netzwerk das Bild auch als Katze klassifizieren Bild 1 Kein System ist jedoch perfekt und manchmal weisen neuronale Netze Fehlfunktionen auf Anstelle einer Katze könnte das Netzwerk das Bild als Wassermelone einstufen Selbst neuronale Netze die mit einem hohen Genauigkeitsgrad von über 97 Prozent trainiert wurden können solche Fehler machen Im Gegensatz zu diesem eher kleinen Fehler kann die Verwechslung eines Laternenpfahls mit einem Menschen weitaus schlimmere Folgen haben Warum neuronalen Netzen Fehler passieren ist schwierig zu sagen Bei herkömmlichen regelbasierten Algorithmen lässt sich der Weg vom Input zum Output nachverfolgen Es ist nachprüfbar welche Entscheidungen zu einem bestimmten Ergebnis geführt haben Neuronale Netze sind jedoch anders Sie lernen die Regeln schrittweise auf der Grundlage Tausender von Trainings-Bild 1 Ein neuronales Netz muss das Bild einer Katze auch als Katze erkennen Bild BreezyVector | Shutterstock PCAN-Ethernet Gateway FD DR Gateway für die Übertragung von CAN-FD -Nachrichten über IP-Netze zur Verbindung verschiedener CAN-FD -Busse oder für den Zugriff mit Computern über LAN PCAN-Router FD Frei programmierbarer Router für CAN und CAN FD mit 2 Kanälen Erhältlich mit D-Suboder Phoenix-Anschlüssen inkl Entwicklungspaket PCANminiPCIe FD CAN-FD -Interface für PCI Express Mini Als Ein-Zweiund Vierkanalkarte inkl Software APIs und Treiber für Windows und Linux erhältlich You CAN get it Hardware und Software für CAN-Bus-Anwendungen… www peaksystem com Otto-Röhm-Str 69 64293 Darmstadt Germany Tel +49 6151 8173-20 Fax +49 6151 8173-29 info@peaksystem com Ir rt ü m er u n d t ec h n is ch e Än d er u n g en v o rb eh al te n