Fahrzeug- AI: Hype, Realität und was als Nächstes kommt

Heute ist bei „ The Garage “ Neel Mitra zu Gast, der weltweit für die Lösungsarchitektur im Bereich Daten und „ AI “ bei AWS verantwortlich ist.

In der heutigen Meisterklasse zum Thema Künstliche Intelligenz beginnen wir mit den Ursprüngen von AI. Was war klassisches AI? Was ist ein großes Sprachmodell? Was ist agentisches AI?

Und dann sprechen wir über die Automobilbranche.

Welche Rolle spielt „ AI “ heute in der Automobilbranche? Und welche Möglichkeiten bieten sich in Zukunft, um mit „ AI “ und der Automobilbranche neue und unglaubliche Dinge zu verwirklichen? Das heutige Gespräch wird euch bestimmt gefallen.

Los geht’s.

Willkommen bei „ The Garage “. Ich bin John Heinlein, Chief Marketing Officer bei Sonatus. Heute ist Neel Mitra von AWS bei uns zu Gast. Neel, herzlich willkommen bei „ the garage “.

Vielen Dank.

Neel, wir arbeiten schon seit einigen Jahren zusammen. Das ist wirklich spannend, und endlich ist es uns gelungen, dich zu einem Besuch bei uns zu bewegen, um gemeinsam eine Folge aufzunehmen. Erzähl uns doch zunächst einmal etwas über dich und deinen Werdegang.

Ja. Vielen Dank für die Einladung. Es ist mir eine Freude. Wir haben an so vielen verschiedenen Initiativen gearbeitet, und nun ist es endlich soweit. Ich bin also in Indien aufgewachsen und bin seit einundzwanzig Jahren in der Branche tätig. Davor habe ich mein Ingenieurstudium mit einem Masterabschluss in Indien abgeschlossen, dort einige Jahre in der Beratung gearbeitet und bin dann in die USA gekommen.

Und dann, wissen Sie, habe ich seitdem mit vielen Fortune-500-Kunden aus den Bereichen Fintech und Gesundheitswesen zusammengearbeitet, und

Ich hätte nie gedacht, dass ich einmal in der Automobilbranche arbeiten würde, bis ich 2016 bei Amazon Web Services anfing.

Und damals, weißt du, war die Cloud noch so neu. Ich erinnere mich, dass ich zu Kunden ging und die dann sagten: „Hey, ihr verkauft doch Bücher, oder? Was macht ihr denn hier?“

Also werde ich ihnen erklären, was wir im Unternehmensbereich machen, und dann werde ich ihnen erzählen, was wir im Infrastrukturbereich tun. Derzeit legen wir einen starken Fokus auf die Infrastruktur.

Und wie ihr wisst, war AWS der Pionier im Bereich Cloud Computing, und wir sind, sozusagen, auch heute noch die Nummer eins, wenn es um Infrastruktur geht, denke ich. Also, ja, seitdem sind neun Jahre vergangen. Die Zeit vergeht wie im Flug. Und bei AWS sagen wir gerne: Jeder Tag ist Tag eins. Also noch einmal vielen Dank für die Einladung. Es war großartig, so viel von euch allen zu lernen, auch während unserer gemeinsamen Reise in der Automobilbranche, auf die wir noch näher eingehen werden.

Vielen Dank. Wir beginnen gerne mit einer lustigen Anekdote über unsere Gäste. Sie müssen uns eine lustige Anekdote über sich erzählen.

Das ist eine heikle Situation. Okay.

Also, weißt du, vieles in meinem Leben ist einfach so passiert, ohne besonderen Grund, glaube ich – zum Beispiel, dass ich bei AWS angefangen habe und im Automobilbereich arbeite. Ich weiß nicht, warum das so gekommen ist, aber es hat mir wirklich Spaß gemacht.

Genauso ist Yoga in mein Leben getreten. Und ich weiß nicht, warum und wie, denn ich habe in Indien noch nie von Yoga gehört, und ich bin doch dort aufgewachsen, oder? Aber weißt du, es gab eine Zeit, in der ich viel unterwegs war und einfach zu viel los war, und ich hatte das Gefühl, dass es etwas geben muss, das sich ganzheitlich um mich kümmert – nicht nur körperlich, sondern auch geistig, energetisch und in jeder Hinsicht. Also habe ich diesen Yoga-Kurs ausprobiert und er hat mir gefallen, und dann habe ich mal mehr, mal weniger daran teilgenommen.

Das habe ich nun schon seit etwa acht, neun Jahren gemacht. Aber letztes Jahr kam mir dann plötzlich – ich weiß nicht, wie zufällig das war – der Gedanke, dass ich als Hobby Yogalehrerin werden möchte. Und ich habe angefangen, eine Ausbildung zu machen. OEMs.

Das ist beängstigend. Meine Frau fragt mich auch immer: „Warum hast du das gemacht?“ Aber ja, das ist eine lustige Anekdote. Wahrscheinlich habe ich im letzten Jahr meine 200-Stunden-Ausbildung zum Yogalehrer abgeschlossen.

Jetzt mache ich den Master, der noch dreihundert Stunden dauert.

Das würde Spaß machen – wahrscheinlich werde ich im Ruhestand Yogalehrerin.

Fantastisch. Und welche Art von Yoga?

Vinyasa.

Fantastisch.

Meine Anekdote: Ich versuche immer, mir eine Anekdote für unseren Gast auszudenken. Meine Anekdote stammt schon aus einer Zeit vor einigen Jahren – vielleicht vor etwa zehn Jahren –, als ich mich ein paar Jahre lang sehr intensiv mit Bikram-Yoga beschäftigt habe.

Oh, schön.

Falls unsere Zuhörer damit nicht vertraut sind: Dabei handelt es sich um einen Raum, in dem 105 Grad herrschen. Ja. Hot Yoga. Es gibt auch so genanntes „High Yoga“, bei dem man den Raum betritt und 90 Minuten lang Yoga macht. Es ist eine ganz bestimmte 90-minütige Abfolge von Übungen. Und am Ende sind alle klatschnass.

So etwas habe ich in New York gemacht. Ich habe so viele Yogastudios ausprobiert und mich schließlich für ein oder zwei entschieden, aber ja, es hat Spaß gemacht.

Und Yoga ist fantastisch.

Natürlich die Kraft, natürlich die Flexibilität, aber auch die Achtsamkeit und diese Art von Ruhe – ja. Das verspürt man nach neunzig Minuten in einem heißen Raum, aber auch ganz allgemein: Man verlässt den Raum mit einem Gefühl von innerer Ruhe, und ich glaube, dabei kommen einem tolle Ideen. Einige meiner besten Ideen hatte ich vielleicht bei Minute fünfundvierzig.

Und, weißt du, ganz praktisch gesehen – ich weiß, wir werden später heute noch viel über „ AI “ sprechen –, aber ganz praktisch gesehen sehe ich, wie Maschinen heute schon so viel Arbeit für uns erledigen. Stimmt’s? Ja. Wenn wir als Menschen nicht achtsam sind und auf einer höheren Frequenzebene agieren, wird es schwierig werden.

Ich meine, was soll man schon machen? Man schreibt Code, die Maschinen erledigen die Arbeit. Oder? Und genau da habe ich das Gefühl, dass mir mein Yoga aus der Perspektive der Achtsamkeit vielleicht auch nützlich sein könnte.

Mal sehen, wie das läuft.

Na gut. Erzähl uns doch mal etwas über deine Rolle bei AWS. Woran arbeitest du derzeit?

Ja. Also, wisst ihr, es ist alles ziemlich breit gefächert. Wie ihr wisst, habe ich mich in den letzten Jahren stark auf den Automobilbereich konzentriert. Ich habe mich zunächst intensiv mit vernetzter Mobilität beschäftigt und bin dann zu softwaredefinierten Fahrzeugen übergegangen, wobei ich mit vielen weltweiten Kunden und Partnern zusammengearbeitet habe, angefangen bei Bosch und Denso. Und viele Kunden, die ich nicht namentlich nennen kann, aber da sind auch BMW und andere, mit denen ich sehr viel zu tun hatte.

Aber im letzten Jahr habe ich meinen Fokus mehr in die Breite verlagert. Das bedeutet, dass ich mit vielen Kunden aus der Automobilindustrie und dem Unternehmensbereich an einer Vielzahl unterschiedlicher Anwendungsfälle arbeite. Das sind keine extrem nischenorientierten Automobilprojekte mehr, wie ich sie in den letzten Jahren in meinen Positionen als Architekt und Ingenieur betreut habe. Aber es macht Spaß, denn, wissen Sie, im Bereich des maschinellen Lernens gibt es gerade so viele Veränderungen – mit „ AI “, Agenten und all dem.

Die Möglichkeiten sind grenzenlos, und das beschränkt sich nicht nur auf eine einzige Branche, wie ich feststelle. Deshalb versuche ich, noch mehr zu lernen. Und das ist für mich das Beste daran, bei AWS zu arbeiten. Ich habe das Gefühl, dafür bezahlt zu werden, so viel zu lernen. Es ist, als wäre man an der Universität, nur dass man nichts dafür bezahlen muss. Man wird bezahlt und kann mit so vielen talentierten Menschen auf der ganzen Welt zusammenarbeiten und etwas dazu beitragen, diese Welt zu einem besseren Ort zu machen.

Also, ja. Das war also mein Werdegang im letzten Jahr: Ich habe viel im Bereich „ AI “ mit OEMs, RAGs und Agentic-KIs für verschiedene Anwendungsfälle gearbeitet, darunter in der Fertigung und der Automobilindustrie.

Super.

Ja.

Du hast also „ AI “ erwähnt, und oft sprechen wir über Fahrzeuge und Fahrzeugsoftware – darauf werden wir etwas später noch eingehen. In dieser Folge werden wir uns jedoch viel ausführlicher als sonst mit „ AI “ beschäftigen. Okay. Lass uns das zunächst einmal aus einer übergeordneten Perspektive betrachten, denn ich denke, unsere Zuhörer haben wahrscheinlich sehr unterschiedliche Vorkenntnisse in Bezug auf diese Art von Technologien.

Ja. Und ich glaube, wenn die meisten Leute heute „ AI “ hören, denken sie wahrscheinlich an ChatGPT oder, na ja, an Suchmaschinen und solche Sachen. Ja. Aber das ist nur ein winziger Bruchteil

des Potenzials von AI.

Ich frage mich also, ob Sie uns zunächst einmal einen Überblick aus 20.000 Fuß Höhe geben könnten. Ja. Welches Spektrum an „ AI “-Algorithmen und „ AI “-Technologien käme dabei in Frage?

Ja. Weißt du, bevor ich darauf eingehe, noch eine lustige Anekdote: Ich habe mir den Film „Terminator“ vor etwa fünfzehn Jahren angesehen, wahrscheinlich zum ersten Mal. Stimmt’s? Und ich hatte richtig Angst – vor dem, was „ AI “ einem antun können, davor, wie man gegen die „ AI “ kämpft und so weiter.

Aber als ich dann tatsächlich damit angefangen habe, dachte ich mir: Okay, das ist wahrscheinlich noch ein paar hundert Jahre hin. Falls das überhaupt jemals passiert. Ich weiß es nicht. Es ist ja Science-Fiction.

Stimmt’s? Na ja, wir werden schon eine Lösung finden. Aber du hast absolut Recht. Es passiert einfach so viel in diesem Bereich.

AI t ja nichts Neues. Oder? Diese Forschungsarbeiten stammen aus den 1930er-, 1940er- und 1950er-Jahren.

Und dann, weißt du, haben wir damals angefangen, über so etwas wie überwachte Modelle zu sprechen. Das bedeutet, dass man dem System beschriftete Daten zur Verfügung stellt. Man versucht, die Maschine intelligenter zu machen, damit sie einige der Aufgaben übernehmen kann, die sonst Menschen erledigen.

Und dann, als sich das Ganze immer weiter entwickelte, kam es zur Einführung unüberwachter Modelle. Es geht also nicht nur um beschriftete Daten. Es können auch unbeschriftete Daten sein. Es können multimodale Daten sein. Es muss nicht unbedingt nur Text sein. Richtig? Es können Bilder, Videos, Audiodateien und was weiß ich noch alles sein.

Und ob Sie es glauben oder nicht: Genau wie in den Neunzigern, als „ AI “ noch nicht als besonders cool galt, nutzte Amazon damals „ AI “.

Wenn man also die allererste Amazon-Website aufgerufen hat – ich habe das nicht getan, ich weiß nicht, ob du es getan hast –, gab es dort früher eine Option, die einem sagte: „Hey, wenn du ein bestimmtes Genre magst …“ – Ein Empfehlungssystem – Ja, ein Empfehlungssystem. Genau. Und das war AI. Das war Anfang der Neunziger. Dann hat Google das übernommen, zum Beispiel bei der Websuche und so weiter.

Das hat Netflix früher gemacht, als Netflix einem noch DVDs und Ähnliches zugeschickt hat.

Genau. „ AI “ ist also nichts Neues, und diese Art von überwachtem Modell sowie ein wenig vom unüberwachten Modell gibt es schon seit geraumer Zeit.

Und selbst wenn ich an die Anfänge zurückdenke, als ich, sagen wir mal, in der Fintech-Branche tätig war, hat man sich dort viel mit Betrugserkennung und Anomalieerkennung beschäftigt. Das fällt alles unter den Begriff „ AI “. Stimmt’s?

Als ich dann aber in die Automobilbranche einstieg, waren die ersten Anwendungsfälle für „ AI “, die mir auffielen, so etwas wie der Tempomat – im Grunde genommen sammelt man all diese multimodalen Daten und wertet sie aus, um das Auto in der Spur zu halten.

Es gibt Anwendungsfälle wie den Spurhalteassistenten, richtig, also das Einhalten der Spur und so weiter. Das sind alles traditionelle Modelle des maschinellen Lernens. Um auf Ihre Frage zurückzukommen: Ja, es gibt überwachtes und unüberwachtes Lernen, und Deep Learning kam ins Spiel, als wir uns fragten, wie wir wie Menschen denken können – mit neuronalen Netzen und all diesen kognitiven Funktionen, die wir nach und nach in unsere Fahrzeuge integriert haben. Und das Fahrzeug begann, den Tempomat zu nutzen. Und heute sprechen wir dann von verschiedenen Stufen der Autonomie.

Und es gibt so viele Anwendungsfälle, aber im Zuge unserer weiteren Entwicklung denke ich, dass „Aufmerksamkeit“ das ist, was ihr alle braucht. Ich glaube, so lautet der Titel des Artikels. Ich habe den genauen Titel vergessen, aber der wurde von Google so etwa 2018–2019 veröffentlicht. Stimmt’s? „Aufmerksamkeit“ ist das, was ihr braucht.

Das betrifft also den Mechanismus der Selbstaufmerksamkeit.

Und wenn man an die alten „ AI “ denkt – also an neuronale Netze wie CNNs, Faltungsnetzwerke und RNNs, also Rekursive Neuronale Netze –, dann wird klar, dass das Problem darin bestand, dass man zwar all diese Wörter hatte, richtig? Aber die „ AI “ konnten nicht herausfinden, welches Wort oder welches Token als Nächstes kommen würde. Das ist sehr eingeschränkt. Zum Beispiel, wenn ich sage: „Hey, John hat einen Rivian gekauft“ oder „Neel hat einen Tesla gekauft“ oder was auch immer, richtig?

Der „ AI “ kam mit einem langen Satz nicht zurecht. Er schafft wahrscheinlich nur wenige Wörter.

Doch mit dem Self-Attention-Mechanismus und der Transformer-Architektur, die etwa 2018 entwickelt wurde, hat sich das geändert. So kann man heute Tausende, Hunderttausende und sogar Milliarden solcher Token verarbeiten. Und dank des „Self-Attention“-Mechanismus können „ AI “ mit der Encoder-Decoder-Architektur herausfinden, wo das nächste Wort stehen könnte. Dieses Kontextbewusstsein und die Fähigkeit, riesige Mengen an Tokens gemeinsam zu verarbeiten, haben also alles verändert. Das war der Beginn der großen Sprachmodelle (LLMs), zu denen, wie du erwähnt hast, auch ChatGPT gehört, über das alle gesprochen haben. All das waren jedoch nur die ersten Meilensteine, die zu den LLMs führten – und es wird noch mehr kommen.

Ja.

Da du das gerade angesprochen hast: Ich denke, die nächste Stufe und die entscheidende Innovation dieser Transformer-Modelle ist das „T“ in GPT – es steht für „Transformer-Modell“.

Erzählen Sie uns doch bitte, wie dieser Transformer – und vielleicht auch große Sprachmodelle (LLMs) im Allgemeinen – die Spielregeln verändert. Was sind einige der Dinge, die mit Transformer-Modellen nun möglich sind?

Ja. Ich glaube, die größte Innovation, die wir erlebt haben, ist die Erstellung von Inhalten. Stimmt’s? Du bist ja selbst im Marketing tätig, da hast du sicher schon gesehen, wie sehr das die Produktivität steigert, oder? Man kann eine PowerPoint-Präsentation erstellen und all diese Beiträge, Videos und Audioaufnahmen produzieren.

Man kann zum Beispiel einen Podcast erstellen – ich glaube, Google hat so einen, oder? – bei dem es sich so anhört, als würden sich zwei Menschen unterhalten. Dieser hier ist nicht v AI generiert!

Das hier wird definitiv nicht v AI generiert – das sind echte Menschen, die da sprechen. Aber die Generierung von Inhalten halte ich für eine der innovativsten Entwicklungen, die aus dieser ganzen ChatGPT-Sache hervorgegangen sind.

Und dann hörten wir, dass etwa siebzig Milliarden Token zum Trainieren dieses Modells oder hundert Milliarden Token zum Trainieren jenes Modells verwendet werden. Aber dann bringst du ein sehr berechtigtes Argument vor: Inwiefern hilft das der Branche insgesamt? Genau hier sehen wir, dass derzeit zahlreiche Produktivitätssuiten für Entwickler auf den Markt kommen.

Bei Amazon haben wir zum Beispiel „Q Developer“, oder wir haben kürzlich etwas namens „Kiro“ eingeführt, eine agentenbasierte IDE, die die Leistungsfähigkeit großer Sprachmodelle nutzt, um all diese Entscheidungen zu treffen. Es geht also nicht nur um die Erstellung von Inhalten für Marketingzwecke oder zum Storytelling. Es könnte sich auch um die Erstellung von Inhalten wie dem Code handeln, den man schreibt – und das kann alles Mögliche sein. Es könnte sich um Java- oder Python-Code handeln, oder um einen Code, der auf einem Mainframe läuft und schon fünfzig Jahre alt ist.

Und viele unserer Kunden – ob Sie es glauben oder nicht –, insbesondere in den Bereichen Fintech, Gesundheitswesen und ähnlichen Branchen, setzen in großem Umfang Mainframes ein und können diese nicht einfach so umstellen, oder? Wenn „ AI “ nun in der Lage ist, all diesen Code zu verstehen, ihn zu überarbeiten, in die Cloud zu migrieren und zu modernisieren, bedeutet das für die Kunden einen enormen ROI.

Ja. Und ich denke, das Interessante an großen Sprachmodellen (LLMs) im Allgemeinen ist, dass man mittlerweile nicht mehr von einem universellen LLM spricht, sondern eher von einer Art AGI – also einer künstlichen allgemeinen Intelligenz –, von der wir allerdings noch weit entfernt sind. Tatsächlich werden diese LLMs für bestimmte Funktionen trainiert, sei es die Erstellung von Bildern, die Bearbeitung von Audiodaten oder was auch immer. Dadurch können sie zu einer Art Experten auf diesem Gebiet werden.

Mit der Zeit werden sich diese Modelle annähern. Man wird dann eher eine Art konsolidierten Experten haben. Ja. Aber heute sieht man diese speziellen Expertenmodelle, die in der Lage sind, diese unglaublichen Dinge zu vollbringen, die Sie erwähnt haben.

Auf jeden Fall. Da hast du vollkommen recht. Und genau in dieser Hinsicht wird sich diese Branche meiner Meinung nach noch enorm weiterentwickeln.

Und wir haben bei AWS auch einen LLM-Marktplatz. Richtig? Bei vielen domänenspezifischen Funktionen – man denke beispielsweise an die vorausschauende Wartung, die in der Automobilindustrie schon so lange ein großes Problem war – und auch bei vielen Zeitreihen-Prognosemodellen, die für viele verschiedene Anwendungsfälle benötigt wurden.

Wenn man sich große Sprachmodelle vorstellt, die speziell auf solche domänenorientierten Probleme trainiert werden könnten, wäre das ein echter Durchbruch. Ja. Und genau in diesem Zusammenhang haben wir im letzten Jahr etwas eingeführt, das wir „Destillation“ nennen. Es geht also nicht darum, immer nur auf „groß, groß, groß, groß, groß“ zu setzen, sondern auf die Datenqualität, die für den jeweiligen Geschäftsbereich wirklich entscheidend ist.

Das könnte die Automobilbranche sein. Das könnte das Gesundheitswesen sein. Das könnte Fintech sein. Aber du liegst goldrichtig.

Ich glaube, in diese Richtung entwickelt sich die Branche, und wir werden eine Vielzahl von Modellen sehen. Und dann wählt der Kunde das richtige Modell für die jeweilige Aufgabe aus.

Ja. Ein Beispiel, das vielen Menschen bekannt ist, das ich aber persönlich besonders überzeugend finde, ist – wenn man darüber nachdenkt – die medizinische Diagnostik.

Ja.

Vor allem Röntgenaufnahmen. Wenn du schon mal eine Röntgenaufnahme hattest, weißt du: Man lässt sich röntgen, und dann sieht der Techniker die Aufnahme quasi in Echtzeit, darf dir aber nichts sagen. Aber die sehen ja Hunderte und Aberhunderte von Röntgenbildern. Und dann geht es weiter zu einem Arzt, der Zehntausende von Röntgenbildern sieht, und der sagt: „Oh, du hast einen Knochenbruch“ oder „du hast keinen Knochenbruch“ oder „du hast dies“ oder „du hast das“.

Richtig. Aber sie haben Modelle anhand von Dutzenden, Hunderten, Tausenden, Millionen von Röntgenbildern trainiert, und diese Modelle sind aufgrund der schieren Menge an Bildern, die sie gesehen haben, genauso gut oder in manchen Fällen sogar besser als ein Arzt – und sie können Dinge erkennen, die Ärzte nicht sehen können. Ich sage jetzt nicht, dass sie Ärzte ersetzen werden, aber was sie potenziell leisten können, ist eine gewisse Filterung. Sie sagen im Grunde: Das sind die fünf Prozent der Röntgenbilder, die man sich ansehen muss.

Die anderen sind zum Beispiel ganz klar. Ja. Ob das nun die Kosten senkt, die Behandlungsergebnisse verbessert, die Bearbeitungszeit verkürzt oder was auch immer.

Der Punkt ist, dass es sich um neue Werkzeuge handelt. Ja.

Und man kann sie auf neue Art und Weise nutzen. Ja.

Sie haben vorhin noch ein anderes Wort erwähnt, nämlich „agentisch“. Und ich wette, die meisten Menschen wissen noch nicht so recht, was „agentisch“ eigentlich bedeutet.

Das ist ein sehr wichtiger aufkommender Trend, der sich jedoch noch in einem frühen Stadium seines Lebenszyklus befindet. Können Sie uns erklären, was „agentisch“ bedeutet? Ja. Welche Chancen bietet die agentische „ AI “, aber welche Herausforderungen und Einschränkungen gibt es derzeit noch?

Ja, auf jeden Fall. Ich glaube, es gab mal den Spruch, dass das letzte Jahr oder die letzten Jahre das Jahr der OEMs waren, denn fast jede Woche wurden von den unterschiedlichsten Anbietern neue LLMs auf den Markt gebracht. Und dann kam RAG, die „Retrieval Augmented Generation“, und damit die Ära der Chatbots. Jeder entwickelt Chatbots auf Basis dieser LLMs.

Aber dieses Jahr soll angeblich das Jahr der Agenten sein. Warum gerade Agenten? Weil man aktiv werden muss. Zum Beispiel:

Selbst als Menschen gilt doch: Wenn wir nur ständig nachdenken und nichts unternehmen, kommen wir nicht voran.

Ähnlich verhält es sich also mit all diesen OEMs und Chatbots: Man kann all diese Daten abfragen, und das könnte ein guter Anfang sein. Aber um auf der Grundlage dieser Daten dann auch tatsächlich etwas zu bewirken, benötigt man bestimmte Funktionen. Wie gehen wir das nun traditionell an? Wir nutzen Microservices.

Wir nutzen sozusagen SOA-Architekturen, REST-APIs und so weiter. Richtig? Aber in der Welt von „ AI “ sprechen wir über Agenten, weil Agenten Entscheidungsbefugnis haben und autonom sein können. Aber wie hoch ist dieser Grad an Autonomie?

Das hängt vom Anwendungsfall ab, und das ist ein Wachstumsbereich, in dem wir noch viel dazulernen werden. Im Automobilbereich zum Beispiel sprechen wir schon seit langer Zeit über vollständig autonome Fahrzeuge, doch aufgrund verschiedener Komplexitäten ist dies noch nicht möglich. Das Gleiche wird auch bei vielen dieser agentenbasierten Arbeitsabläufe der Fall sein. Wir können zwar weiterhin davon sprechen, dass vollständig autonome Agenten alles erledigen, doch könnte dies bei der Entscheidungsfindung mit zahlreichen Kompromissen verbunden sein.

Man sieht bereits Beispiele dafür, sei es bei so alltäglichen Dingen wie der Terminplanung oder der Suche nach einem Flug von hier nach dort in einem bestimmten Zeitraum zu einem guten Preis. Und dann, im Laufe der Zeit, werden wir als Gesellschaft – und natürlich jeder Einzelne, auch wenn jeder an einem anderen Punkt stehen mag – wohl zunehmend bereit sein, dem „ AI “ mehr Befugnisse und Handlungsspielraum – das Wortspiel ist beabsichtigt – zu übertragen, damit er Dinge für uns erledigt. Oder andere könnten es die Arbeit machen lassen und dann noch einmal nachfragen: „Sieht das für dich in Ordnung aus?“, bevor sie die Aktion ausführen. Und ich denke, wir werden all diese Szenarien erleben. Ich denke jedoch, der entscheidende Punkt ist: Indem man einen Kreislauf schafft, der nicht nur aus der Analyse zur Ermittlung einer Antwort – also Datenanalyse – besteht, sondern auch das Ergreifen von Maßnahmen umfasst und möglicherweise auf den Abschluss des Kreislaufs hinführt, beginnt man, die Fähigkeit zu entwickeln, einen Feedback-Zyklus zu etablieren, der die Leistungsfähigkeit und den Durchsatz von „ AI “ sowie dessen Potenzial verbessern kann.

Ja. Der größte Unterschied besteht darin, wie wir Software bisher entwickeln. Stimmt’s? Sie basiert größtenteils auf Regeln.

Du sagst also im Grunde: „Hey, ein Microservice oder eine API soll x, y und z ausführen.“ Und dafür benötigt er Eingabedaten und gibt Ausgabedaten zurück. Diese Logik musst du programmieren.

Aber bei Agenten ist es dank der Leistungsfähigkeit der großen Sprachmodelle in der Lage, sehr viele Entscheidungen zu treffen. Man muss also vielleicht nicht immer alles explizit angeben, aber der Nachteil dabei ist, dass die Denkfähigkeit darunter leidet. Das gilt doch sogar für uns Menschen, oder? Wenn wir ständig zu viel nachdenken, erschöpfen wir uns.

Wir werden viel Energie verlieren. Wir müssen mehr trinken. Wir müssen mehr essen. Das Gleiche gilt auch für die Agenten.

Wenn er kontinuierlich denkt und von Natur aus gewissermaßen nicht deterministisch ist, entstehen dir Kosten, weil der Agent über einen langen Zeitraum läuft und dabei viel Speicher, viel CPU-Leistung und Ähnliches beansprucht. Kurz gesagt: Ich denke, du weißt ja, dass Agenten natürlich die Zukunft sind, aber wenn es sich um logikbasierte Workloads handelt – also einfache „if-then-else“-Strukturen –, dann setzt man weiterhin auf Microservices. Man entwickelt diese Microservices nach wie vor.

Was auch immer für ihre Entscheidungsfindung erforderlich war, etwa Anwendungsfälle im Bereich der Lieferkette – das ist heutzutage eine große Herausforderung, nicht wahr? Vor allem angesichts all dieser Zölle und ähnlicher Dinge. Es herrscht so viel Unsicherheit.

Und wenn Sie möchten, dass dieser Agent den Lagerbestand ermittelt, müssen Sie beispielsweise den Lieferantenstatus ermitteln, Sie müssen die Logistik und den Transport klären. Das sind die typischen Anwendungsfälle, in denen sich ein Großteil der Logik nicht festschreiben lässt. Die Agenten oder die Multi-Agenten-Koordination müssen auf verschiedene Systeme zugreifen, um unterschiedliche Aktionen auszuführen. Das sind also die typischen Anwendungsfälle für Agenten, und ja, das ist die Zukunft.

Aber versuche nicht, alles auf eine Karte zu setzen und für alles Agenten einzusetzen, wenn es sich, wie du weißt, durch eine regelbasierte Logik lösen lässt.

Richtig.

Meiner Meinung nach werden also beide Ansätze – der deterministische und der nichtdeterministische – weiterhin bestehen bleiben, und man sollte für jede Aufgabe das passende Werkzeug einsetzen.

Wenn ich also einen Schritt zurücktrete und alles zusammenfasse, was du gerade gesagt hast, dann verstehe ich das so: „ AI “ wächst. Es wird immer leistungsfähiger. Ja. Man sollte es jedoch nicht als etwas Monolithisches betrachten, sondern es gibt ein Spektrum, das von einfacheren Modellen über komplexere Modelle bis hin zu potenziell unabhängigeren, offensichtlich autonomen Modellen reicht. Ich möchte die Bedeutung dessen nicht verwechseln, aber es handelt sich um eher handlungsorientierte Modelle mit eigenständigem Handlungsvermögen.

Und all das wird auch in Zukunft von großem Wert sein.

Ja.

Und diese Mischung wird sich wahrscheinlich im Laufe der Zeit weiterentwickeln.

Kann man das so sehen?

Auf jeden Fall. Und genau das Gleiche gilt, wenn man an unsere Computer, Speicher und Datenbanken denkt – dort ist alles genauso abgelaufen. Wir haben ja, sagen wir mal, mit all diesen monolithischen Mainframe-OEMs angefangen. Stimmt’s?

Und dann sind wir zu dezentralen Systemen übergegangen. Wir haben angefangen, über VMware und all das zu sprechen, und jetzt über Container. Und jetzt reden wir über serverlose Funktionen, aber all diese großen physischen Maschinen gibt es immer noch. Gleichzeitig gibt es aber auch die serverlose Funktion, bei der es sich um ein einzelnes Stück Code handelt, das auf 0,5 Gigabyte Arbeitsspeicher läuft.

Diese ganze Fülle an Funktionen in der Rechenliste bleibt also weiterhin bestehen. Datenbanken. Es gibt all diese riesigen monolithischen Datenbanken, nicht wahr? Aber es gibt auch kleine Datenbanken wie Zeitreihendatenbanken.

Es gibt noch andere Arten von Daten: NoSQL-Datenbanken.

Das Gleiche wird also auch im Bereich „ AI “ passieren, wo es eine Vielzahl von LLMs gibt. Und genau da sind wir ja. Verstehst du? Das sage ich immer scherzhaft. Als Lösungsarchitekten ist es ja gewissermaßen unsere Aufgabe, vom Endkunden ausgehend rückwärts zu denken, um herauszufinden, welches Tool

ist für Ihren Anwendungsfall geeignet, denn man sollte nicht versuchen, alles in einen Topf zu werfen. Es gilt: das richtige Werkzeug für die richtige Aufgabe.

Super.

Also müssen wir über die Automobilbranche sprechen. Sonatus – und in unserem Podcast geht es definitiv um Fahrzeugtechnik und Fahrzeugsoftware. Du hast bereits einige Punkte angesprochen, aber lass uns doch darüber sprechen, wie AI heute in Fahrzeugen eingesetzt wird, und dann können wir darüber reden, in welche Richtung es in Zukunft gehen wird.

Ja. Also, weißt du, in den letzten zehn Jahren oder so, als ich in der Automobilbranche tätig war, habe ich so viele Anwendungsfälle gesehen. Mein Hintergrund lag nämlich im Bereich Big Data und IoT. Und neben der Automobilbranche habe ich auch mit vielen Produkten aus dem Bereich „Smart Home“ gearbeitet.

Stimmt’s? Und deshalb ähnelten sich vernetzte Mobilität und all diese „Smart Home“-Anwendungen ein wenig. Man erhielt eine Menge dieser Telemetriedaten. Im Automobilbereich stammen diese Daten in erster Linie aus der Telematikeinheit.

Und sie kümmerten sich um das gesamte Flottenmanagement und solche Dinge.

Dann begann ich, mich mit dem OTA-Bereich zu beschäftigen, weil wir darüber sprachen: „Hey, auch die Automobilbranche sollte ihre Upgrades im Griff haben – und zwar nicht nur bei den Telemedizin- oder Infotainment-Geräten, sondern wie können wir den gesamten Automobilbereich besser aktualisierbar machen?“ Und diese Upgrades müssen im Laufe der Zeit erfolgen, ohne dass die Kosten sinken.

Und genau da begann sich das Konzept des „Software-Defined Vehicle“ abzuzeichnen. Dabei ging es nicht nur um Updates per Funk.

Wie ihr wisst, seid ihr ja sozusagen ein KMU und Experte auf diesem Gebiet. Es geht auch darum, die Architektur im Fahrzeug zu transformieren, denn wenn man Hunderte von Steuergeräten hat, ist das wirklich sehr, sehr schwierig. Die Frage ist also, wie man diese Konsolidierung der Steuergeräte erreichen und eine eher zonengestützte oder domänenbasierte Architektur schaffen kann, um all diese Software-Updates durchzusetzen oder umfangreiche Daten aus den Fahrzeugen zu sammeln, um die nächste Generation des Fahrerlebnisses zu ermöglichen.

Ich denke also, was „ AI “ angeht, gab es das, wie bereits erwähnt, schon immer. Richtig? Verschiedene Formen des maschinellen Lernens gab es schon immer. Als ich vor einigen Jahren mit einem unserer Partner, BlackBerry, zusammengearbeitet habe, haben wir auch über synthetische Sensoren gesprochen, bei denen wir viele Sensoren einsetzen, die auf maschinellem Lernen basieren – oder auch auf Logik.

Und man sammelt all diese Daten und verarbeitet die verrauschten Daten im Fahrzeug, bevor man etwas in der Cloud unternimmt, da das Hin- und Herübertragen der Daten oft ebenfalls unerschwinglich teuer ist. Entschuldigen Sie also bitte die langatmige Antwort, aber ich glaube, dass mit generativem „ AI “ und Agenten die gesamte Lieferkette vernetzt werden kann – vernetzte Mobilität

oder die Erfassung der Daten und die Frage, wie viele qualitativ hochwertige Daten tatsächlich in die Cloud gesendet werden können. Entscheidend wird sein, wie viel Arbeit – die naturgemäß nicht deterministisch ist – direkt am Fahrzeug selbst mit der EE-Architektur und dem softwaredefinierten Fahrzeug erledigt werden kann.

Und genau hier kommt Ihr früherer Punkt ins Spiel, dass man das richtige Modell für die jeweilige Aufgabe haben muss.

Man muss nicht unbedingt das Modell mit hundert Milliarden Token im Auto haben. Man kann wahrscheinlich auch, na ja, ein Modell mit zehn Millionen Token im Auto haben, was für das, was man erreichen will, völlig ausreicht. Und genau hier würden all diese großartigen Softwareprogramme, die ihr entwickelt und die sich auf die Fahrzeugsoftware konzentrieren, meiner Meinung nach von unschätzbarem Wert sein.

Ja. Vielen Dank. Das weiß ich zu schätzen. Und lassen Sie uns gleich darauf eingehen. Ich meine, ich glaube – wie wir zu Beginn bereits erwähnt haben –, dass die Leute oft denken, und es herrscht die Auffassung, dass „ AI “ in Fahrzeugen nur für autonomes Fahren steht, oder nur für automatisches Bremsen, oder nur für adaptive Spurhaltung.

Und die sind phänomenal. Ich bin ein großer Fan all dieser Technologien und finde sie großartig. Ja. Aber was wir bei „ Sonatus “ versuchen – und ich glaube, dass hier eine Chance verpasst wird und wir versuchen, das Bewusstsein dafür zu schärfen –, ist, dass meiner Meinung nach noch viel mehr möglich ist.

Ich werde Ihnen also ein paar Beispiele nennen. Wir arbeiten nun schon seit Jahren mit AWS zusammen. Wir schätzen Ihre Partnerschaft sehr.

Letztes Jahr auf der Consumer Electronics Show, also am 25. Januar. Ja.

Wir haben ein neues Produkt namens „ AI Technician“ vorgestellt, das auf AWS läuft und große Sprachmodelle nutzt. Dabei haben wir gezeigt, dass es Möglichkeiten gibt, große Sprachmodelle und Analysen einzusetzen, um Probleme im Fahrzeug besser zu verstehen.

Und dann die Nutzung von Dingen wie der Software und der Dateninfrastruktur, die Sonatus bereitstellt, um bessere, detailliertere Daten zu erhalten. Ja.

Um erkennen zu können: Hey, ist das ein Problem? Ist das kein Problem? Ist es ein dringendes Problem?

Handelt es sich um ein nicht dringendes Problem? Betrifft es die gesamte Flotte? Ja. Betrifft es nur ein einziges Fahrzeug?

Diese Idee des „ AI -Technikers“ hat also an Bedeutung gewonnen und großes Interesse geweckt. Und wir nutzen auch den Ansatz, über den wir gesprochen haben – dass es sich nicht um eine einzige Datenquelle handelt. Es geht nicht nur darum, dass wir uns die Fehlercodes, die DTC-Codes, also die Diagnosefehlercodes, ansehen. Wir betrachten nicht nur die DTC-Codes und geben sie in ein RAG- oder LM-System ein.

Ja. Aber vielmehr – und das war ja auch der Punkt, den du vorhin angesprochen hast – tragen wir Daten aus vielen Quellen zusammen. Und indem wir die Daten aus vielen Quellen kombinieren, erhalten wir eine bessere Antwort, als es eine einzelne Quelle allein könnte. Und ich denke, genau darin liegt die Stärke von „ AI “.

Das wird unglaublich leistungsstark sein. Da stimme ich dir zu. Wir nennen es ja „Rechenzentrum auf Rädern“, und das ist es auch wirklich, denn wie du schon gesagt hast, gibt es so viele verschiedene Netzwerktopologien, oder? Es gibt CAN, es gibt Ethernet und noch so viele andere.

Und womit wir sehr, sehr lange zu kämpfen hatten, war die Frage, wie man diese vielen verschiedenen Signaltypen in einen Standard umwandeln kann. Deshalb haben wir begonnen, an den VSS-Spezifikationen von COVESA zu arbeiten – aber nicht jeder OEM nutzt VSS, oder? Jeder hat sein eigenes System. Wie standardisiert man nun all diese Daten, die aus den unterschiedlichsten Netzwerktopologien und verschiedenen Steuergerätetypen stammen, und wie lässt sich daraus nahezu in Echtzeit ein Sinn ergeben, um ein personalisiertes Erlebnis zu schaffen oder sogar eine vorausschauende Wartung zu ermöglichen – zum Beispiel, wenn die Bremsbeläge Verschleißerscheinungen zeigen und ausgetauscht werden müssen, und diese Information an die Werkstatt zu senden?

Und dann gehst du zum Autohaus. Dort sagt man dir: „Nein, das ist kein Problem. Wir werden das reparieren.“ Stimmt’s?

All das zusammen ergibt also diese ganzheitliche Wertschöpfungskette. Ich glaube, dass „ AI “ das lösen kann. Nicht nur, wie du gesagt hast, in Form eines ausgefallenen Infotainment-Systems. Klar.

Ich habe zum Beispiel am Alexa-SDK mitgearbeitet, als es erstmals für eingebettete Geräte auf den Markt kam. Und ich erinnere mich noch gut daran, wie wir gemeinsam mit NXP eine Neugestaltung vorgenommen und den Kunden gezeigt haben, wie man Alexa integrieren kann, nicht wahr? All diese Infotainment-Anwendungen, mit denen wir uns schon so lange beschäftigt haben, und maschinelles Lernen gibt es auch schon seit langem – aber mit dem „ AI “ der heutigen Zeit lässt sich noch so viel mehr machen, wie du schon sagst, denn es ist die nächste Evolutionsstufe und überall präsent.

Deshalb bin ich so froh, dass du das gesagt hast.

Und dieser letzte Punkt ist ein perfekter Übergang zu dem letzten Punkt, den wir heute hier ansprechen möchten: Wir freuen uns riesig, dass Sonatus gerade unser neuestes Produkt im Bereich „ AI “ auf den Markt gebracht hat, das „ Sonatus “AI Director heißt. Und ich denke, anknüpfend an das, worüber wir vorhin im Zusammenhang mit dem „ AI -Technician“ gesprochen haben, ist uns bewusst, dass sich der „ AI “ heute im Allgemeinen auf ADAS-Einheiten konzentriert – oder natürlich in bestimmten Fällen auf Chatbots in der IVI-Einheit, um Dinge zu erledigen wie: „Wo ist das nächste Starbucks?“ oder „Werde ich auf dem Heimweg in den Stau geraten?“ Ja. Aber in Wirklichkeit ist das nur ein winziger Bruchteil der Fahrzeuginfrastruktur. Es ist ein winziger Bruchteil der Fahrzeugsubsysteme.

Wir haben daher erkannt, dass es ein enormes ungenutztes Potenzial gibt, „ AI “ in weiteren Fahrzeugsubsystemen für eine Vielzahl von Anwendungen einzusetzen – sei es für eine bessere Diagnose, eine bessere vorbeugende Wartung, Optimierung, Effizienzsteigerungen, die fortlaufende Feinabstimmung und so weiter. AI -Direktor, hat daher – und AWS ist einer unserer Einführungspartner, weshalb wir uns sehr freuen, dass ihr dabei seid und uns dabei helft, dieses Projekt auf den Weg zu bringen – aufgezeigt, wie wir eine Infrastruktur bereitstellen können, um die Einführung von „ AI “ im Fahrzeug selbst zu beschleunigen, nicht in der Cloud. Die Cloud ist wichtig. Die Cloud wird immer wichtig sein.

Ja. Aber es gibt bestimmte Anwendungen, die lokal ausgeführt werden müssen – sei es, weil sie latenzempfindlich sind, weil zu viele Daten an die Cloud gesendet werden müssten, weil Datenschutzbedenken bestehen oder weil es um den Schutz von geistigem Eigentum geht. Wie können wir diese Modelle, wo es sinnvoll ist, näher an das Fahrzeug heranbringen, sodass sie in der Infrastruktur des Fahrzeugs laufen und dort Probleme lösen, Kosten senken und für mehr Effizienz sorgen?

Wir haben uns also riesig darauf gefreut, das vor Kurzem auf den Markt zu bringen, und freuen uns sehr, dass du dabei bist. Du beschäftigst dich schon seit einiger Zeit mit dieser Art von Problem. Siehst du darin einen echten Bedarf in der Branche?

Ja. Das sehe ich auf jeden Fall so, denn, weißt du, Daten sind nach wie vor das entscheidende Unterscheidungsmerkmal.

Denn wir reden zwar ständig über „ AI “, aber – entschuldigt bitte meine Ausdrucksweise – es gilt: „Garbage in, garbage out“, wenn die Datenqualität nicht stimmt. Und daran glaube ich fest. Versteht ihr? Wir müssen uns also weiterhin intensiv um hohe Datenqualität, gute Datenverwaltung und all die verschiedenen Optimierungsmaßnahmen kümmern, die ihr erwähnt habt.

Und dann wird Ihr AI – egal, ob es sich um ein LLM-basiertes Modell handelt AI oder um ein agentenbasiertes Modell AI – diesen ROI für Sie erzielen. Wenn Sie einfach nur glauben, dass Sie dieses LLM, das auf Internetdaten trainiert wurde, erwerben können und es dann Wunder für Ihr Unternehmen bewirken wird, dann wird das nicht passieren. Ich meine, das ist die Realität.

Und genau hier liegen viele der Lösungen, bei denen ihr ja Pionierarbeit leistet – ich glaube, die wären für die Kunden äußerst nützlich.

Ja. Dafür danke ich Ihnen. Und einer der Punkte, die uns aufgefallen sind – und den wir bestätigt haben und der nach wie vor zutrifft –, ist, dass es so viel Branchenexpertise gibt. Es gibt so viel Wissen und Know-how in den Bereichen Batterien, Antrieb, Sicherheit, Reifen und was auch immer.

Dass es dieses Fachwissen da draußen gibt. Die Herausforderung besteht heute jedoch darin, dass OEMs jedes dieser Modelle einzeln integrieren müssen, was mit hohen Integrationskosten verbunden ist. Wie könnten wir eine einheitlichere Infrastruktur schaffen, damit sie auf die Innovationen dieser Branchenexperten zurückgreifen können – und zwar auf eine Weise, die für sie sehr skalierbar ist? Genau das versuchen wir zu erreichen. Und bisher stößt dies auf eine sehr, sehr positive Resonanz.

Ja, und das ist großartig, denn selbst wenn man an diese multimodalen OEMs denkt – genau. Sie bringen tatsächlich viel Wissen mit, auch wenn es sich dabei noch um interne Daten handelt. Aber diese werden zunehmend von verschiedenen Branchen genutzt. Und ähnlich wie vor etwa zehn Jahren habe ich beobachtet, dass viele Kunden tatsächlich etwas beitragen, das man „Datenaustausch“ nennt.

Das bedeutet, dass sie über die „Trader“-Daten verfügen – also hochwertige Daten, die beispielsweise für die Finanzbranche, das Gesundheitswesen oder die Automobilindustrie relevant sind –, und diese entweder im Open-Source-Modell oder im kommerziellen Modell weitergeben, je nachdem. Und diese Daten können von verschiedenen anderen Branchen genutzt werden. Ich glaube, dass sich in diesem Bereich wahrscheinlich dasselbe abspielen wird. Und wenn das geschieht, sind die LLMs unglaublich leistungsfähig.

Das nutzt man als Denkansatz und bringt all diese bewährten Verfahren ein. Wie du schon gesagt hast: Die Reichweitenangst bei Elektroautos ist auch heute noch ein riesiges Problem.

Richtig.

Ich habe mit so vielen gesprochen, sogar mit OEMs, und sie alle berichten von demselben Problem. Es gibt diese Reichweitenangst bei Elektrofahrzeugen – was können wir dagegen tun? Und das lässt sich erst dann optimieren, wenn man über dieses gesamte Daten-Flywheel verfügt, bei dem Daten von den Reifen und von verschiedenen Steuergeräten erfasst, anschließend konsolidiert und dann für vorausschauende oder präventive Wartungsmaßnahmen sowie sogar für die Reichweitenoptimierung genutzt werden.

Es scheint einfacher zu sein, ist es aber nicht, weil wir auch so viele Funktionen in das Auto integrieren. Mein Kind möchte zum Beispiel auf einer langen Fahrt Netflix schauen. Richtig? Und wenn man so viel Batteriekapazität aus dem System abzieht und trotzdem erwartet, dass die Reichweite bei 500 Meilen liegt, wird das nicht funktionieren. Wie optimiert man also all das? Die Antwort lautet: Daten und darüber hinaus „ AI “ – man lernt kontinuierlich dazu und verfeinert sein Modell, egal ob es sich um ein traditionelles Modell oder ein großes Sprachmodell handelt. Stimmt’s?

Und genau das ist dann das MLOps, das man, wie gesagt, umsetzen kann.

Genau. Und Sie haben die Reichweitenangst angesprochen. Eine der Ursachen dafür ist auch die Batterie. Die Technologie der Fahrzeugbatterien und das Verständnis dafür entwickeln sich rasant weiter.

Einer unserer Partner bei der Markteinführung ist Qnovo, ein führender Anbieter von Batteriemanagementsystemen und Lösungen zur Überwachung des Batteriezustands. Mhmm. Und wir haben uns sehr gefreut, sie bei unserer Markteinführung dabei zu haben.

Und woran sie arbeiten, ist eine unglaubliche Innovation bei der Suche nach Fehlern in Batterien, nach Möglichkeiten, Batterien schneller aufzuladen und so weiter – aber dafür braucht man die Daten. Man braucht das Modell. Und daher besteht eine unserer Aufgaben darin, ihnen dabei zu helfen, dieselbe Infrastruktur zu nutzen, um eine Möglichkeit zu schaffen, dieses Modell umzusetzen. Das ist also ein Subsystem, an das man zunächst nicht gedacht hätte, das aber dieselbe Infrastruktur nutzen kann.

Genau.

Ein weiterer Punkt, den Sie angesprochen haben und den ich für sehr wichtig halte, ist, dass es unsere Aufgabe als Branche und als Technologen ist, stets die Zukunft vorauszusehen. Und manchmal bedeutet das, zu wissen, dass es in der Zukunft Dinge geben wird, die man noch nicht kennt.

Ja.

Wie schafft man also die Voraussetzungen dafür, dass man die nächste Innovation nutzen kann, wenn sie kommt?

Sie können davon profitieren. Denn allzu oft – bei vielen Technologien, aber in der Vergangenheit ganz sicher bei Fahrzeugen – wird etwas so konzipiert, weil es ein Auto ist, es fährt, und das ist alles, was man braucht. Doch dann tritt etwas ein, das nicht vorhergesehen wurde, und das Fahrzeug wird veraltet oder auf dem Markt weniger wettbewerbsfähig, oder sein Wiederverkaufswert sinkt. Wie schaffen wir die Möglichkeit, Fahrzeuge im Laufe der Zeit weiterzuentwickeln – zur Reichweitenoptimierung, für neue Dienste und für neue Sicherheitstechnologien nach der Auslieferung? Das ist einer der Vorteile der Erweiterbarkeit, die wir bieten wollen, und wir sind der Meinung, dass in der Branche ein enormer Bedarf dafür besteht.

Ja, ja, auf jeden Fall. Und genau hier glaube ich immer noch, dass die Möglichkeiten der Cloud eine so wichtige Rolle spielen werden. Stimmt’s?

An einigen dieser Initiativen habe ich zwar nicht direkt mitgearbeitet, aber meine Kollegen schon, zum Beispiel an der virtuellen ECU in der Cloud. Stimmt’s? Da habt ihr ja eine Menge dieser NVIDIA-Komponenten eingebracht, die ihr wahrscheinlich im Auto verwendet habt. Wie schafft ihr es, diese in der Cloud weiterlaufen zu lassen und all diese Simulationen durchzuführen?

Und vor allem, wenn man zu dieser EE-Architektur übergeht, bei der man konsolidierte Steuergeräte hat und das Auto in der Cloud ist. Und dann führt man End-to-End-Simulationen für all das durch. Und schließlich findet man heraus, was zum aktuellen Zeitpunkt sinnvoll ist. Denn ein Auto ist eine ganz eigene Sache.

Das ist nicht wie bei einem Kopfhörer, der ein „smarter“ Kopfhörer ist. Oder? Ich will hier ja nicht den Bekehrten predigen. Es geht eher um sicherheitskritische Systeme, bei denen man deterministische Maßnahmen ergreifen muss.

Die Airbags werden ausgelöst. Sie müssen sofort handeln. Das ist nicht wie bei anderen vernetzten Produkten. Das ist das komplexeste Produkt auf dem Markt.

Ich denke also, wie Sie schon sagten, dass es sich um einen kontinuierlichen Lernprozess handelt. Wir werden in der Cloud vorankommen und dann im Edge-Bereich Partnerschaften eingehen, aber wir brauchen all diese Daten. Und auch maschinelles Lernen und die OEMs benötigen all diese Daten. Wir brauchen all diese MLOps. Wir brauchen alle Best Practices des SDLC. Das wird nicht verschwinden. Es ändern sich lediglich die Werkzeuge.

Und wir müssen für jede Aufgabe das richtige Werkzeug einsetzen.

„Das ist eine perfekte Zusammenfassung“, sagtest du, „denn obwohl wir vorhin kurz über den Vehicle Edge gesprochen haben, geht es im Grunde darum, dass man all das braucht. Genau. Man braucht eine leistungsstarke Cloud. Man braucht zuverlässige Daten.“

Man braucht leistungsstarke Dienste. Genau. Und man braucht Daten im Fahrzeug, und beides muss eng zusammenarbeiten. Und genau darum geht es eigentlich.

Und genau deshalb arbeiten wir mit Ihnen zusammen. Ja.

Ja.

Und deshalb freuen wir uns so sehr, dich hier zu haben. Das gilt auch für uns. Es macht so viel Spaß, darüber zu sprechen, und es ist wirklich spannend, näher auf „ AI “ einzugehen. Wir werden in zukünftigen Folgen noch mehr über „ AI “ sprechen. Aber vielen Dank für diese Meisterklasse zu all diesen Technologien.

Vielen Dank für die Einladung. Das weiß ich wirklich zu schätzen, John. Es hat mir großen Spaß gemacht, mich mit dir zu unterhalten.

Wenn euch diese Folge gefällt, dann likt sie bitte und abonniert unseren Kanal, um weitere ähnliche Folgen zu sehen. Wir freuen uns, dass ihr dabei seid, und hoffen, euch schon bald in einer weiteren Folge wiederzusehen.