Machine Learning Engineer: Auch in der KI zählt der Mensch
Seit 2019 arbeitet Paul Schindler als Deep Learning Development Engineer bei der SICK AG in Waldkirch. Das Maschinelle Lernen hat der 30-Jährige im Studium für sich entdeckt.
Paul Schindler sitzt am Besprechungstisch und diskutiert mit Kolleginnen und Kollegen der Entwicklungsabteilung einer Einheit, die SICK-Produkte realisiert, ein neues Projekt. Die Aufgabe: Ein autonom fahrendes Transportsystem soll Hindernisse in der Produktionshalle erkennen. Solche Objektdetektionsmodelle auf Basis von Sensordaten werden bei SICK sowohl in der eigenen Produktion genutzt als auch für Kundinnen und Kunden entwickelt. Für die Automatisierung der Produktion spielt künstliche Intelligenz eine große Rolle. Paul Schindler unterstützt als Experte für Deep Learning, einem Teilbereich des Machine Learning, bei der Umsetzung passgenauer Lösungen.
Hierfür müssen zunächst die Anforderungen präzise geklärt werden: Was soll das System erkennen? Geht es nur um typische Objekte oder auch um Sonderfälle, sogenannte edge cases? In welchem Kontext soll der Nachweis erfolgen – in immer derselben Produktionshalle oder auch in anderen Umgebungen? „Daten sind das Herzstück des Deep Learning“, weiß Paul Schindler. „Damit der Datenpool stimmt, muss die Aufgabe präzise definiert sein; dazu besprechen wir uns mit den Kolleginnen und Kollegen.“ Diese kennen die Problemstellung im Detail, er bringt wiederum seine große Erfahrung mit Deep-Learning-Projekten ein. „Wenn die Vorbereitungsarbeit nicht präzise erledigt wird, müssen Datenpools später aktualisiert und das neuronale Netz nachtrainiert werden.“
Neben den praktischen Anforderungen müssen auch Umsetzungskriterien definiert werden. „Hier geht es um eine Abwägung zwischen Genauigkeit und Geschwindigkeit“, erklärt Paul Schindler. Ziel ist es, mit klar definierten Hardwareressourcen optimale Ergebnisse zu erzielen.
Daten sind das Herzstück des Deep Learning.
Paul Schindler, Deep Learning Development Engineer bei der SICK AG in Waldkirch
Erfolgreiches Lernen heißt Transfer
Auf dieser Basis entwickelt er mit den Kolleginnen und Kollegen das Deep-Learning-Modell oder neuronale Netz. „Das besteht aus unterschiedlichen Schichten, die Muster erkennen. Je mehr Schichten wir haben, desto besser ist die Analyse. Das Netz lokalisiert nicht nur das Hindernis, sondern bestimmt auch die Objektklasse – zum Beispiel ‚Gabelstapler‘ –, aber das kostet Zeit und Rechenleistung.“
Dann geht es ans Training. Im Fall der Bilderkennung bekommt das neuronale Netz Bilder aus dem Datenpool, macht Vorhersagen und gleicht diese ab mit dem Label, also der korrekten Antwort wie „ist ein Hindernis“ oder „ist eine Ampel“. Zurückgespiegelt wird nicht Ja oder Nein, sondern eine Berechnung der Abweichung. „Auf dieser Basis lernt das neuronale Netz selbst“, betont Paul Schindler. „Der Mensch gibt die Struktur, die Daten und das Label vor.“
Der Ingenieur verfolgt das Training anhand eines Evaluationsdatensatzes zur Erfolgskontrolle. „Entscheidend ist die Qualität des Lernens. Auswendiglernen hilft bei maschinellen Systemen genauso wenig wie beim Menschen. Wir brauchen Transfer und Generalisierung und nutzen bestimmte Parameter, die das Auswendiglernen verhindern.“ Am Ende des Entwicklungsprozesses steht wie häufig beim Lernen eine Prüfung. Die läuft über einen Testdatensatz, der die Anwendungsrealität widerspiegelt, aber nicht mit dem Trainingsdatensatz übereinstimmt.
„Man muss am Ball bleiben“
Die Faszination für das Maschinelle Lernen wurde bei Paul Schindler im Studium geweckt. Nach dem Abitur 2012 begann er sein Bachelorstudium im Fach Wirtschaftsingenieurwesen am Karlsruher Institut für Technologie. „Dort bin ich mit der Informatik in Berührung gekommen und habe Feuer gefangen. In den 2010er-Jahren gab es große Fortschritte in der Deep-Learning-basierten Bildverarbeitung, so wie heute bei Sprachmodellen, etwa ChatGPT. Das habe ich hautnah mitbekommen.“ Im Master wählte er entsprechend die Vertiefung Informatik und Machine Learning. Zu SICK kam er schließlich über eine Hochschulgruppe, die sich mit Data Science und Machine Learning beschäftigte. „Eigeninitiative ist entscheidend, wenn man in diesem Themenbereich arbeitet“, sagt Paul Schindler. Nach einem Praktikum bei SICK schrieb er 2019 seine Masterarbeit im Unternehmen und stieg gleich im Anschluss als Deep Learning Development Engineer ein. „Ich bin dort rundum glücklich“, bekräftigt er.
Zu seinen Aufgaben gehört auch die Entwicklung neuer Tools für das Deep Learning. „Das Spannende in meinem Aufgabenbereich ist die Zusammenarbeit. Viele Modelle stehen öffentlich zur Verfügung und werden in der Community weiterentwickelt. Aktuell befruchten die Fortschritte bei Sprachmodellen auch die Bildverarbeitungsnetze“, erklärt er. Fest steht: Stillstand gibt es für ihn nicht. „Man muss ständig am Ball bleiben und die aktuellen Entwicklungen verfolgen.“ Bei SICK kommt der kontinuierliche Praxisabgleich dazu. „Im industriellen Umfeld müssen wir konkrete Probleme lösen und bekommen ein unmittelbares Feedback.“ Das macht die Arbeit im ständigen Entdeckermodus besonders reizvoll.
Weitere Informationen
BERUFENET
Das Onlinelexikon für Berufe der Bundesagentur für Arbeit mit über 3.000 aktuellen Berufsbeschreibungen in Text und Bild (Suchwort: Machine Learning Engineer). www.arbeitsagentur.de/berufenet
studienwahl.de
Infoportal der Bundesagentur für Arbeit und der Stiftung für Hochschulzulassung. www.studienwahl.de
BERUFE.TV
Filmportal der Bundesagentur für Arbeit www.berufe.tv
