In unserer digitalisierten Welt ist ML allgegenwärtig. Neben den klassischen Beispielen der Detektion von Spam-Mails oder bei Empfehlungssystemen für Suchergebnisse und Produktvorschläge finden wir ML-Algorithmen auch im Bankengeschäft bei der Kreditvergabe und selbstverständlich in unseren Smartphones für Sprach- und Gesichtserkennung. Auch in der Automobilindustrie hat ML Einzug gehalten und wird immer bedeutender. Das Spektrum reicht von der intelligenten Fertigungsstraße und automatisierten Qualitätskontrollen über Fahrerassistenzsysteme wie Spur- und Verkehrszeichenerkennung hinzu einem intelligenten Cockpit mit Fahrer- oder Ablenkungserkennung während der Fahrt. Auch wir bei e.solutions forschen und entwickeln in diesem Bereich, um das Fahren sicherer und angenehmer zu machen.
Maschinelles Lernen kommt in modernen Fahrzeugen schon heute bei der Erfassung der Umgebung oder der Überwachung bzw. Steuerung des Innenraums zum Einsatz. Für uns bei e.solutions liegt ein Fokus auf dem sog. intelligenten Cockpit, das von der Fahrzeuginteraktion mittels Gesten oder Sprache über Ablenkungserkennung hin zur Personalisierung reicht. Beispielsweise lassen sich Einstellungen wie Sitzposition, Spiegel oder Wohlfühltemperatur mit individuellen Fahrern verknüpfen. Die zuverlässige Fahrererkennung durch Gesichtsmerkmale ist hier nur eines unserer vielfältigen Vorentwicklungsprojekte. Unser Team entwickelt ebenso Algorithmen zur intelligenten Anruferliste oder der smarten Sitzheizungssteuerung basierend auf individuellen Nutzerpräferenzen.
Selbstverständlich ist, dass diese Dienste zuverlässig, aber auch sehr effizient und ohne Verbindung in die Cloud funktionieren sollen. Darüber hinaus müssen manche Applikationen wie die intelligente Anruferliste nachlernen können, um passend auf Gewohnheitsänderungen zu reagieren. Zu diesem Zweck hat e.solutions das ML Framework „esoAI“ entwickelt, welches die vielfältigen Herausforderungen im automobilen Umfeld berücksichtigt.
esoAI unterstützt nicht nur klassische und leichtgewichtige ML Algorithmen wie Support Vector Machines, sondern auch tiefe neuronale Netze (Deep Learning) oder Werkzeuge zum inkrementellen Lernen. Dafür bietet „esoAI“ ein flexibel und intuitiv bedienbares Python Interface, das, unter anderem durch seine Kompatibilität zu scikit-learn, die Modellentwicklung und Validierung ungemein vereinfacht. Ein Backend in C++ ermöglicht es, dass auch auf Serienhardware ohne dedizierte Beschleunigung eine schnelle Ausführung möglich ist.