-
Die Erfindung betrifft ein Verfahren zur Konfiguration einer KI-Funktion in einem Fahrzeug.
-
Aus der
US 2019/0248019 A1 sind ein Verfahren, ein System, ein Medium und Implementierungen zum Konfigurieren eines animatronischen Gerätes bekannt. Dabei werden Informationen über einen Benutzer eingeholt, für den das animatronische Gerät konfiguriert werden soll, um einen Dialog mit dem Benutzer durchzuführen. Aus den erhaltenen Informationen werden eine oder mehrere Präferenzen des Benutzers ermittelt und verwendet, um aus der Vielzahl auswählbarer Profile ein erstes ausgewähltes Profil auszuwählen, das Parameter angibt, die verwendet werden, um die Art und Weise zu steuern, in der das animatronische Gerät mit dem Benutzer kommunizieren soll. Anschließend wird das animatronische Gerät auf Grundlage des ersten ausgewählten Profils so konfiguriert, dass der Dialog in der angegebenen Weise ausgeführt wird.
-
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zur Konfiguration einer Kl-Funktion in einem Fahrzeug anzugeben.
-
Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren, welches die in Anspruch 1 angegebenen Merkmale aufweist.
-
Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.
-
Ein Verfahren zur Konfiguration einer KI-Funktion in einem Fahrzeug sieht erfindungsgemäß vor, dass
- - fahrzeugseitig ein eingebettetes vortrainiertes Modell vorhanden ist, mittels dessen ein sprachliches Wissen der KI-Funktion in einem Raum abgebildet wird,
- - ein Nutzer der KI-Funktion ein gewünschtes Verhalten der KI-Funktion mittels einer Eingabe sprachlich vorgibt, wobei diese eingegebene sprachliche Vorgabe in einen schriftlichen Text umgewandelt wird,
- - entsprechend der KI-Funktion eine Dokumentation einer Programmierschnittstelle vorliegt, welche eine Funktion und zugehörige Aufrufe der Kl-Funktion beschreibt,
- - das von dem Nutzer gewünschte Verhalten der KI-Funktion in das vortrainierte Modell übertragen wird und ein Ähnlichkeitsmaß ermittelt wird, mittels dessen eine Ähnlichkeit und/oder eine Wahrscheinlichkeit einer Übereinstimmung zwischen der in dem Modell des sprachlichen Wissens abgebildeten und der in der Dokumentation der Programmierschnittstelle der KI-Funktion abgebildeten Vorgabe zu dem gewünschten Verhalten ermittelt wird und
- - wenn ermittelt wird, dass das Ähnlichkeitsmaß eine vorgegebene Schwelle überschreitet, die Programmierschnittstelle aufgerufen wird, mittels welcher dann eine definierte technische Umsetzung des gewünschten Verhaltens der Kl-Funktion erfolgt.
-
Durch Anwendung des Verfahrens ist es vergleichsweise einfach möglich, die KI-Funktion mittels Spracheingabe durch den Nutzer zu personalisieren, wobei mittels des Verfahrens mehr Freiheitsgrade für eine Hyperpersonalisierung von KI-Funktionen im Fahrzeug vorhanden sind.
-
Mittels des Verfahrens kann ein digitales Luxusempfinden in dem Fahrzeug erhöht werden, wodurch beispielsweise ein Anreiz zum Erwerb eines solchen Fahrzeuges gesteigert werden kann.
-
Ausführungsbeispiele der Erfindung werden im Folgenden anhand einer Zeichnung näher erläutert.
-
Dabei zeigt die:
- 1 schematisch einen Ablauf eines Verfahrens zur Konfiguration einer Kl-Funktion in einem Fahrzeug.
-
Die einzige Figur zeigt einen Ablauf eines Verfahrens zur Konfiguration einer KI-Funktion in einem Fahrzeug.
-
Im Allgemeinen ist bekannt, dass ein Nutzer eines Fahrzeuges, beispielsweise ein Fahrer, in dem Fahrzeug mit KI-Funktionen interagiert, beispielsweise auch mit einer KI-Funktion eines mit dem Fahrzeug gekoppelten mobilen Endgerätes, insbesondere eines Smartphones.
-
Im Folgenden wird ein Verfahren beschrieben, welches es ermöglicht, ein Wunschverhalten einer KI-Funktion, insbesondere im Fahrzeug, verbal zu beschreiben und daraufhin Anpassungen bei einem Training, einer Architektur, einer Modellauswahl etc. vorgenommen werden, so dass ein Verhalten der KI-Funktion einem von dem Nutzer gewünschten Verhalten der Al-Funktion möglichst entspricht. Insbesondere sieht das Verfahren vor, dass mittels einer Vorgabe des gewünschten Verhaltens in Sprache oder Text das Verhalten der KI-Funktion nutzerspezifisch angepasst wird, und Eigenschaften, wie beispielsweise eine Reproduzierbarkeit, Erkundung und Veränderung, angepasst werden. Dabei werden eine Auslegung und Entwicklung sowie ein Training eines Modells, auf dem die KI-Funktion beruht, beeinflusst.
-
Das Verfahren sieht eine Nutzung eines eingebetteten vortrainierten Modells vor, welches ein sprachliches Wissen in einem Raum abbildet, einen sogenannten embedded Space für Weltwissen.
-
Der Nutzer gibt ein gewünschtes Verhalten der KI-Funktion in dem Fahrzeug mittels Spracheingabe vor. Beispielsweise kann der Nutzer sagen: „Ich möchte, dass die KI-Funktion mich ab und zu überrascht, mal etwas neues probiert, sich verändert und möglichst aktuell bleibt“. Ein weiterer Nutzer könnte sagen: „Ich möchte, dass die KI-Funktion nur etwas ausgibt, wenn sie sich sicher ist, und wenn sie einmal gut funktioniert, soll sie sich möglichst wenig verändern“.
-
Für jede KI-Funktion in einem Fahrzeug, beispielsweise eine Sprachfunktion, eine lernende Klimaanlage, ein lernendes Fahrprogramm etc., existiert eine Dokumentation einer Programmierschnittstelle, welche eine Funktion und zugehörige Aufrufe der KI-Funktion beschreibt. Diese Programmierschnittstellen können dabei KI-Funktionen, beispielsweise umgesetzt mittels tiefer neuronaler Netze, aktiv verändern und beeinflussen.
-
Letztendlich unterliegen alle Parameter und Hyperparameter zum Trainieren der Kl-Funktion, zum Beispiel in Bezug auf Ausgabeschwellen, Bewerten mittels einer Gütefunktion etc., wie auch darüberliegende Entscheidungen und Abläufe, wie eine Auswahl einer Architektur, einer Auswahl eines Modells aus einem Pool von mit verschiedenen Parametern trainierten Modellen, einer Art, Dauer und eines Zeitpunktes eines Nachtrainierens. Derartige technische Veränderungen beeinflussen das Verhalten eines Kl-Modells, wie zum Beispiel in Bezug auf Reproduzierbarkeit, Vorhersagegenauigkeit, Erkundung und Veränderung.
-
Der Nutzer gibt in einem ersten Verfahrensschritt S1 ein gewünschtes Verhalten der KI-Funktion ein. Diese Eingabe wird in einem zweiten Verfahrensschritt S2 über das eingebettete vortrainierte Modell in einen eingebetteten Raum übertragen.
-
In einem dritten Verfahrensschritt S3 wird ein Ähnlichkeitsmaß bestimmt, welches eine Ähnlichkeit, beispielsweise eine Kosinus-Ähnlichkeit, und/oder eine Wahrscheinlichkeit einer Übereinstimmung zwischen der Eingabe in das eingebettete vortrainierte Modell und einer in den eingebetteten Raum übersetzten Dokumentation der Programmierschnittstelle der KI-Funktion ermittelt.
-
Wird in einem vierten Verfahrensschritt S4 ermittelt, dass das Ähnlichkeitsmaß eine vorgegebene Schwelle überschreitet, wird die entsprechende Programmierschnittstelle in einem fünften Verfahrensschritt S5 angesteuert, welche dann definierte technische Umsetzungen in Bezug auf das Verhalten der KI-Funktion durchführt. Basierend auf der Ansteuerung oder einem Aufruf der Programmierschnittstelle verändert die KI-Funktion ihr Verhalten. Der Nutzer kann dabei die Eingabe wiederholen, um Einstellungen zu ändern, zu verwerfen oder zu verfeinern.
-
In einer Ausführung des Verfahrens kann auch ein Lerneffekt in Bezug auf den Nutzer stattfinden, insbesondere indem Datensätze bestehend aus ‚Wunschverhalten Nutzer‘, ausgeführte Ansteuerung der Programmierschnittstelle der KI-Funktion und Reaktion des Nutzers gespeichert werden. Als Reaktion des Nutzers wird insbesondere ein Bestätigen der angepassten Kl-Funktion beziehungsweise dass kein Abbruch erfolgt ist, und eine Eingabe eines neuen gewünschten Verhaltens der Kl-Funktion erfasst.
-
In einer weiteren Ausführung können diese in einem jeweiligen Fahrzeug einer Fahrzeugflotte erzeugte Datensätze zur Vorgabe des gewünschten Verhaltens der Kl-Funktion anonymisiert in einer datentechnisch mit dem jeweiligen Fahrzeug verbundenen zentralen Rechnereinheit gespeichert werden und mittels überwachten Lernen ein Erlebnis für Nutzer optimiert werden. Dazu wird beispielsweise in der zentralen Rechnereinheit und die datentechnische Verbindung zu den Fahrzeugen der Fahrzeugflotte ein Weltmodell über die Fahrzeuge aus Basis der Datensätze trainiert. Das Weltmodell kann dann nach jeder Aktualisierung an die einzelnen Fahrzeuge übermittelt werden. Alternativ oder zusätzlich, insbesondere wenn das eingebettete vortrainierte Modell in der zentralen Rechnereinheit ausgeführt wird, kann das Modell dort direkt optimiert werden.
-
Wie oben erwähnt, sagt ein Nutzer einer KI-Funktion in einem Fahrzeug: „Ich möchte, dass die Kl-Funktion mich ab und zu überrascht, mal etwas neues probiert, sich verändert und möglichst aktuell bleibt“ und ein weitere Nutzer sagt: „Ich möchte, dass die KI-Funktion nur etwas ausgibt, wenn sie sich sicher ist, und wenn sie einmal gut funktioniert, soll sie sich möglichst wenig verändern“.
-
Ein KI-Modell kann zu jeder Ausgabe eine Vorhersagegenauigkeit (Prädiktionsgüte, Wahrscheinlichkeit, Trefferquote, Sicherheit etc.) ermitteln. Bei einem Wert 0 ist die Vorhersagegenauigkeit sehr gering, wohingegen die Vorhersagegenauigkeit bei einem Wert von 10 sehr hoch ist. Eine Schwelle der Vorhersagegenauigkeit gibt an, ab welcher Schwelle das KI-Modell eine Vorhersage ausgibt. Insbesondere wird die Vorhersagegenauigkeit bei jeder Eingabe in das KI-Modell berechnet und auf die Schwelle hin überprüft. Eine Ausgabe erfolgt nur dann, wenn die vorgegebene Schwelle überschritten wird. Insbesondere wird die Vorhersagegenauigkeit in Bezug auf eine Feineinstellung des Kl-Modells mit neuen Daten verwendet.
-
Im Folgenden wird ein Ausführungsbeispiel in Bezug auf eine Reproduzierbarkeit beschrieben.
-
Die Reproduzierbarkeit gibt an, ob ein Modell bei wiederholter ähnlicher oder gleicher Anfrage auch dieselbe oder ähnliche Antwort ausgibt. Bei einem Wert von 0 sind die Antworten sehr unterschiedlich. Bei einem Wert von 10 wird auf dieselbe Anfrage dieselbe Antwort ausgegeben. Eine technische Umsetzung erfolgt durch Nutzung verschiedener Seeds bei Aufruf des Kl-Modells, also der KI-Funktion, insbesondere bei generativen KI-Modellen mit einer Mehrzahl unterschiedlicher Seeds und Aufruf unterschiedlicher Kl-Modelle. Somit steigt eine Wahrscheinlichkeit, dass ein Nutzer bei jedem Aufruf eine andere Antwort der KI-Funktion erhält.
-
Die Nutzer nutzen eine KI-Funktion, welche in Abhängigkeit von einer Uhrzeit, einem Wochentag und einem eingegebenen Navigationsziel einen Radiosender vorschlägt. 3 Monate nach Kauf eines neuen Fahrzeuges ist die KI-Funktion verhältnismäßig gut trainiert und weist eine relativ gute Reproduzierbarkeit auf. Das heißt, immer wenn der Nutzer am Montag um 17 Uhr als Navigationsziel sein Fitnessstudio auswählt, wird ein Radiosender mit belebender Musik mit verhältnismäßig hoher Beats-per-minute-Rate, also schnellem Tempo, vorgeschlagen. Somit ist das von dem weiteren Nutzer gewünschte Verhalten der KI-Funktion erfüllt und die Reproduzierbarkeit wird bei Aufruf der Programmierschnittstelle auf einen Wert 9 gesetzt. Mittels dieser Einstellung werden im Fahrzeug Trainingsdaten gesammelt, insbesondere immer, wenn der weitere Nutzer selbst einen Radiosender auswählt oder ändert, so dass in vergleichsweise großen zeitlichen Abständen, von beispielsweise 2 Monaten, die Kl-Funktion nachtrainiert wird.
-
Der Nutzer, welcher gern mittels der KI-Funktion überrascht werden würde, wünscht eine größere Varianz, weshalb der Aufruf der Programmierschnittstelle die Reproduzierbarkeit auf einen Wert 4 gesetzt wird. Hierbei wird ein Training vergleichsweise oft ausgeführt, zum Beispiel immer dann, wenn die gesammelten Trainingsdaten eine weitere vorgegebene Schwelle überschreiten. Daraufhin wird nicht nur ein eingebettetes vortrainiertes Modell verwendet, sondern es werden verschiedene Modelle mit verschiedenen Trainingsparametern trainiert. Zum Beispiel werden 3 Trainingsläufe mit jeweils unterschiedlichen Seeds durchgeführt und es werden 3 unterschiedliche Modelle erhalten. Diese 3 Modelle werden dann bei Aufruf der Kl-Funktion abwechselnd ausgeführt, wobei eine Abwechslung der Vorschläge zunimmt. Beispielsweise ist der Nutzer mit dem Verhalten der KI-Funktion dennoch nicht zufrieden, so dass die Vorgabe des gewünschten Verhaltens geändert wird. Der Nutzer tätigt eine Eingabe in Bezug auf das gewünschte Verhalten der KI-Funktion: „Ich möchte, dass die KI-Funktion oft etwas neues probiert, sich stärker verändert“. Daraufhin wird der Aufruf der Programmierschnittstelle in Bezug auf die Reproduzierbarkeit auf den Wert 2 gesetzt. Zudem werden seltene Ereignisse im Trainingsdatensatz augmentiert, das heißt, dass Eingangswerte wie eine Zeit variiert, und der Trainingsdatensatz um den Trainingsdatensatz mit augmentierten seltenen Ereignissen erweitert erzeugt. Hierbei werden beispielsweise selten gehörte Radiosender berücksichtigt. Daraufhin werden 3 Trainingsläufe mit jeweils unterschiedlichen Seeds auf dem augmentierten Trainingsdatensatz durchgeführt und es werden 3 unterschiedliche Modelle, in denen den seltenen Ereignissen eine höhere Gewichtung zugeordnet ist, erhalten. Dem Nutzer wird nun öfter ein seltener Radiosender vorgeschlagen.
-
Es wurden durch den Aufruf der Programmierschnittstelle der KI-Funktion in Bezug auf die Reproduzierbarkeit also 3 unterschiedliche Kl-Methoden verwendet:
- - Sammeln von Trainingsdaten und Nachtrainieren,
- - Training einer Vielzahl an Modellen mit unterschiedlichen Trainingsparametern, beispielsweise Seeds und
- - Data Augmentation auf seltene Ereignisse.
-
Darüber hinaus wird im Folgenden ein weiteres Ausführungsbeispiel in Bezug auf Erkundung beschrieben.
-
Die Erkundung (Exploration, Überraschung, Unterhaltung, Abwechslung und so weiter) gibt an, inwiefern ein nachlernendes Kl-Modell neuartige Vorhersagen erzeugt. Bei einem Wert von 0 werden kaum neuartige Vorhersagen ausgegeben und bei einem Wert von 10 werden sehr viele neuartige Vorhersagen ausgegeben.
-
In Bezug auf das Nachlernen wird bei einem Wert von 0 möglichst viel einmalig Gelerntes beibehalten und bei einem Wert von 10 lernt das Kl-Modell ständig mittels neuer Daten nach.
-
Der Nutzer hat nun eingegeben: „Ich möchte, dass die Kl-Funktion mich ab und zu überrascht“. Dazu wird ein Ansatz von Reinforcement Learning mit Human Feedback (RLHF) verwendet. Der Aufruf der Programmierschnittstelle der KI-Funktion zur Erkundung, welchem ein voreingestellter Zustandswert von 5 zugeordnet ist, wird daraufhin auf den Wert 9 erhöht.
-
Die Programmierschnittstelle erhöht daraufhin einen Parameter Epsilon und damit eine Exploration und verringert automatisch die Exploitation, die als 1-Epsilon definiert ist. In einem nächsten Trainingsvorgang würde ein Agent also eine Exploration gegenüber der Exploitation höher gewichten. Ein Beispiel für den Einsatz des RLHF ist eine KI-Funktion, welche einen Agenten trainiert, der auf Basis fahrdynamischer Daten eines Fahrzeuges eine passende Musik komponiert. Der Agent mit Zustandswert-Parametrisierung hat gelernt, elektronische Musik in Abgängigkeit der fahrdynamischen Daten während eines Fahrbetriebes zu generieren, variiert im Verhältnis aber wenig. Wird nun die Erkundung und damit die Exploration erhöht, verwendet der Agent nach dem nächsten Training auch andere Musikstilrichtung, welche im Training gezeigt wurden. Beispielsweise nimmt der Agent Jazz oder Rock als Musikstilrichtung mit auf und erzeugt neben elektronischer Musik Vorschläge aus diesem Musikbereich. Der Nutzer wird somit durch neue Musikkompositionen überrascht und lässt die KI-Funktion auch bei längeren Fahrten eingestellt.
-
Zur Konfiguration der KI-Funktion, das heißt zur Personalisierung, können somit alle Entwicklungsschritte und Methoden genutzt werden.
-
Bezugszeichenliste
-
- S1 bis S5
- Verfahrensschritt
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-