Machine Learning in ASPICE – ein Begriff sorgt für Verwirrung
Seit der Einführung von Automotive SPICE 4.0 taucht in Fachkreisen zunehmend der Begriff Machine Learning im Kontext von Entwicklungsprozessen auf. Viele Ingenieure, Projektleiter und Qualitätsverantwortliche stellen sich dabei eine zentrale Frage:
Was genau bedeutet Machine Learning im ASPICE-Kontext?
Geht es um künstliche Intelligenz im Fahrzeug? Um lernende Software? Oder geht es am Ende gar nicht um das System selbst, sondern um den Entwicklungsprozess?
Interessanterweise gibt es selbst unter erfahrenen Fachleuten oft keine klare, einheitliche Antwort auf diese Frage.
Machine Learning im Fahrzeug – die naheliegende Interpretation
Die erste und naheliegendste Interpretation ist, dass Machine Learning sich auf Funktionen im Fahrzeug bezieht. Beispiele hierfür sind:
- ADAS-Systeme (Fahrerassistenzsysteme)
- Objekterkennung durch Kameras
- Sensorfusion
- Spracherkennung
- automatisiertes Fahren
In diesen Bereichen kommen tatsächlich lernende Algorithmen zum Einsatz. Modelle werden trainiert, Daten werden ausgewertet und Systeme verbessern ihre Leistung durch statistische Methoden.
Doch genau hier beginnt bereits das eigentliche Problem für klassische Entwicklungsprozesse.
Denn während klassische Software deterministisch entwickelt wird, basiert Machine Learning häufig auf trainierten Modellen und großen Datenmengen.
Das stellt etablierte Entwicklungsprozesse vor neue Herausforderungen.
Der eigentliche Kern: Der Entwicklungsprozess muss lernen
Bei genauer Betrachtung wird deutlich, dass sich der Begriff Machine Learning im ASPICE-Kontext weniger auf das Fahrzeug selbst bezieht, sondern auf die Auswirkungen auf den Entwicklungsprozess.
Wenn Systeme durch Daten trainiert werden, verändern sich zentrale Aspekte der Entwicklung:
- Anforderungen müssen anders beschrieben werden
- Teststrategien müssen erweitert werden
- Datenmanagement wird ein zentraler Bestandteil der Entwicklung
- Validierungsstrategien verändern sich grundlegend
Das bedeutet: Nicht nur das System lernt – auch der Entwicklungsprozess muss sich weiterentwickeln.
Neue Fragen für Engineering und Qualität
Mit Machine Learning entstehen neue Fragestellungen, die in klassischen Softwareprozessen so bisher nicht existierten:
- Wie werden Trainingsdaten qualifiziert?
- Wie wird die Reproduzierbarkeit von Ergebnissen sichergestellt?
- Wie wird das Verhalten eines trainierten Modells validiert?
- Wie wird Software getestet, die nicht deterministisch ist?
- Wie werden Änderungen am Trainingsdatensatz bewertet?
Diese Fragen betreffen nicht nur Softwareentwickler, sondern insbesondere auch:
- Qualitätsorganisationen
- Projektleiter
- Systemarchitekten
- Prozessverantwortliche
ASPICE reagiert auf eine neue Realität
Der Hintergrund der Diskussion ist letztlich eine grundlegende Veränderung in der Softwareentwicklung moderner Fahrzeuge.
Während früher überwiegend klassische Embedded Software entwickelt wurde, entstehen heute immer häufiger Systeme, die stark datengetrieben sind.
Das betrifft nicht nur autonomes Fahren, sondern auch viele andere Bereiche moderner Fahrzeuge.
Automotive SPICE versucht daher, diese Entwicklung in den Prozessmodellen zu berücksichtigen.
Der Begriff Machine Learning ist in diesem Zusammenhang weniger als konkrete Technologie zu verstehen, sondern vielmehr als Hinweis darauf, dass sich Entwicklungsprozesse an neue technische Realitäten anpassen müssen.
Die eigentliche Herausforderung liegt im Engineering
Die zentrale Herausforderung liegt daher nicht primär in der Technologie selbst, sondern in der Integration in bestehende Entwicklungsstrukturen.
Unternehmen stehen heute vor mehreren Aufgaben:
- Integration datenbasierter Entwicklung in bestehende Prozesse
- Anpassung von Verifikations- und Validierungsstrategien
- Definition neuer Qualitätskriterien
- Aufbau von Kompetenzen im Bereich datengetriebener Systeme
Gerade im Automotive-Umfeld, in dem Sicherheit, Nachvollziehbarkeit und regulatorische Anforderungen eine zentrale Rolle spielen, wird diese Transformation zu einer der wichtigsten Herausforderungen der kommenden Jahre.
Fazit
Die Frage „Wer muss lernen?“ lässt sich daher überraschend klar beantworten.
Nicht nur das Fahrzeug lernt. Nicht nur die Software lernt.
Vor allem der Entwicklungsprozess muss lernen.
Machine Learning verändert die Art und Weise, wie Systeme entwickelt, getestet und validiert werden. Automotive SPICE reagiert darauf, indem neue Fragestellungen in den Fokus der Prozessbewertung rücken.
Für Unternehmen bedeutet das vor allem eines: Prozesse, Organisation und Engineering-Kompetenzen müssen sich weiterentwickeln.
Hinweis:
Wenn Sie sich mit der Integration moderner Softwareentwicklung, datengetriebener Systeme oder ASPICE-konformen Entwicklungsprozessen beschäftigen, unterstützen wir Sie gerne mit unserer technischen und prozessualen Expertise.