Techtalk

Fachthema

Programmiert in Zukunft die KI?

Andreas Pfeiffer, Kundenberater bei Ginzinger, spricht über Erfahrungen mit der Programmierung von Embedded Systems mittels KI

Andreas Pfeiffer Portrait
von Andreas Pfeiffer

Haben Sie’s auch schon einmal ausprobiert und Programme von einer KI erstellen lassen? Ich muss zugeben, ich war verblüfft. Das Ergebnis war viel besser als erwartet und funktionierte auf Anhieb. Aber funktioniert das auch bei der Programmierung von anspruchsvollen Embedded Systems, die ein hohes Maß an Präzision, Effizienz und Know-how erfordert? Welche Herausforderungen und Vorteile bringt der Einsatz von KI in diesem Bereich mit sich? 

Beschleunigter Entwicklungsprozess

Traditionell erforderte die Programmierung von Embedded Systems umfangreiche manuelle Arbeit, angefangen von der Analyse der Hardware über das Schreiben von Low-Level-Code bis hin zur Leistungsoptimierung. Mit KI-Tools hat sich der Entwicklungsprozess spürbar beschleunigt. Diese Tools können Muster in Daten und Code erkennen, Vorschläge für die Optimierung machen und sich wiederholende Aufgaben automatisieren. 

Ein häufig genutztes Werkzeug sind KI-basierte Code-Generatoren, die aus Hardwarebeschreibungen oder abstrakten Spezifikationen lauffähigen Code erstellen können. Entwickler:innen berichten, dass dies nicht nur den Zeitaufwand reduziert, sondern auch die Wahrscheinlichkeit von Fehlern im Code minimiert. Insbesondere bei Echtzeit-Anwendungen, bei denen jede Millisekunde zählt, erweisen sich KI-gestützte Optimierungen als besonders wertvoll. 

Security Code Distorted

Entwickler:innen können sich dank KI-Tools stärker auf die Systemarchitektur und das Testen konzentrieren, während die KI Routineaufgaben übernimmt. Durch die automatische Erkennung von Fehlern und Schwachstellen im Code wird die Qualität signifikant verbessert. KI-Algorithmen können Code und die Hardwareumgebung analysieren, um Vorschläge zur Verbesserung der Effizienz zu machen. 

Trotz der offensichtlichen Vorteile gibt es auch Herausforderungen. Einige Entwickler:innen berichten von erheblichem Lernaufwand, um die neuen Tools wirklich produktiv einsetzen zu können. Zudem sind KI-gestützte Tools oft auf spezifische Frameworks oder Hardwareplattformen ausgelegt, was ihre universelle Anwendbarkeit einschränkt. 

Ein weiteres Problem ist, dass Entwickler:innen nicht genau wissen, wie die KI zu ihren Entscheidungen gelangt. In sicherheitskritischen und regulierten Anwendungen, etwa in der Medizintechnik oder im Automobilbereich, kann dies zu Bedenken hinsichtlich der Nachvollziehbarkeit führen.

Embedded Entwicklung bei Ginzinger

Mehr

Umdenken erforderlich

Die Erfahrungen mit der Programmierung von Embedded Systems mittels KI-Tools sind überwiegend positiv. Die Technologie spart Zeit, reduziert Fehler und erleichtert die Implementierung komplexer Funktionen. Allerdings erfordert der Einsatz dieser Tools auch eine Anpassung in der Herangehensweise und ein Umdenken bei der Entwicklung. So kann ich ohne weitere Analysen und Tests nicht sagen, ob mein eingangs erwähntes Programm auch in allen Fällen robust und fehlerfrei funktionieren wird. 

KI wird sicherlich kein Ersatz für erfahrene Embedded-Entwickler:innen sein, aber sie erweist sich als mächtiger Partner, der die Produktivität und Effizienz erheblich steigern kann. Die Zukunft der Embedded-Programmierung wird zweifellos von einer engen Zusammenarbeit zwischen Menschen und Maschine geprägt sein. 

Mehr zum Thema

KI und ML bei Ginzinger

KI gestützte Programmiertools

Dieses von OpenAI entwickelte Tool bietet intelligente Code-Vervollständigungen direkt in der Entwicklungsumgebung, was den Programmierprozess beschleunigt und die Produktivität steigert.

Als KI-basierter Code-Assistent unterstützt Tabnine Entwickler mit kontextbezogenen Code-Vervollständigungen und Vorschlägen, die auf maschinellem Lernen basieren. 

Dieses Tool bietet KI-gestützte Code-Vorschläge und hilft Entwicklern, effizienteren und sichereren Code zu schreiben. 

Ein von Salesforce entwickeltes KI-Modell, das für verschiedene Code-Verarbeitungsaufgaben wie Code-Generierung und -Vervollständigung eingesetzt wird. 

Ein Open-Source-KI-Modell, das auf die Generierung von Code in verschiedenen Programmiersprachen spezialisiert ist. 

spezialisierte Werkzeuge zu Embedded Systems Programmierung

Ein vom Fraunhofer IMS entwickeltes KI-Framework, das es ermöglicht, Machine-Learning-Algorithmen direkt auf eingebetteten Systemen auszuführen. 

Ein Software-Entwicklungstool für Mikrocontroller-Anwendungen, das automatische Code-Generierung basierend auf konfigurierbaren Softwarekomponenten bietet. 

Ein Tool zur Spezifikation und Entwicklung reaktiver, ereignisgesteuerter Systeme mithilfe von Zustandsautomaten, das grafische Bearbeitung, Validierung und Simulation von Statecharts ermöglicht. 

KI im Embedded-Code: Vertrauen ist gut, Validierung ist Pflicht!

Die Überprüfung der Ergebnisse von KI-gestützten Tools bei der Programmierung von Embedded Systems ist entscheidend, um sicherzustellen, dass der generierte Code zuverlässig, effizient und fehlerfrei ist. Besonders im sicherheitskritischen Bereich vieler Embedded-Anwendungen ist eine sorgfältige Validierung unerlässlich. Folgende bewährte Praktiken unterstützen eine strukturierte und effektive Prüfung.

  • Entwickler:innen sollten den von der KI generierten Code überprüfen, um sicherzustellen, dass er den Spezifikationen und Standards entspricht.
  • Der Code sollte auf die Einhaltung von Industriestandards wie MISRA-C (für sicherheitskritische Anwendungen) überprüft werden.
  • Der von der KI generierte Code soll mit manuell geschriebenem Code für ähnliche Aufgaben verglichen werden. Dies hilft, Abweichungen und potenzielle Probleme zu identifizieren.
  • Regressionstests stellen sicher, dass neue Änderungen keine bestehenden Funktionen beeinträchtigen.
  • Darüber hinaus kann Feedback aus Tests genutzt werden, um die verwendeten KI-Modelle gezielt zu verbessern – sei es durch Anpassung der Trainingsdaten oder Optimierung der Architektur.
  • Die Integration von Tests und Validierungen in den kontinuierlichen Entwicklungsprozess gewährleistet eine durchgängige Qualitätssicherung.
  • Unit Tests: Einzelne Funktionen oder Module sollten gezielt auf korrekte Funktionalität getestet werden.
  • Systemtests: Die Software sollte auf der Zielhardware oder in realitätsnahen Umgebungen unter Echtzeitbedingungen geprüft werden.
  • Grenzwertanalyse: Auch Tests unter extremen Belastungsbedingungen – etwa bei maximaler oder minimaler Systemauslastung – sind erforderlich.
  • Die Simulation der Zielhardwareumgebung hilft, das Verhalten des Codes unter realen Bedingungen zu überprüfen.
  • Emulatoren ermöglichen Tests bereits vor dem Deployment auf die tatsächliche Hardware.
  • Dabei sollte geprüft werden, ob der Code hinsichtlich Laufzeit, Speicherbedarf und Energieeffizienz optimiert ist.
  • Statische Analyse-Tools wie SonarQube, Coverity oder Clang Static Analyzer können potenzielle Fehler, Schwachstellen oder Sicherheitslücken frühzeitig identifizieren.
  • Dynamische Tests dienen dazu, Laufzeitprobleme wie Speicherlecks oder Race Conditions aufzudecken.
  • Von modernen KI-Tools sollte erwartet werden, dass sie eine nachvollziehbare Begründung oder einen Audit-Trail für die vorgeschlagenen Lösungen bereitstellen,  insbesondere in sicherheitskritischen Anwendungen.
  • Die Ergänzung des generierten Codes mit Kommentaren hilft dabei, Logik und Entscheidungsprozesse besser zu verstehen.

Viele der erwähnten Maßnahmen und Prüfverfahren sollten für erfolgreiche Programmierteams eigentlich nicht neu sein. Man könnte das KI-Tool auch einfach als weiteres Team-Mitglied betrachten, dessen Schöpfungen man qualitativ absichert. Der Einsatz von KI-Tools kann somit nicht nur die Entwicklungszeit verkürzen, sondern auch vertrauenswürdige, qualitativ hochwertige Ergebnisse liefern, die den Anforderungen von Embedded Systems gerecht werden. 

Wie viel KI verträgt Embedded?

Der Einsatz dieser KI-Tools kann den Entwicklungsprozess von Embedded Systems erheblich beschleunigen und die Qualität des Codes verbessern, erfordert jedoch sorgfältige Planung und Umsetzung. Es ist wichtig, die spezifischen Anforderungen des Projekts zu berücksichtigen und das passende Tool entsprechend auszuwählen. Die Balance zwischen den Vorteilen der KI und den strengen Anforderungen von Embedded und Echtzeitsystemen muss sorgfältig abgewogen werden, um erfolgreiche und zuverlässige Anwendungen zu entwickeln. 

mehr zum Thema

KI & ML in Embedded Systems