Fähigkeiten und Methoden datenzentrierter Ansätze Phoenix Bootcamp – von Daten zu Taten.

Was wäre, wenn es beim aktuellen Hype gar nicht um „Künstliche Intelligenz“ ginge, sondern die Schlüsseltechnologie KI Teil von etwas Größerem wäre? Etwa einer neuen, fünften Dimension am Beginn des Informationszeitalters? Das eröffnet uns neue Möglichkeiten, Raum und Zeit zu beherrschen, Komplexität zu zähmen, Datenfluten produktiv zu nutzen und daraus Wissen zu gewinnen. Diese Fähigkeit macht uns zukunfts- und wettbewerbsfähig!

Der Code dieser neuen Informationsdimension ist 250 Jahre alt. Er ermöglicht es uns, eine Vielzahl von Dingen mit ihren dynamischen Beziehungen als Netzwerk zu beschreiben und aus den zugrunde liegenden Daten Bedeutung, also Sinn und Wissenszusammenhänge, zu erschließen. Dazu nutzen wir das Phoenix-Bootcamp als Plattform. Die fünfte Dimension wird darin handfest: Anhand eines konkreten Anwendungsfalls aus dem Rennsport erarbeitest Du Dir Schritt für Schritt die Grundlagen, trainierst in einer Sandbox die zentralen Fähigkeiten und setzt die Methoden sofort um. Das Bootcamp ist universell gestaltet – eine Blaupause, die Du direkt auf Deinen eigenen Use Case übertragen kannst.

Was ist ein Bootcamp überhaupt und wie funktioniert es?

Das Bootcamp steht für schnelles, fokussiertes Lernen in die Tiefe – ein Format, das von Eliteeinheiten seit jeher genutzt wird und gut in unseren komplexen Alltag passt. Die erste Generation entstand im datenzentrierten Motorsport auf der Rennstrecke des Shell Eco-Marathon. Die zweite Generation richtete sich an die Industrie und trainierte die Fachgruppe AI des Verbands Swiss Engineering. Die dritte Generation liegt vor dir und hilft dir persönlich, die fünfte Dimension und damit die Bausteine der AI zu verstehen und in der Praxis anzuwenden. Fünf aufeinander aufbauende Level bieten intensives und schnelles Lernen, und am Ende schlägst du die Brücke zu deinem Fachgebiet:

• Level-1: Wähle einen konkreten, realen Use Case mit hartem Problem

• Level-2: Entwerfe dazu eine Datenstrategie und suche die Datenquellen

• Level-3: Erkenne in den Daten Strukturen und Muster als Vorboten von Bedeutung

• Level-4: Beschreibe dann die Dinge und Beziehungen komplexer Systeme

• Level-5: Verstehe die Bedeutung und schreite von Daten zu Taten

Vorausgesetzt sind ein Grundverständnis in Physik und Mathematik. Kenntnisse in der Sprache Python helfen, sind aber keine Pflicht. Du bringst einfach nur Lernbereitschaft und Neugier mit (siehe grauen Kasten „Was sind Dimensionen?“). Du spielst in Programmiersandboxes und lässt damit die Theorie lebendig werden. Wir starten moderat, steigern uns von Level zu Level und liefern Code, damit Du mit Parametern experimentierst, z. B. zwischen Zeit- und Energieeffizienz wechselst und beste Rundenzeit oder minimalen Verbrauch simulierst. All dies mündet in der Graphentheorie, in Wissensgraphen, in neuronalen Netzen sowie in Machine Learning und Deep Learning. Auf diese Weise können wir ein kniffliges physikalisches Mehrzielproblem aus dem Rennsport auf elegante Weise lösen.

Level-1: Wähle einen konkreten, realen Use Case mit hartem Problem

Wir beginnen nicht mit der Technologie, sondern mit einem realen Use Case und einem harten Problem. Im Rennsport ist das besonders greifbar: Strategie, Setup, Effizienz, komplexe Szenarien mit gegensätzlichen Zielen sind mit traditionellen Methoden oft kompliziert, zeitaufwändig und unzuverlässig. Versetzen wir uns einmal in die Lage einer Fahrerin und in die Welt einer Streckenfahrt: „Nach der Startlinie beschleunige ich auf der Geraden auf meine Maximalgeschwindigkeit. Dabei unterstützen mich 10 m/s Rückenwind. In einer Kurve mit starker Neigung nutze ich die Wechselwirkung von kinetischer und potenzieller Energie. Im Gefälle nehme ich Fahrt auf. Es beginnt zu regnen, der glatt gefahrene Asphalt wird nass und bietet nur wenig Haftung. Dann ist eine Haarnadelkurve in Sicht. Ich nehme sie mit 15 km/h. In einer starken Steigung benötige ich mehr Energie als sonst, schaffe es aber ohne weitere Beschleunigung auf die Kuppe.“

Für diese Fahrerin ist es von Bedeutung, jederzeit energiebewusst zu fahren und dennoch eine angemessene Geschwindigkeit und vor allem eine sichere Fahrt zu gewährleisten. All das verbirgt sich in den Renndaten. Anstatt lokaler Tricks suchen wir das globale Optimum. Was traditionell kaum zu schaffen ist, wird durch die fünfte Dimension möglich. Wir beschreiben die Dinge und ihre dynamischen Beziehungen mit einem Wissensgraphen. Mit einer schnellen Transformation gewinnen wir aus den Daten die Bedeutung, den Sinn: Das optimale Geschwindigkeitsprofil.

Warum Rennsport? Weil er gut verständlich ist, Tangenten zur Geschäftswelt zeigt, viele Ingenieursdisziplinen vereint, echte Messdaten liefert und schnelle Lernzyklen erfordert. Warum der Shell Eco-marathon? Sinnhaftigkeit, denn hier wird eine nachhaltige Energie- und Mobilitätszukunft gestaltet. (Näheres hierzu in folgendem Beitrag: 100 Kilometer mit nur fünf Teelöffel Kraftstoff).

Und warum „Phoenix“? Er steht für Wandlung und Optimierung: Datenzentriert als iteratives Lernen, bei dem sich Systeme durch Training mit neuen Daten kontinuierlich verbessern. Zugleich symbolisiert er Kreativität und Erneuerung. Beides hilft, um sich neu zu erfinden und dann die großen Herausforderungen in der Energie und Mobilität anzupacken. Nun kennen wir den Use Case, erreichen den zweiten Level und beschäftigen uns zuerst einmal mit den Daten.

Level-2: Entwerfe eine Datenstrategie und suche die Datenquellen

Wir beginnen mit einer Datenstrategie. Diese ist bewusst einfach gehalten, kann beliebig skaliert werden und startet mit konkreten Zielen (siehe Bild 2). Ziel Nummer zwei ist die qualitative und quantitative Analyse des Energieverbrauchs auf allen gefahrenen Runden. Dafür benötigen wir Daten, die wir vier Kategorien zuordnen: der Makroumgebung (Wettereinflüsse), der Mikroumgebung (Rennstrecke), der Maschine (Rennfahrzeug) und dem Menschen (Fahrerin). In diesem ersten einfachen Fall betrachten wir nur die Interaktion des Fahrzeugs (Maschine) mit der Rennstrecke (Mikroumgebung). Dazu benötigen wir die Istposition des Elektrofahrzeugs in GPS-Koordinaten sowie den Energieverbrauch in Joule (J). Für die Ziele drei und vier ist zusätzlich die Fahrzeuggeschwindigkeit und -beschleunigung erforderlich. Als Datenquellen dienen Sensoren zur Erfassung der physikalischen Messgrößen.

Der Energieverbrauch eines Elektroantriebs wird typischerweise mit einem intelligenten Shunt gemessen, der zwischen Akku und Antrieb im Strompfad sitzt. Der Shunt misst den Strom I [A] im negativen (oder positiven) Pfad sowie die Spannung U [V] zwischen den zwei Pfaden. Daraus ergibt sich die elektrische Leistung: P = U x I [W]. Durch Integration der Leistung über die Zeit erhalten wir die Energie in Wattsekunden [Ws]. Eine Wattsekunde entspricht einem Joule [J], der international gültigen Einheit für Energie: 1 Ws = 1 J = 1 Nm = 1kg x m2 / s2.

Die GPS-Koordinaten werden im NMEA-Format gewonnen (National Marine Electronics Association). Das Datenpaket eines gängigen GPS-Moduls (Bild 2 Mitte oben) mit den gelb markierten GPS-Koordinaten sieht folgendermaßen aus:

Diese GPS-Rohwerte, in Grad und Minuten (Polarkoordinaten) gemessen, werden aus dem NMEA-Datenpaket isoliert und in den Breitengrad -8.894995833° (engl. Latitude) und den Längengrad (engl. Longitude) 116.30618315° umgerechnet.

Die Telemetrie verbindet alle Sensoren zu einem Messnetzwerk, das sich über das gesamte Fahrzeug erstreckt. Sie kann im Sekundentakt Live-Daten über Mobilfunk an das IoT senden und Daten mit einer Abtastrate von 10 Hz lokal speichern. Die GPS-Telemetriedaten haben das folgende Format und enthalten zusätzlich den Energieverbrauch in Joule (grün markiert):

• Absetzen als MQTT-Protokoll (Message Queuing Telemetry Transport) im Sekundentakt an den IoT-Server in strukturierter JSON-Notation (JavaScript Object Notation):

• Lokales Abspeichern im CSV-Format (Comma Separated Values):

Hier kannst Du Dein Wissen zur Telemetrie des zweiten Levels vertiefen: Von der Idee und Machbarkeitsprüfung (PoC) über das MVP (Minimum Viable Product) und Prototypen bis hin zum Seriengerät und Test: In nur acht Wochen zum IoT-MVP.

Bei einem Rennen in Mandalika werden auf einer 4.301 km langen Runde pro Meter 75 Rohwerte erfasst. Bei einem Rennen mit mehreren Runden führt das zu einer Datenflut, die für uns Menschen kaum zu bewältigen ist. Hier hilft Information als fünfte Dimension. Das nächste Level zeigt, wie sich das anfühlt.

Level-3: Erkenne Strukturen und Muster als Vorboten von Bedeutung

Die im zweiten Level über Telemetrie gewonnenen Rohdaten sind als Rohstoff zunächst wertlos. Bild 3 zeigt mit (1) einen nichtssagenden Datenhaufen mehrerer Runden. Mit (2) schaffen wir eine Struktur, bringen die Daten in den Kontext des Rennsports und erkennen etwa GPS-Koordinaten. Wir verbinden die Koordinaten mit einem Graphen und erkennen, dass es sich um eine geschlossene Rennstrecke handelt (3). Konkret führt uns dies zu drei gefahrenen Runden auf dem Moto-GP in Mandalika auf Lombok in Indonesien. Diese Fahrbahnen werden mit Energie- und Geschwindigkeitsdaten überlagert (4) und so gelangen wir zu Fahrmustern (5) als Vorboten verborgener Bedeutung. Das führt uns zum Sinn, Zusammenhang und Wissen.

Im Bootcamp gehen wir tiefer auf die Fahrmuster ein. Dort analysieren wir beispielsweise den Zusammenhang zwischen der Geschwindigkeit und dem Energieverbrauch ((4) in Bild 3). Das Gleiche kannst du nun in der Sandbox tun. Spiele mit dem dokumentierten Python-Code und mache dich mit den Daten und Fahrmustern vertraut. Hier kannst du das Thema dieses zweiten Levels zusätzlich vertiefen: In Dimensionen denken und handeln und damit wettbewerbsfähiger werden.

Was haben wir in diesem dritten Level gelernt? Welche Daten ein Rennfahrzeug liefert, das sich in Raum und Zeit bewegt, und wie uns die Informationsebene zu Mustern führt. Nun wollen wir aus Daten Bedeutung gewinnen. Dazu lernen wir im vierten Level den Code der fünften Dimension kennen und wenden ihn im fünften und letzten Level auf die Renndaten an.

Level-4: Beschreibe die Dinge und Beziehungen komplexer Systeme

Das harte Problem unseres Use Cases besteht darin, aus der Datenflut die Bedeutung, also den Wissenszusammenhang eines optimalen Geschwindigkeitsprofils zu gewinnen: zeit- und energieeffizient fahren, jederzeit sicher sein, Umwelteinflüssen begegnen und verschiedene Streckenszenarien abdecken. Dies ist kompliziert, folgt den Gesetzen der Dynamik und gehört deshalb zu den komplexen Systemen. Diese sind mit den Mitteln aus Raum und Zeit nur schwer lösbar. Besser ist es, eine höhere Ebene einzunehmen und das Raum-/Zeitproblem aus frischer Perspektive zu lösen. Mit dem Code der Informationsdimension.

So wie die Seefahrer in der Renaissance die Mercator-Projektion für die räumliche Navigation nutzten und Newton in der Neuzeit mit seiner Infinitesimalrechnung die Dynamik in der Zeitdimension erschloss, benötigen wir heute für die Informationsdimension ein vergleichbares Vokabular und eine vergleichbare mathematische Sprache. Damit sollen sich komplexe Systeme und Netzwerke mit ihren dynamischen Beziehungen beschreiben lassen und so gewinnen wir aus der Datenflut Wissen.

Dazu nutzen wir einen Code aus Wissensgraphen und Graphen-Transformatoren. Wissensgraphen sind mit semantischen Verbindungen angereicherte Netze, die ganz allgemein das Wesen von Dingen und deren Beziehungen abbilden. Sie bestehen aus Knoten (Dinge) und Kanten (Beziehungen) mit quantifizierbaren Bedeutungen wie Energie, Gewichtung oder Kosten. Dieser Code skaliert vom einfachen Neuron bis zum Unterbau mächtiger Sprachmodelle, von technischen und natürlichen bis zu sozialen Netzwerken sowie vom Atom, Molekül und der Zelle bis zum Planetensystem. Dadurch ist es möglich, reale Welten jeder Größe abzubilden, Zusammenhänge zu analysieren, Muster zu erkennen und Bedeutung sichtbar zu machen. Ein Beispiel für eine solche Welt ist unser komplexer Renn-Usecase mit dem geforderten Optimum.

Die Geschichte dieses Codes reicht zurück bis zu Euler (1736, Graphentheorie) und Shannon (1948, Informationstheorie). Graphen-Transformatoren übersetzen die Matrizen dieser Graphen umgehend in messbare Bedeutungen. Ein bekannter Teilaspekt davon sind neuronale Netze, Deep Learning und Machine Learning, die das Fundament und die Bausteine heutiger AI-Systeme bilden (Bild 4).

Wie wir gleich im nächsten und höchsten Level sehen werden, liefern Transformatoren auf die mit einem Rennstrecken-Wissensgraphen gestellte Frage eine quantifizierte Antwort: Bedeutung!

Level-5: Verstehe die Bedeutung und schreite von Daten zu Taten

Für die Fahrerin ist ein global optimiertes Geschwindigkeitsprofil aus den Daten unseres bekannten Mehrzielproblems bedeutend:

1. Die Runden so schnell wie möglich fahren und vor der Konkurrenz die Nase vorn haben.
2. Dabei energieeffizient sein und möglichst wenig Kraftstoff verbrauchen.
3. Sicherheit muss zu jedem Zeitpunkt gewährleistet sein.
4. Verschiedene Szenarien wie Geraden, Kurven, Neigungen, Steigungen, Gefälle und Kuppen meistern.
5. Externe Einflüsse berücksichtigen, z.B. Regen.
6. Freie Energien wie Wind und Sonne nutzen.

Nehmen wir an, alle Parameter sind bekannt: von der Fahrzeugmasse und dem Antrieb über die Reibungskoeffizienten zwischen Rad und Asphalt bis hin zum Streckenmodell (siehe Bild 5 links). Wie würdest du vorgehen, um aus diesen Daten das optimale Geschwindigkeitsprofil zu ermitteln? Ich habe es mit einem Differentialgleichungssystem versucht und bald erkannt, dass mir als Systemtechnik-Ingenieur das mathematische und physikalische Rüstzeug fehlt. Gehen wir nun einen neuen Weg und lösen das Problem aus einer neuen Perspektive mit dem Code der fünften Dimension. Dazu erzeugen wir einen Wissensgraphen mit Knoten für die „Dinge” unseres Rennszenarios und Kanten für die physikalischen Beziehungen.

Die Knoten beschreiben alle möglichen Zustände des Fahrzeugs in Raum und Zeit mit sinnvollen Geschwindigkeiten in Schritten von 5 km/h über die gesamte Wegstrecke in Abständen von jeweils 100 Metern (siehe Bild 5 rechts). Die Kanten enthalten die physikalischen Vorgänge, wie etwa Newtons Bewegungsgleichungen, und bestimmen die Kosten eines Zustandsübergangs zwischen zwei Knoten. Im Bootcamp und den Sandboxes lernen wir, diese Zusammenhänge mathematisch abzubilden und auf einen Wertebereich von {0 … 1} zu skalieren. Null bedeutet minimale und eins maximale Kosten. Die Kanten können statischer oder dynamischer Natur sein. Entweder nehmen sie theoretische Modelle auf oder sie werden über die Inferenz eines mit Renndaten trainierten neuronalen Netzwerks bestimmt.

Ein Graphentransformator wie Dijkstra oder A* sucht den kostengünstigsten Weg durch den Graphen und macht ihn für die Fahrerin im Handumdrehen sichtbar: Ein optimales Geschwindigkeitsprofil von der Start- bis zur Ziellinie. Dank dieser Transformation weiß sie jederzeit und überall, was zu tun ist: Sie kann die Fahrt halten, bremsen, beschleunigen, ein Ausweichmanöver durchführen oder überholen. Diese Information erweitert ihre Wahrnehmung der Rennstrecke und verschafft ihr so jederzeit einen Vorteil.

Studentische Rennteams, die beim Shell Eco-Marathon die fünfte Dimension nutzen, konnten ihren Energieverbrauch in den letzten Jahren durchschnittlich um 17 Prozent senken und gleichzeitig ihre Rundenzeiten um rund acht Prozent verkürzen. Das ist eine Performancesteigerung von 25 % bei 100 % unfallfreier Fahrt!

Innovate Your Software – for a Smarter Future

Deutschlands Leitkongress der Embedded-Softwarebranche

Das Programm des ESE Kongress umfasst 96 Vorträge, 21 Seminare und 3 Keynotes. Seien Sie dabei, wenn sich die Embedded-Software-Community trifft, und nutzen Sie Diskussionen und Expertengespräche für einen ergiebigen Wissenstransfer und erfolgreiches Networken. Während der vier Kongresstage erwartet Sie zudem eine große Fachausstellung mit den führenden Firmen der Branche. Erfahren Sie alles über die neuesten Trends, Herausforderungen und Lösungen im Embedded Software Engineering, von KI, Safety und Security bis hin zu Management und Innovation.

Jetzt mehr erfahren und anmelden!

Jetzt? Experimentieren! Und dann? Action!

Anhand dieses konkreten Beispiels aus dem Rennsport konntest Du die fünfte Dimension und den roten Faden nötiger Fähigkeiten und Methoden Schritt für Schritt kennenlernen.

Vertiefe jetzt dein Wissen mit den bereits erwähnten virtuellen Programmier-Sandboxes unter www.schmid-elektronik.ch/phoenixbootcamp. Experimentiere mit dem Jupyter-Notebook und Python-Code ganz bequem in deinem Browser. Die Installation der virtuellen Umgebung (Binder) dauert nur ca. ein bis zwei Minuten und Du kannst den Sourcecode auf Deinen PC runterladen. Folge den Hinweisen und spiele zuerst einmal mit realen Renndaten wie Geschwindigkeit und GPS-Positionen. Berechne beispielsweise Beschleunigungen und den Energieverbrauch. Wenn Du den Browser schließt, verschwindet die Umgebung.

Danach wartet der Code eines Rennstrecken-Wissensgraphen inklusive Bedeutungstransformator auf Dich. Verstehe, wie Du das Wesen der Dinge und die Beziehungen dieses spezifischen Use Cases aus dem Rennsport in der fünften Dimension ausdrücken kannst. Experimentiere mit dem gelieferten neuronalen Netzwerk und damit, wie es mit Renndaten trainiert wird.

Prüfe hier regelmäßig, ob es neue Bootcamp-Daten gibt. Und besuche am 1. Dezember 2025 das Eintages-Kompaktseminar Phoenix Bootcamp – von Daten zu Taten auf dem Embedded Software Engineering Kongress in Sindelfingen.  (sg)

* Marco Schmid, Ing. FH Systemtechnik, ist CEO und Entwicklungsleiter bei der Schmid Elektronik AG. In dieser Funktion führt er ein 40-köpfiges Tech-Familienunternehmen und wechselt regelmäßig vom Chefbüro auf die Rennstrecke des Shell Eco-marathon. Dort wird er zusätzlich zum Renntechniker, Troubleshooter und Telemetrie- und Datencoach.

(ID:50603486)