⚡ electrical engineering

From Big Data to Fast Data: Towards High-Quality Datasets for Machine Learning Applications from Closed-Loop Data Collection

Diese Arbeit stellt das Konzept „Fast Data" für die Automobiltechnik vor, das durch datenquellenbasierte, echtzeitfähige und kontextbewusste Entscheidungen im geschlossenen Regelkreis die Qualität und Relevanz von Trainingsdatensätzen für maschinelles Lernen verbessert, während gleichzeitig irrelevante Daten und Kosten reduziert werden.

Ursprüngliche Autoren: Philipp Reis, Jacqueline Henle, Stefan Otten, Eric Sax

Veröffentlicht 2026-04-01

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Philipp Reis, Jacqueline Henle, Stefan Otten, Eric Sax

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Koch, der ein neues, perfektes Rezept für einen Kuchen entwickeln möchte. Aber Sie haben ein riesiges Problem: Sie müssen Zutaten sammeln, um zu lernen, wie der Kuchen schmecken muss.

Hier ist die Geschichte der drei verschiedenen Wege, wie Autohersteller heute Daten sammeln, um ihre „selbstfahrenden Köche" (die KI-Modelle) zu trainieren – erklärt mit einfachen Bildern:

1. Der alte Weg: „Big Data" (Der Eimer-Strategie)

Früher haben die Autos einfach alles aufgezeichnet. Stellen Sie sich vor, Sie fahren mit einem Eimer durch einen Regen. Sie fangen jeden Tropfen auf, egal ob es ein harmloser Regentropfen ist oder ein gewaltiger Hagelkorn.

Das Problem: Sie füllen Ihren Eimer (den Speicher) mit Millionen von harmlosen Regentropfen. Wenn Sie später den Eimer leeren und nach den Hagelkörnern suchen, die für das Rezept wichtig sind, müssen Sie durch einen Ozean an Wasser waten. Das kostet Zeit, Geld und Speicherplatz.
Die Metapher: Es ist, als würde man ein ganzes Jahr lang jeden einzelnen Atemzug aufzeichnen, nur um zu hoffen, dass man irgendwann einen Husten findet, der wichtig ist.

2. Der mittlere Weg: „Smart Data" (Der Filter im Keller)

Hier wurde man schlauer. Man sagt: „Wir zeichnen zwar immer noch alles auf, aber wir schicken die Daten erst mal in den Keller (die Cloud) und schauen uns dort an, was wichtig ist."

Das Problem: Der Eimer ist immer noch voll mit unnötigem Wasser. Der Transport des Wassers in den Keller kostet viel Kraft (Bandbreite). Und das Schauen im Keller dauert lange. Bis man merkt: „Oh, wir haben keine Hagelkörner aus dem Winter!", ist der Winter schon vorbei. Der Kreislauf ist zu langsam.
Die Metapher: Sie sammeln alle Blätter im Herbst, bringen sie alle in den Garten, sortieren sie dort und merken dann: „Ups, wir brauchen eigentlich nur die roten Ahornblätter, aber die sind schon verrottet."

3. Der neue Weg: „Fast Data" (Der kluge Sammler am Auto)

Das ist das Herzstück dieses Papers. Hier wird die Entscheidung direkt am Auto getroffen, während es fährt.

Wie es funktioniert: Das Auto hat einen klugen Assistenten an Bord. Dieser Assistent weiß genau, was das Rezept (das KI-Modell) gerade braucht.
- Fahren wir gerade auf einer leeren Autobahn bei gutem Wetter? -> Ignorieren! (Das kennen wir schon).
- Fahren wir gerade durch eine Schneewehe, und ein Kind läuft plötzlich auf die Straße? -> JETZT AUFZEICHNEN! (Das ist wertvoll!).
Der Clou: Der Assistent schaut nicht nur auf den aktuellen Moment, sondern weiß auch, was er schon gesammelt hat. Wenn er schon 100 Bilder von Kindern auf der Straße hat, sucht er stattdessen nach einem Hund, der auf die Straße läuft. Er füllt den Eimer nicht blind, sondern füllt ihn gezielt mit den Zutaten, die noch fehlen.
Die Metapher: Es ist wie ein sehr erfahrener Sammler von Pilzen im Wald. Er weiß genau, welche Pilze er schon hat und welche ihm noch fehlen, um den perfekten Topf Suppe zu machen. Er pflückt nur die, die er wirklich braucht, und lässt den Rest im Wald stehen. Er trägt keinen vollen Rucksack unnötiger Steine mit sich herum.

Warum ist das so wichtig? (Die „Geschlossene Schleife")

Das Papier nennt das eine „geschlossene Schleife".
Stellen Sie sich vor, Sie spielen ein Videospiel.

Offene Schleife (Alt): Sie spielen blind, sammeln alles, und jemand anders schaut sich das Video später an und sagt: „Du hast schlecht gespielt." (Zu spät!).
Geschlossene Schleife (Neu): Das Auto „spielt" live. Es merkt sofort: „Hey, ich habe noch nie eine Situation mit einem umfallenden Fahrrad gesehen. Ich muss jetzt genau das aufzeichnen, damit ich besser werde." Es passt sich sofort an.

Zusammenfassung für den Alltag

Statt Millionen von Kilometern langweiliger Fahrten aufzuzeichnen (was teuer ist und nichts bringt), macht das Auto jetzt intelligente Entscheidungen direkt am Steuer.

Früher: „Wir speichern alles, vielleicht ist was dabei."
Jetzt: „Wir speichern nur das, was wir brauchen, um das Auto sicherer zu machen, und wir wissen sofort, was uns noch fehlt."

Das Ergebnis: Weniger Datenmüll, schnellere Entwicklung von besseren Autos und weniger Kosten. Das Auto lernt nicht nur aus der Masse, sondern aus der Qualität und der Vielfalt der Daten, die es gezielt sammelt.

1. Problemstellung

Die Entwicklung und Validierung von Machine-Learning-(ML-)Systemen im Automobilbereich (z. B. Vision-Language-Modelle) hängt maßgeblich von der Qualität, Repräsentativität und Relevanz der zugrundeliegenden Datensätze ab.

Big-Data-Ansatz: Traditionell wird ein „Big Data"-Paradigma verfolgt, bei dem massive Datenmengen aufgezeichnet und zentral offline verarbeitet werden. Dies führt zu hoher Redundanz (Überrepräsentation alltäglicher Szenarien), hohen Kosten für Speicherung und Übertragung sowie verzögerter Wertschöpfung.
Smart-Data-Ansatz: Zwar werden hier relevante Teilmengen durch Filterung ausgewählt, dies geschieht jedoch meist ebenfalls nachträglich (post-hoc) auf Basis zentraler Infrastrukturen. Die Feedback-Schleife zwischen Datengenerierung und Modellverbesserung bleibt lang.
Kernproblem: Da reale Fahrdaten ungleichmäßig verteilt sind (Long-Tail-Problem: seltene, sicherheitskritische Ereignisse treten selten auf), ist eine exhaustive Aufzeichnung ineffizient. Es fehlt ein Ansatz, der die Datenauswahl und -aufzeichnung direkt an der Quelle (dem Fahrzeug) in Echtzeit steuert, um gezielt hochwertige Datensätze zu generieren, anstatt nur große Datenmengen zu sammeln.

2. Methodik und Konzept: Fast Data

Das Paper führt das Konzept „Fast Data" für das Automotive-Systems-Engineering ein. Der Paradigmenwechsel besteht darin, die Entscheidungsfindung über das „Ob" und „Wie" der Datenaufzeichnung von der Backend-Infrastruktur an den Rand (Edge/Vehicle) zu verlagern.

A. Datenqualitätsmodell
Um „hohe Qualität" zu definieren, wird ein Qualitätsmodell basierend auf ISO-Normen (ISO 5259, ISO 25012) entwickelt. Es wird zwischen dimensionsübergreifenden Merkmalen unterschieden. Für die Datenerfassung werden vier intrinsische Qualitätsmerkmale identifiziert, die durch Metriken quantifiziert werden:

Relevanz: Eignung der Daten für das spezifische Zielproblem.
Balance: Gleichmäßige Verteilung von Klassen/Entitäten (Vermeidung von Unter-/Überrepräsentation).
Diversität: Unterschiedlichkeit der Samples auf Feature-Ebene (Vermeidung von Overfitting).
Ähnlichkeit: Grad der Übereinstimmung zwischen Datenpunkten (hohe Ähnlichkeit kann zu Redundanz führen).

B. Analyse der Datengenerierungsmethoden
Die Autoren vergleichen vier Quellen für Datensätze:

Reale Fahrdaten: Hohe Genauigkeit (Ground Truth), aber teuer und schwer zu steuern.
Simulation: Gut kontrollierbar und skalierbar, aber oft mangelnde Realitätsnähe und Sensor-Fidelity.
Generative KI (z. B. Diffusion Models): Ermöglicht kontrollierte Generierung, leidet aber unter Limitationen in der Vielfalt und Realismus.
Open Datasets: Gut für Benchmarks, aber oft veraltet oder nicht auf das Zielsystem abgestimmt.
Fazit: Keine Methode allein reicht aus. Eine Kombination ist nötig, wobei reale Daten unverzichtbar bleiben. Da eine vollständige Aufzeichnung unmöglich ist, müssen Fast-Data-Strategien selektiv Samples auswählen, die Relevanz, Diversität und Balance maximieren.

C. Taxonomie der Erfassungsstrategien
Es wird eine Unterscheidung zwischen zwei Arten von Auslösern (Triggers) getroffen:

Daten-intrinsische Trigger: Entscheiden basierend auf lokalen Eigenschaften eines einzelnen Datenpunkts (z. B. Schwellenwerte, semantische Erkennung, Fehlermodelle). Diese sind oft statisch oder nur datenbedingt (dataset-conditioned), aber nicht datensatzspezifisch.
Datensatzspezifische Trigger: Bewerten einen neuen Datenpunkt im Kontext eines bereits existierenden Datensatzes (z. B. Anomalieerkennung, Diversitätsmessung).

Kritische Lücke: Bestehende Ansätze sind oft statisch (basieren auf historischen Trainingsdaten) und nicht adaptiv. Sie können nicht in Echtzeit auf den sich verändernden Zustand des gesammelten Datensatzes reagieren.

3. Der geschlossene Regelkreis (Closed-Loop Fast Data)

Das Hauptkonzept des Papers ist die Formulierung der Datenerfassung als geschlossenen Regelkreis.

Formales Modell:
- Zustandsschätzung ( $\hat{\theta}[k]$ ): Das System schätzt kontinuierlich den aktuellen Zustand des Datensatzes (z. B. aktuelle Diversität, Balance).
- Zielzustand ( $\theta^*$ ): Definiert die gewünschten Eigenschaften des Ziel-Datensatzes.
- Wertfunktion ( $\psi[k]$ ): Bewertet einen eingehenden Datenpunkt $x[k]$ nicht isoliert, sondern basierend auf der Diskrepanz zwischen dem aktuellen Zustand $\hat{\theta}[k-1]$ und dem Ziel $\theta^*$ .
- Steuerungsaktion ( $u[k]$ ): Eine Policy entscheidet in Echtzeit, ob der Punkt gespeichert ( $u=1$ ) oder verworfen ( $u=0$ ) wird.
- Feedback: Der gespeicherte Punkt aktualisiert den Zustandsschätzer, was die Bewertung zukünftiger Punkte beeinflusst.
Architekturelle Anforderungen:
1. Explizite Darstellung des Zielzustands.
2. Online-Schätzung des Datensatzzustands.
3. Wertbewertung relativ zum aktuellen Zustand und Ziel.
4. Umsetzbare Steuerungsaktion (Speichern/Löschen).
5. Rekursive Feedback-Aktualisierung.
6. Ausführung am Datenquellort unter Ressourcenbeschränkungen (Rechenleistung, Bandbreite).

4. Ergebnisse und Beiträge

Das Paper leistet vier wesentliche Beiträge:

Qualitätsmodell: Ableitung eines Modells für Datensatzqualität im Fast-Data-Kontext, das die Schlüsselmerkmale (Relevanz, Balance, Diversität, Ähnlichkeit) identifiziert.
Analyse der Generierungspfade: Nachweis, dass trotz synthetischer Daten reale, selektive Datenerfassung unverzichtbar bleibt, um Ground Truth und Long-Tail-Szenarien abzudecken.
Taxonomie: Klassifizierung bestehender Strategien in daten-intrinsische und datensatzspezifische Trigger sowie Analyse ihrer Grenzen bezüglich Qualitätszielen.
Paradigmenwechsel: Formulierung von Fast Data als geschlossener, zustandsbewusster und strukturaware Regelkreis. Dies unterscheidet sich fundamental von offenen Schleifen (Big Data) oder verzögerten geschlossenen Schleifen (Smart Data).

5. Signifikanz und Ausblick

Die Bedeutung dieses Papers liegt im Übergang von einer volumengetriebenen zu einer zweckgetriebenen Datenerfassung.

Effizienz: Durch die Vermeidung irrelevanter Daten werden Speicher-, Übertragungs- und Verarbeitungskosten drastisch gesenkt.
Qualität: Es entstehen Datensätze mit höherer Informationsdichte, besserer Abdeckung kritischer Szenarien und verbesserter Balance, was direkt die Leistung und Sicherheit von ML-Modellen verbessert.
Skalierbarkeit: Der Ansatz ermöglicht skalierbare und kosteneffiziente ML-Entwicklungsprozesse, da die Datenqualität bereits bei der Erzeugung sichergestellt wird.

Zukunftsausblick: Die Autoren fordern die Implementierung der notwendigen Komponenten dieses Paradigmas (z. B. effiziente Online-Schätzer für den Datensatzzustand) und deren Validierung in realen Fahrzeugszenarien, um den theoretischen Rahmen in die praktische Anwendung zu überführen.