Die folgende Übersicht zeigt, welche Forschungsprojekte für Normungsexperten besonders relevant sind und warum: Sie decken regulatorische, technische, nachhaltige und sicherheitsbezogene Fragestellungen ab und bieten wertvolle Einblicke in die Entwicklung von Standards und Verfahren für Künstliche Intelligenz.
Entwicklung von Prüfverfahren:
Standards für die Überprüfung und Zertifizierung von KI-Systemen, ähnlich den TÜV-Tests für Fahrzeuge, werden entwickelt, um die Zuverlässigkeit und Sicherheit von KI-Anwendungen sicherzustellen.
Beispiel: BSI CERT
Qualitätskriterien:
Definition messbarer Eigenschaften, die eine „gute“ und vertrauenswürdige KI ausmachen. Hierbei spielen normierte Ansätze wie die ISO/IEC 42001 eine wichtige Rolle.
Internationale Standards:
Harmonisierung der Regeln und Anforderungen an KI-Systeme zwischen verschiedenen Ländern und Regionen, um globale Kompatibilität und Marktzugang zu gewährleisten.
Beispiel: DIN/ISO
Industrielle Qualitätskontrolle:
Einsatz von KI-Systemen zur automatischen Erkennung von Produktfehlern und Steigerung der Effizienz in der Produktion.
Beispiel: Fraunhofer IPA
Validierungsmethoden:
Methoden zur Überprüfung, ob Entscheidungen, die durch KI getroffen werden, zuverlässig und nachvollziehbar sind. Dies ist entscheidend für die Akzeptanz und den sicheren Einsatz von KI.
Beispiel: TÜV CERT
Referenzarchitekturen:
Standardisierte Baupläne für KI-Systeme, die Unternehmen als Vorlage für eigene Anwendungen dienen und Normung erleichtern.
Beispiel: DKE (Deutsche Kommission Elektrotechnik)
Energieverbrauch:
Messung und Optimierung des Stromverbrauchs von KI-Systemen, um den ökologischen Fußabdruck zu minimieren.
Beispiel: BSI Green IT
Emissionsmessung:
Entwicklung standardisierter Methoden zur Erfassung und Reduktion der CO2-Emissionen durch KI.
Beispiel: ISO 14001
Nachhaltigkeitsstandards:
Richtlinien zur umweltfreundlichen Nutzung und Entwicklung von KI-Technologien, unterstützt durch den EU Green Deal.
Sicherheitsstandards:
Entwicklung von Schutzmaßnahmen gegen Angriffe und unbefugten Zugriff auf KI-Systeme.
Beispiel: BSI AI
Zertifizierungsmethoden:
Offizielle Verfahren zur Bestätigung der Sicherheit von KI-Systemen durch unabhängige Stellen.
Beispiel: TÜV AI
Risikobewertung:
Systematische Einschätzung potenzieller Risiken und Gefahren, die durch den Einsatz von KI entstehen können, mit besonderem Fokus auf regulatorische Vorgaben wie den EU AI Act.
✅ Ziel & Nutzen: Veranschaulicht KI-Anwendung mit direktem Einfluss auf Produktsicherheit, Nachhaltigkeit & Normenentwicklung im Industriekontext.
Wie können Normen durch KI mitgestaltet werden?
Das Projekt ReSaMon des Fraunhofer LBF zeigt, wie Machine Learning und zerstörungsfreie Sensorik bereits in der Produktion von Sandwichelementen Qualitätsabweichungen erkennen – bevor sie Schäden verursachen.Bedeutung für die Normungspraxis:
Frühzeitige Fehlererkennung = weniger Rückrufe & Reklamationen
Nachhaltigkeit durch geringeren Materialverbrauch und CO₂-Ausstoß
Modell für neue Normkapitel im Bereich Smart Manufacturing oder Prüfnormung (ZfP)
Vorschlag: Aufnahme in Diskussion um DIN SPEC „Intelligente Strukturüberwachung“ oder Ergänzung bestehender Fertigungsnormen.
🧩 Quelle: idw – Fraunhofer LBF, April 2025
„Zertifizierte KI“ (BSI/Fraunhofer IAIS)
Ziel: Entwicklung von Prüfverfahren für KI-Systeme, vergleichbar mit TÜV-Prüfungen für Autos, um vertrauenswürdige und sichere KI-Anwendungen zu gewährleisten.
„AI Testing Facilities“ (EU)
Ziel: Einrichtung europäischer Testzentren für KI, die einheitliche Prüfmethoden entwickeln und zur Harmonisierung von Standards in Europa beitragen.
Diese Projekte sind besonders wichtig für:
Die Forschungsergebnisse tragen dazu bei, KI-Systeme sicher, zuverlässig und nachhaltig zu gestalten und bieten wichtige Impulse für die Normung und Standardisierung im Bereich der Künstlichen Intelligenz.