KI in der Fahrzeugzertifizierung: ein Arbeitsfeld, das kaum jemand auf dem Schirm hat

Ein Fahrzeug darf nicht auf die Straße, weil es fährt. Es darf auf die Straße, weil jemand nachgewiesen hat, dass es die geltenden Anforderungen erfüllt - für Bremsen, für Beleuchtung, für Abgase, für Sicherheitssysteme. Dieser Nachweis ist ein eigener Arbeitsbereich mit eigenem Namen: Homologation, im weiteren Sinne Fahrzeugzertifizierung. Und er hat sich in den letzten Jahren still von einer Prüf- zu einer Datenaufgabe entwickelt.

Was Homologation eigentlich ist

Zertifizierung ist kein Qualitätsurteil, sondern ein Verfahren. Für jede geregelte Eigenschaft eines Fahrzeugs gibt es Anforderungen, dazu ein beschriebenes Verfahren, wie man deren Einhaltung zeigt, und am Ende ein Dokument, das dieses Zeigen festhält. Der Kern der Arbeit ist deshalb nicht "prüfen, ob es funktioniert", sondern: einen belastbaren, nachvollziehbaren Nachweis produzieren.

Das klingt bürokratisch und ist es auch. Es ist aber auch der Grund, warum die Arbeit nicht wegrationalisiert wird: Ohne diesen Nachweis gibt es keine Zulassung, ohne Zulassung kein Verkauf. Jedes Fahrzeug, das du auf der Straße siehst, hat einen Aktenordner hinter sich.

Traditionell war das ein überschaubares Handwerk. Eine Anforderung, ein definierter Testaufbau, ein Messwert, ein Protokoll. Man prüft ein Bauteil unter festgelegten Bedingungen, dokumentiert das Ergebnis und legt es ab.

Zwei Eigenschaften dieses Verfahrens sind wichtig, weil sie erklären, warum die Arbeit so aussieht, wie sie aussieht. Erstens gilt der Nachweis nicht dir, sondern einer dritten Stelle: Am Ende liest ihn jemand, der weder am Fahrzeug noch am Projekt beteiligt war. Zweitens gilt er über Jahre. Ein Nachweis, den nach zwei Jahren niemand mehr rekonstruieren kann, ist wertlos - auch dann, wenn die Messung damals richtig war.

Warum lernende Systeme das Verfahren gesprengt haben

Bei einer Schraube lässt sich die Frage "Hält sie?" mit einer endlichen Zahl von Versuchen beantworten. Bei einer Fahrfunktion, die auf einem trainierten Modell beruht, funktioniert dieselbe Logik nicht mehr.

Ein Spurhalteassistent oder eine automatisierte Fahrfunktion hat keinen abzählbaren Zustandsraum. Ihr Verhalten hängt davon ab, was die Sensoren sehen, und das ist praktisch unbegrenzt variabel: Lichtverhältnisse, Wetter, Fahrbahnmarkierungen in unterschiedlichem Zustand, das Verhalten anderer Verkehrsteilnehmer, seltene Konstellationen, die in keinem Testkatalog stehen. Man kann diese Situationen nicht alle nachfahren. Ein paar hundert Testkilometer sagen über eine solche Funktion fast nichts aus.

Deshalb hat sich die Absicherung automatisierter Fahrfunktionen zu einer eigenen Rolle verschoben. Statt einer Handvoll definierter Versuche steht heute ein Aufbau aus mehreren Bausteinen dahinter:

• Szenarienbasierte Absicherung. Man beschreibt Verkehrssituationen formal - Straßengeometrie, Beteiligte, Bewegungen - und variiert deren Parameter systematisch. Aus einem Szenario werden so tausende Varianten.
• Simulation. Der überwiegende Teil dieser Varianten wird nicht gefahren, sondern gerechnet. Reale Testfahrten dienen dazu, die Simulation zu validieren und Situationen einzusammeln, auf die niemand gekommen wäre.
• Messdaten aus Testfahrten und Flotten. Jede Fahrt liefert Sensordaten, Videos, Signalverläufe aus dem Fahrzeugnetz. Die Datenmengen sind erheblich, oft im Terabyte-Bereich pro Fahrzeug und Woche.
• Nachvollziehbarkeit. Am Ende muss man zeigen können, welche Version einer Funktion mit welchen Daten unter welchen Bedingungen geprüft wurde und wie das Ergebnis zustande kam.

Der letzte Punkt ist der, den Berufseinsteiger am meisten unterschätzen. Ein Ergebnis zu erzeugen ist eine Sache. Es Jahre später gegenüber einer Prüfstelle erklären zu können, ist eine andere.

Welche Aufgaben dort tatsächlich anfallen

Wenn du Datenkenntnisse mitbringst, sieht die Arbeit in diesem Feld ungefähr so aus - und sie ähnelt der eines Data Analyst im Alltag stärker, als der Kontext vermuten lässt:

Auswertung großer Messdatenmengen. Aus aufgezeichneten Fahrten die relevanten Abschnitte finden: Wann hat die Funktion eingegriffen, wann hätte sie eingreifen sollen, wo weicht das Verhalten von der Erwartung ab. Das ist Filtern, Zusammenführen und Aggregieren auf Zeitreihen - kein Modellbau, aber sehr viel Sorgfalt.

Szenariengenerierung. Aus realen Fahrten die Situationen extrahieren, die interessant sind, sie zu formalen Szenarien abstrahieren und deren Parameter variieren. Hier sitzt der Übergang von Datenanalyse zu Testentwurf.

Simulationsdaten aufbereiten und bewerten. Simulationsläufe erzeugen Ergebnisse in großer Zahl. Jemand muss entscheiden, welche Metriken zählen, wie sie berechnet werden und ab wann ein Lauf als bestanden gilt.

Auswertepipelines bauen und pflegen. Der wiederkehrende Teil: Datenimport, Vorverarbeitung, Kennzahlberechnung, Berichte. Diese Arbeit liegt näher an Data Engineering als an Modellierung, und genau deshalb ist sie verlässlich vorhanden.

Dokumentation. Berichte, die technisch korrekt und für Nichtbeteiligte lesbar sind. Das ist keine Nebenaufgabe, das ist das Produkt.

Was in dieser Aufzählung nicht steht, ist ebenso aussagekräftig: Modelle trainieren gehört in aller Regel nicht dazu. Die Funktion, die abgesichert wird, kommt aus der Entwicklung. Deine Seite ist die prüfende - und die stellt andere Anforderungen. Es zählt weniger, ob du das beste Verfahren kennst, als ob du erkennst, wann ein Ergebnis nicht belastbar ist: eine Auswertung über zu wenige Fahrten, eine Metrik, die den interessanten Fall wegmittelt, ein Datensatz, in dem eine ganze Wetterlage fehlt.

Wer sich für die Sensorseite interessiert - was das Fahrzeug überhaupt wahrnimmt und wie zuverlässig -, findet die Nachbarrolle beim Perception Engineer; die Bildverarbeitung dahinter beschreibt die Seite zum Computer Vision Engineer. Für die Frage, wie man die Güte eines Systems überhaupt misst, lohnt ein Blick auf den AI Evaluation Engineer. Einen Überblick über die verwandten Rollen gibt das Berufsfeld Bild und Wahrnehmung.

Wer in diesem Feld einstellt

Vier Arbeitgebertypen, mit unterschiedlichem Zuschnitt:

Firmennamen brauchst du dafür nicht: Die Struktur ist in allen Regionen mit Fahrzeugindustrie dieselbe, und die Ingenieurdienstleister sind erfahrungsgemäß der zugänglichste Einstiegspunkt, weil sie laufend besetzen müssen.

Was das für ein Praktikum bedeutet

Erwarte kein Praktikum, in dem du ein Modell trainierst. Erwarte eines, in dem du Daten in eine Form bringst, aus der andere Schlüsse ziehen können - und in dem du lernst, wie ein Nachweis aufgebaut sein muss, damit er trägt.

Konkret solltest du mitbringen: sicheres Python, wirklich brauchbares SQL, Grundverständnis für Zeitreihen und Signale, und die Bereitschaft, dich in eine Domäne einzuarbeiten, die eigene Begriffe hat. Die Grundlagen dafür stehen in den Voraussetzungen für ein KI-Praktikum. Fahrzeugtechnisches Vorwissen ist hilfreich, aber selten Bedingung - die Domäne lernst du dort schneller als die Datenarbeit.

Der praktische Vorteil: Das Feld ist für Berufseinsteiger deutlich weniger umkämpft als reine Modellierungsrollen. Auf eine ausgeschriebene Stelle "Machine Learning" bewerben sich viele, die genau das im Studium gemacht haben. Auf eine Stelle in der Absicherung und Zertifizierung bewerben sich weniger, weil das Thema unattraktiver klingt und in keinem Onlinekurs vorkommt. Der Bedarf ist trotzdem da, und er ist stabil - ein Nachweisprozess verschwindet nicht, wenn eine Technologiewelle abebbt.

Dazu kommt ein Nebeneffekt, den man erst später bemerkt: Wer gelernt hat, Ergebnisse so zu dokumentieren, dass sie einer externen Prüfung standhalten, hat eine Fähigkeit, die in jedem regulierten Umfeld gefragt ist - Medizintechnik, Finanzwesen, Energie. Das ist keine Sackgasse, sondern eine ungewöhnlich breite Basis.

Wenn du unsicher bist, ob dich das trägt: Die Arbeit in Forschungsinstituten ist inhaltlich verwandt, weil auch dort methodische Sauberkeit vor Geschwindigkeit geht. Weitere Beiträge zum Einstieg in einzelne Felder findest du in der Kategorie Einstieg, offene Stellen in der Übersicht der ausgeschriebenen KI-Praktika.

Kurz gefasst

Fahrzeugzertifizierung ist ein Nachweisprozess, kein Prüfstand. Weil moderne Fahrfunktionen sich nicht mehr durch Nachfahren absichern lassen, ist daraus Arbeit mit Simulation, Szenarien und sehr großen Messdatenmengen geworden. Wer Daten sauber aufbereiten und Ergebnisse belastbar dokumentieren kann, findet hier einen Einstieg mit weniger Konkurrenz als im Modellbau - und mit einer Fähigkeit, die weit über die Fahrzeugbranche hinaus trägt.