Wie lässt sich KI integrieren?

»KI erfordert effiziente Workflows«

21. November 2022, 21:31 Uhr | Dr. Alexander Diethert
KI wird in der Industrie eine immer größere Rolle spielen, lässt sich aber manchmal nicht leicht in konkrete Anwendungen integrieren.
KI wird in der Industrie eine immer größere Rolle spielen, lässt sich aber manchmal nicht leicht in konkrete Anwendungen integrieren.
© agsandrew / stock.adobe.com

Künstliche Intelligenz (KI) kann in digitalisierten Fabriken viele verschiedene Aufgaben bewältigen. Doch ihre Integration in Produktionssysteme ist alles andere als trivial. Wie lässt sie sich am besten umsetzen?

Im Alltag begegnet uns KI mittlerweile an vielen Stellen. Die Industrie dagegen hat mit der Integration von KI in Produktionssysteme gerade erst begonnen. Dabei erscheint die Einstiegshürde für KI-Projekte dank zahlreicher Tools und Datenbanken heutzutage relativ gering.

Warum also tun sich viele Unternehmen so schwer damit, KI-Projekte erfolgreich umzusetzen? Eine Herausforderung liegt in der Implementierung der erstellten KI-Modelle in die gewünschten Applikationen. Wie können Unternehmen die Hürde der Implementierung meistern?

Anbieter zum Thema

zu Matchmaker+

Vorab zu klärende Fragen

Dr. Alexander Diethert, Application Engineering Manager bei MathWorks
Dr. Alexander Diethert, MathWorks: »Automatische Codegenerierung hat viele Vorteile.«
© MathWorks

Bevor man damit beginnt, eine KI auf ein Industriesystem zu übertragen, sind im Vorfeld wichtige Fragen zu klären:

Mit welcher Anzahl und Häufigkeit treten beispielsweise Anfragen an einen Algorithmus auf, und wie schnell muss dieser eine Antwort liefern? Welche Schnittstellen sind vorhanden? Welche werden zusätzlich benötigt? Wie passt man die KI in ein vorhandenes System wie etwa eine Industriesteuerung, ein Edge-Device, ein On-Premise-System oder ein Cloud-System ein? Und wie soll die Kommunikation der Ein- und Ausgabeparameter aussehen?

Erst wenn ein Unternehmen ermittelt hat, welche Ressourcen bereitstehen und mit welchem Zielsystem gearbeitet werden soll, kann es die Komplexität einer Implementierung adäquat einschätzen und entsprechend planen.

Übertragung auf Devices: Was man beachten muss

Die Übertragung einer KI auf Steuerungselemente kann zusätzliche Schwierigkeiten bereiten. Bei der Integration in einem Mikrocontroller müssen Logiken beispielsweise häufig auf C beruhen. Außerdem muss man die zur Verfügung stehende Rechenleistung, Speicherausstattung und Variablenlänge berücksichtigen. Es erfordert daher viel Programmiererfahrung, eine am PC entwickelte Logik so auf einen Mikrocontroller zu übertragen, dass sie robust und leistungsfähig arbeitet. Manuell ist dies ein zeitaufwendiger und fehleranfälliger Prozess.

Deshalb setzen immer mehr Unternehmen auf automatische Codegenerierung. Neben der deutlich verkürzten Übersetzungsdauer hat dies gegenüber dem manuellen Arbeiten den Vorteil, dass erheblich weniger Fehler eingeschleppt werden. Erforderliche Anpassungen an das Zielsystem lassen sich leicht umsetzen, indem man entsprechende Parameter im Codegenerator setzt.

Nicht zuletzt ist man weitgehend frei in der Wahl der Plattform, auf der eine KI letztlich eingesetzt werden soll. So kann man leichter auf geänderte Anforderungen reagieren und zudem erfolgreich trainierte Modelle wiederverwenden und skalieren.

Importfähigkeiten für Modelle

Entwicklungsumgebungen, die wie Matlab eine derartige Codegenerierung anbieten, vereinfachen aber nicht nur die Implementierung auf den Zielplattformen. Einer ihrer weiteren Vorteile ist die Fähigkeit, Modelle aus offenen Austauschformaten wie ONNX zu importieren und mit ihnen direkt weiterzuarbeiten. Mithilfe interaktiver und grafischer Tools lassen sich die Modelle weitertrainieren, validieren und so zur Reife bringen. Ob sie später in einer SPS, in der Cloud oder in einem Industrie-PC ausgeführt werden sollen, ist dabei zunächst zweitrangig, weil das Referenzmodell bereits in Matlab zur Verfügung steht.

Durch diese Integrationsfähigkeit profitieren Ingenieure unmittelbar von der Expertise der KI-Community über frei verfügbare, bereits vortrainierte Modelle. Gleichzeitig können sie in einem System arbeiten, mit dem sie vertraut sind und das Lösungen auf einer Ebene anbietet, die von Anfang an dem ingenieurtechnischen Denken und der praktischen Implementierung Rechnung trägt.

Auf effiziente Workflows kommt es an

KI ist viel mehr als nur Modelle, Netzwerke und Algorithmen. Um das Potenzial von KI ausschöpfen und sie für die Wertschöpfung des Unternehmens nutzen zu können, muss sie in effizienten Workflows in bestehende Systeme integriert werden. Experten von Anbietern wie MathWorks beraten mit ihrer langjährigen Erfahrung bei wichtigen Aufgaben wie Software-Design, Modellauswahl, Datenvorverarbeitung und Implementierung.

Der Autor: Dr. Alexander Diethert ist Application Engineering Manager bei MathWorks.


Verwandte Artikel

MathWorks GmbH, MathWorks GmbH