Startseite > Embedded > Hardware > Gesamtlösungen für künstliche Intelligenz

Im industriellen Einsatz

Gesamtlösungen für künstliche Intelligenz

18. November 2019, 14:07 Uhr | Manne Kreuzer

▶ Diesen Artikel anhören

Fortsetzung des Artikels von Teil 1

Embedded-Computer gut gerüstet für KI-Aufgaben

Der komplette Prozess für Deep Learning besteht aus vier Phasen:

Samples sammeln,
Trainingsphase,
gelerntes Netz transformieren,
Integration des trainierten Netzes in ein Produkt.

Bei der Übergabe an den Kunden muss die Lösung einsatzfähig sein. Hat die Anwendung beispielsweise die Aufgabe, Objekte zu erkennen, muss sie nach Maßgabe von S&T Technologies eine Trefferquote von mindestens 80 Prozent aufweisen. Das ist ein „Minimal Viable Product“, die Mindestanforderung.

Die visuelle Erkennung ist das prominenteste Beispiel einer KI-Lösung. Im Bereich der Visual Inspection werden Aufnahmen einer Kamera, die entweder über USB oder via Netzwerk angeschlossen ist, direkt auf dem Edge-Device von einem trainierten neuronalen Netz im sogenannten Inference-Prozess analysiert und ausgewertet.

Neben Visual Inspection sind auch KI-Anwendungen in der Texterkennung und Wiedergabe sowie der Audio- und Verhaltensmuster-Erkennung denkbar. Über die Audioerkennung lassen sich beispielsweise ungewöhnliche Vibrationen identifizieren, die auf ein fehlerhaftes Maschinenteil hindeuten. So könnten zum Beispiel Achsen von Zügen im Vorbeifahren geprüft werden. Firewalls in IT-Netzwerken werden über kurz oder lang lernen, was normales Verhalten im Netzwerk ist, und bei als ungewöhnlich erkannten Aktivitäten Alarm schlagen oder sogar erste Schutz- und Abwehrmaßnahmen einleiten.

Es entstehen, ausgehend von kleinen erfolgreichen Lösungen, umfassende Anwendungen, die dem Kunden einen echten Mehrwert bringen. Vielfältige KI-Einsatzmöglichkeiten sind heute nicht nur denk-, sondern auch umsetzbar:

Waagen im Supermarkt sollen automatisch erkennen, welche Art Obst oder Gemüse abgewogen wird – niemand muss sich dann die dazugehörigen Nummern merken und von Hand eingeben.
Bei der professionellen dauerhaften Haarentfernung mittels Laser beim Hautarzt kann das Gerät automatisch erkennen, auf welchen Hauttyp es sich einstellen soll. Eine aufwändige Untersuchung und Justierung durch den Arzt ist nicht mehr notwendig.
Bei Reparaturen und Instandhaltung reicht ein Foto des auszutauschenden oder defekten Teils aus, damit die Software oder App das Teil korrekt identifiziert und gegebenenfalls sofort die Bestellung des Ersatzteils auslöst.

»S&T Technologies macht oft die Erfahrung, dass Unternehmen bereits erprobte und bewährte Visual-Inspection-Systeme in Betrieb haben. Sie sind manchmal bereits weit mehr als zehn Jahre im Einsatz und dadurch perfekt auf die Anwendung abgestimmt. Neue AI-Lösungen haben es naturgemäß schwer, sich gegen etablierte Systeme durchzusetzen«, berichtet Eberhardt. »Oft fehlt inzwischen die Kenntnis einer effizienten Programmiersprache zur Entwicklung einer neuen Lösung. Hier bietet das Software-Framework SUSiEtec eine Alternative. Es erlaubt Entwicklern, die Learning- und Inference-Phasen in den gängigen Sprachen .Net und Java unter Windows zu programmieren.«

Hardwareseitig zeigt sich, dass Embedded-Computer für KI-Aufgaben ausreichend gerüstet sind, denn in der Praxis spielt die Auswertegeschwindigkeit oft nur eine geringe Rolle: Der Unterschied zwischen einer Zehntel- und zwei Sekunden ist für die Anwendung oft nicht entscheidend. Leistungsfähige Hardware-Beschleuniger wie Intels Movidius-Chips für neuronale Netze sind deshalb meistens in zeitkritischen Szenarien erforderlich, aber nicht in jeder Anwendung. Grundsätzlich halten Kontron und S&T Technologies den Markt reif für skalierbare KI-Lösungen, da alle Komponenten quasi von der Stange verfügbar sind. Zudem unterstützt die S&T-Gruppe ihre Kunden beim Einstieg in diese neue Technologie – mit dem IIoT-Software-Framework SUSiEtec.