Überzeugende Vielseitigkeit KI für alle Branchen

Kontons High Performance Server Kiss 4U V3 SKX ist für anspruchsvolle KI-Anwendungen geeignet und bleibt dabei mit seiner Geräuschentwicklung unter 35 dBA.

Anwendungen im Bereich der künstlichen Intelligenz (KI) machen in nahezu jeder Branche von sich reden. Technologieanbieter wie Kontron schaffen die Basis für die KI-Anwendungen, die nur aufgrund von daten- und rechenintensiven Prozessen realisierbar sind.

Wissenschaft und Forschung, vereint mit der Praxiserfahrung der Hersteller, führen zu konkreten KI-Anwendungen im realen Einsatz. Beispiele sind in der Automatisierung, der Energiewirtschaft, Pharmazie und im Gesundheitswesen zu finden. So kann KI im Gesundheitswesen den Zeitdruck in der Prävention, der Diagnose und Therapie abschwächen. KI-Anwendungen strukturieren und analysieren dazu riesige Datenmengen in kurzer Zeit. Sie ergänzen hilfreich die Diagnosen des medizinischen Personals und können sekundenschnell Ergebnisse für die Beurteilung durch Ärzte liefern. KI-Systeme verknüpfen dazu Daten aus Quellen wie bildgebende Verfahren, der Genomik und Proteomik und unterstützen damit wesentlich die Prävention und Therapie. Die Schnelligkeit unter Einhaltung einer Null-Fehler-Quote ist bei epidemischen und metastasierenden Erkrankungen entscheidend für Diagnose, Therapie und Gesundung des Patienten.

In der Produktion und Energieversorgung gestaltet KI die Prozesse reibungsärmer und ermöglicht eine frühzeitige Abwehr von Störungen durch präventive Diagnosesysteme. KI-basierte Predictive-Maintenance-Strategien für Energieversorgung und Industrieautomation optimieren die Instandhaltung von Anlagen. Sie erlauben eine Fernsteuerung in Echtzeit und passen Wartungspläne den realen Gegebenheiten an. Dank der Planungsalgorithmen von Machine und Deep Learning werden Abweichungen früh erkannt und Anomalien, wie zum Beispiel Unwuchten, Fluchtungsfehler oder Risse im Material von Turbinen und Kompressoren, rechtzeitig angezeigt. Die Datenanalysen der KI-Systeme erkennen akut entstehende Dysfunktionalitäten, noch bevor sie sich negativ auf den Betrieb auswirken können. Das vermeidet Produktionsausfälle und potenzielle Gefahren in puncto Sicherheit von Systemen, Betrieb, Versorgung und Umwelt.

Damit KI-Lösungen, die auf Deep Learning, Machine Learning und Inferencing aufsetzen, ihre Rolle als systemkritische Anwendungen in jeder Branche erfüllen können, sind leistungsstarke Hard- und Software-Komponenten verpflichtend. Die Systeme analysieren große Datenmengen in kurzer Zeit. Die Rechen-Power, die für Parallel Processing notwendig ist, steuern Multicore-CPUs, Video Processing Units (VPUs), Graphics Processing Units (GPUs) oder Field Programmable Gate Arrays (FPGAs) bei, die neuronale Netze mit Rechenleistungen im Bereich von Tera-Operations pro Sekunde berechnen. Das von dem IIoT Software Framework Susietec unterstützte Intel OpenVino Video Processing API ermöglicht hierbei, einmal erstellte neuronale Netzwerkmodelle zu skalieren und wahlweise auf Intels Multicore-CPUs, GPUs, VPUs und FPGAs auszuführen und somit exponentielle Leistungssteigerungen zu ermöglichen. Bestehende, trainierte neuronale Netzwerkmodelle können mit geringem Aufwand auch auf Intel OpenVino konvertiert werden. Neben Intel- und NXP-basierten Plattformen für das Inferencing setzt Kontron seit Juli 2019 als Nvidia Preferred Partner auch GPUs des internationalen Marktführers bei Grafikkarten und GPUs für das Deep Learning (Training) ein.

Nvidia-GPUs sind Teil von Kontrons aktuell leistungsfähigstem Rackmount-Server Kiss V3 4U SKX-AI. Der skalierbare Server ist mit zwei starken Prozessoren der Intel-Xeon-SP-Serie ausgestattet, die mit zwölf DIMM-DDR4-2666-Modulen und bis zu 768 GB RAM mit ECC-Unterstützung erweitert werden können. Bis zu drei doppeltbreite High-end-GPU-Karten Nvidia Tesla V100 sorgen für eine extrem große GPU-Leistung. GPUs führen genau die Matrix-Mathematik durch, die neben dem Rendern auch für das Simulieren künstlicher Neuronen notwendig ist. Die Nvidia-GPUs unterstützen dabei die Intel-Xeon-Prozessoren bei dem Trainieren neuronaler Netze. Für die Softwareentwicklung können Anwender das leistungsstarke Cuda-Toolkit von Nvidia nutzen.

Der konkrete Anwendungsfall entscheidet darüber, ob KI-Lösungen und -Prozesse zum Teil oder in Gänze in die Cloud verlagert werden. Das IIoT Software Framework Susietec von Kontron Technologies hat dabei eine zentrale Bedeutung, denn es ermöglicht, die jeweilige IoT-Architektur hybrid und skalierbar zu realisieren. Susietec ist ein herstellerunabhängiges Software- und Dienstleistungsangebot, das alle Puzzleteile einer Cloud-Lösung zusammenfügt und zu einem anwenderspezifischen Gesamtpaket verbindet. Es ist für den Einsatz mit Kontron-Hardware optimiert, lässt sich aber nahtlos mit Produkten von Drittanbietern einsetzen und in die vorhandene Infrastruktur der Kunden integrieren.

In bestimmten Szenarien verbietet es sich, KI-Lösungen in die Public Cloud zu verlagern. Wenn die Reaktionszeiten im Millisekundenbereich liegen müssen, sind Latenzzeiten und Bandbreitenbeschränkungen der Cloud inakzeptabel. Dann sind leistungsstarke Edge Computer oder eine Embedded Cloud, wie sie sich mit dem High Performance Server Kiss 4U V3 SKX am Netzwerkrand aufbauen lässt, notwendig. In diesem Fall verarbeitet Susietec die Daten vorher lokal, filtert sie und leitet sie dann in die Cloud weiter.

Unabhängig davon, ob lokal oder aus der Cloud bezogen, Machine und Deep Learning benötigen Rechenleistung. Meist werden vorgefertigte neuronale Netze dabei für automatisierte Erkennungsfunktionen trainiert. Der komplette Prozess für Deep Learning besteht aus vier Phasen: dem Sammeln von Samples, der Trainingsphase, der Transformation des gelernten Netzes und der Integration des trainierten Netzes in ein Produkt.

Bei KI-Anwendungen, die in kurzer Zeit oder gar in Echtzeit Ergebnisse liefern müssen, wird ein Edge Computer benötigt, der im Netzwerk eng an die Applikation angebunden ist. Für das Training von neuronalen Netzwerken ist es oft sinnvoll, die großen Server-Kapazitäten in der Cloud zu nutzen. Manchmal muss das Trainingsmaterial aber lokal verbleiben und ein Edge-Trainings-Server genutzt werden. Ein Beispiel ist Visual Inspection. Dabei werden Aufnahmen einer Kamera, die entweder über USB oder via Netzwerk angeschlossen ist, direkt auf dem Edge Device von einem trainierten neuronalen Netz im Inference-Prozess analysiert und ausgewertet. Neben Visual Inspection sind auch KI-Anwendungen in der Texterkennung und -wiedergabe sowie der Audio- und Verhaltensmuster-Erkennung möglich. Über die Audioerkennung lassen sich ungewöhnliche Vibrationen identifizieren, die auf ein fehlerhaftes Maschinenteil hindeuten. Achsen von Zügen beispielsweise lassen sich so im Vorbeifahren prüfen. Firewalls in IT-Netzwerken können lernen, was einem normalen Verhalten im Netzwerk entspricht. Sobald sie dann Aktivitäten fernab der Norm erkennen, schlagen sie Alarm und leiten reaktionsschnell Abwehrmaßnahmen ein.

Die Aufgaben, die KI haben wird, fasst Prof. Dr. Andreas Dengel, Standortleiter des DFKI in Kaiserslautern, zusammen: »Der Mensch verfügt über Erfahrung und handelt mit Intuition. KI kann auf der Grundlage großer Datenmengen Handlungsvorschläge liefern oder für den Menschen unmögliche Aufgaben übernehmen. Die große Chance dieser Symbiose für die Arbeit besteht darin, dass KI als intellektueller Leistungsverstärker agiert und so die Fähigkeiten des Menschen ergänzt und erweitert. Dabei ist es wichtig, die Entscheidungswege transparent und nachvollziehbar zu gestalten und dafür auch internationale Standards zu definieren.«

Kontron, Halle 1, Stand 478