Was fehlt der KI?

So wird künstliche Intelligenz industrietauglich - Teil 1/2
Bei vielen Vision Unternehmen gibt es immer noch Vorbehalte gegenüber künstlicher Intelligenz (KI). Es mangelt an Fachwissen und Zeit, um sich detailliert ins Themengebiet einzuarbeiten und oftmals auch an Akzeptanz und Erklärbarkeit. Können die KI-Hersteller die Transparenz erhöhen und die Einstiegshürden senken oder sind KI-Methoden noch nicht reif für den industriellen Einsatz?
Bild 1 | Um KI effektiv für Bildverarbeitungsaufgaben einsetzen zu können, reicht die 
übliche Bereitstellung von Hardware allein nicht aus. Ein Umdenken ist notwendig.
Bild 1 | Um KI effektiv für Bildverarbeitungsaufgaben einsetzen zu können, reicht die übliche Bereitstellung von Hardware allein nicht aus. Ein Umdenken ist notwendig.Bild: IDS Imaging Development Systems GmbH

Das ist eine Frage, die momentan häufig diskutiert wird. Die Antwort liegt wie so oft im Auge des Betrachters. Die notwendige Hardware für den produktiven und effizienten Einsatz steht jedenfalls zur Verfügung. Viele Hersteller von Vision Hardware haben das bereits erkannt, wie das stetig wachsende Angebot von KI-Plattformen unterschiedlicher Leistungsklassen zeigt. Aber es gibt dennoch Startschwierigkeiten. Die übliche Bereitstellung von Hardware allein reicht nicht, ein Umdenken ist notwendig.

Es fehlt an Erfahrung

Wenig hilfreich ist, dass KI bzw. Machine Learning (ML) ganz anders funktioniert als regelbasierte Bildverarbeitung und sich damit auch die Herangehensweise und Bearbeitung von Vision Aufgaben unterscheidet. Die Qualität der Ergebnisse ist auch nicht mehr das Produkt von manuell entwickeltem Programmcode, sondern wird durch den Lernprozess mit geeigneten Bilddaten bestimmt. Was so einfach klingt, führt nur mit ausreichend Fachwissen und Erfahrung zum gewünschten Ziel. Ohne geschultes Auge für die richtigen Daten treten oft Fehler auf, die wiederum zu einer falschen Anwendung von ML-Methoden führen. Tests haben gezeigt, dass unterschiedliche Nutzer für die selbe Aufgabe sehr unterschiedliche Trainings-Qualitäten der künstlichen neuronalen Netze (KNN) erzielen, weil teilweise Bilder mit zu viel unwichtigem Inhalt, schlechter Belichtung, Unschärfe oder auch falschen Labels für das Training verwendet wurden.

Die Schlüsselkompetenzen für die Arbeit mit ML-Methoden sind nicht mehr dieselben wie bei der regelbasierten Bildverarbeitung und müssen gezielt aufgebaut werden. Wer bereits die Zeit und Ressourcen hatte, damit zu arbeiten, zu testen und zu spielen, sammelt diese Erfahrung und kennt die Fallstricke. Deshalb beschäftigen sich derzeit wohl eher neue Firmen und Startups mit KI. Sie haben keine Altlasten, sind nicht an bestehende Verfahren gebunden und wagen sich teilweise spielerisch und mit viel Forscherdrang an Aufgaben, wo die klassische Bildverarbeitung bisher ohne Lösung blieb. Doch solange die Big-Player die neue Technologie noch nicht flächendeckend beim Kunden einführen und sich dafür stark machen, fehlt das Wissen und das Vertrauen – auch beim Kunde. Um die alten Hasen aus ihrer Komfortzone zu locken, muss sich daher etwas ändern, denn die KI steht einem etablierten System gegenüber, für das in den vergangenen Jahren passende Umgebungsbedingungen geschaffen wurden. Wissen, Dokumentation, Trainings, Hardware, Software, Entwicklungsumgebungen, Akzeptanz und Nachfrage seitens der Kunden hatten lange Zeit zu reifen. KI kommt dagegen noch sehr roh und puristisch daher. Wer sie beherrscht erntet zwar Bewunderung und Anerkennung, aber auch fragende Gesichter und Unverständnis.

Ein weiterer Aspekt sind neue Zielgruppen. Dr.-Ing. Peter Ebert, Chefredakteur der inVISION und Kenner der Szene meint „Die Vision-Community der Zukunft besteht nicht nur aus klassischen Bildverarbeitungsexperten, sondern bekommt auch Zuwachs aus dem IoT-Bereich.“ Mit neuen Anwendergruppen ergeben sich zwangsläufig auch andere Use Cases und Anforderungen für die Nutzung vorhandener Technologien. Nicht immer reicht dort das klassische Programmier-SDK aus. Altbewährte Regeln müssen aufgebrochen werden.

Software als KI-Wegbereiter

Intelligente KI-Edge-Geräte reduzieren anfallende Sensor-/Bilddaten. Sie erzeugen on-the-edge verwertbare Informationen und kommunizieren diese zur Steuerungseinheit.
Intelligente KI-Edge-Geräte reduzieren anfallende Sensor-/Bilddaten. Sie erzeugen on-the-edge verwertbare Informationen und kommunizieren diese zur Steuerungseinheit. Bild: IDS Imaging Development Systems GmbH

Es fehlt nicht an passender Hardware. Die Einsatzmöglichkeiten von ML werden durch effizient arbeitende KI-Beschleuniger vor allem interessant für kleine stromsparend arbeitende Embedded Vision Systeme bzw. vollintegrierte Inferenzkamera Plattformen, wie sie bereits von einzelnen Herstellern angeboten werden. Doch die Startschwierigkeiten der neuen Technologie in der Industrie löst das nicht. Die KI muss getestet, validiert, nachtrainiert und abschließend in einen produktiv arbeitenden Workflow (Anwendung) integriert werden. Aber wer macht das und wer kann das? Dafür sindKompetenzen notwendig, die über eine Prototypenentwicklung hinausgehen. Meist braucht es noch einen Systemprogrammierer, der in der Lage ist, diese Werkzeuge für eine spezielle Plattform zu programmieren.

IDS geht mit der NXT Plattform einen anderen Weg und ist überzeugt davon, dass mit den richtigen, aufeinander abgestimmten Werkzeugen jede Benutzergruppe das Potential einer KI-Vision-Plattform voll nutzen kann. Dies ohne viel Zeit und Kosten in den Aufbau neuer Kernkompetenzen zu stecken, die für die Umsetzung eigener KI-Anwendungen gar nicht zwingend nötig sind. Spezialwissen für das Trainieren neuronaler Netze undProgrammieren eigener Anwendungen lassen sich für viele einfache KI-Workflows in den Werkzeugen verpacken. So kann jeder Anwender seine individuellen Anforderungen umsetzen, ohne ein eigenes Spezialistenteam aufzubauen. Die Software ermöglicht dabei, dass jede Benutzergruppe, die für ihre jeweiligen Aufgaben und Arbeitsweisen passenden Werkzeuge verwenden kann.

Eine Bildverarbeitungsanwendung ist der Rahmen, der mehrere spezifische Einzelaufgaben in einen anwendungsspezifischen Ablauf bringt und fehlerfrei und effizient ausführen soll. Klassisch wird diese Aufgabe von Entwicklern in einem zur Plattform passenden Programmcode wie z.B. C++ programmiert. Wenig anders verhält es sich bei den neu auf den Markt kommenden KI-Plattformen. Ein SDK stellt die notwendigen Softwareschnittstellen zur hardwarenahen Programmierung der jeweiligen Plattform mitsamt der vorhandenen KI-Beschleuniger bereit. Meist steht den Anwendungsentwicklern damit eine weitgehend frei programmierbare Plattform für eigene Prozesslösungen zur Verfügung. Für denjenigen, der weiß was er tut, stellen lediglich die Hardwareperformance und die SDKs eine Grenze für die Kreativität dar. Auch die NXT Inferenzkamera ist durch ein ein entsprechendes SDK mit vielen C++ Sourcecode-Beispielen eine offene Plattform für Entwickler, die vollständig eigene Bildverarbeitungsanwendungen in Form von Vision Apps mit dem KI-Beschleuniger deep ocean entwerfen wollen.

Geführte Anwendungserstellung

Ein Großteil der Bildverarbeitungsanwendungen arbeiten jedoch mit relativ einfachen Abläufen: Bild aufnehmen Bild analysieren bzw. Merkmale extrahieren Prozessentscheidungen treffen Aktion einleiten. Das kann einfaches Erkennen und Klassifizieren von Produkten sein, mit anschließender Weiterleitung von Informationen über verschiedene Schnittstellen an eine Maschinensteuerung oder Sortieranlage. Das sind Basisfunktionalitäten, die sich nur in wenigen Details unterscheiden und deshalb nicht jedes mal neu programmiert werden müssten. Doch die Auswahl eines Deep Learning (DL) Use Cases, wie Klassifikation oder Objekt Detektion sind als Einstiegspunkt für ein Projekt oft bereits zu abstrakt, um die weiteren notwendigen Handlungsschritte für die Datenaufnahme und Vision App Konfiguration ableiten zu können.

Seiten: 1 2Auf einer Seite lesen

IDS Imaging Development Systems GmbH

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige