KI aus einer Hand

Individuelle KI-Lösungen in Hard-/Software für Vision on the Edge
Wahtari hat ein umfangreiches KI-Ökosystem aus Hard- und Software geschaffen, das Kunden auf dem Weg zu einem leistungsfähigen KI-Vision-System begleitet. Bestandteile des Ökoystems sind die intelligente Deep-Learning-Kamera nCam und das Softwaretool nGin.
Bild 2 | nGin ermöglicht die hybride Ausführung von Bildverarbeitungsalgorithmen und CNN lässt sich je nach Hardwareplattform dynamisch anpassen.
nGin ermöglicht die hybride Ausführung von Bildverarbeitungsalgorithmen und CNN lässt sich je nach Hardwareplattform dynamisch anpassen. – Bild: Wahtari GmbH

Die immense Auswahl verschiedener KI-Frameworks stellt Unternehmen, die von den Vorteilen einer KI profitieren wollen, ebenso vor eine große Herausforderung, wie die unüberschaubare Menge inkompatibler KI-Software und -Hardware-Anbieter. Zusätzlich erschwert der auf dem Markt herrschende Mangel an KI-Experten den Aufbau firmeninternen Know-hows. Diese Umstände sind umso bedeutender vor dem Hintergrund, dass frühe Fehlentscheidungen bei der Wahl der richtigen KI-Strategie später hohe Kosten bedeuten und daher wettbewerbsentscheidend sein können. Um Unternehmen nicht nur in die Lage zu versetzen das volle Potenzial der heutigen KI-Technologie auszuschöpfen, sondern auch auf zukünftige KI-Entwicklungen vorbereitet zu sein, hat Wahtari ein umfangreiches KI-Ökosystem aus Hard- und Software geschaffen, das Kunden auf dem Weg zum leistungsfähigen und flexiblen KI-Vision-System begleitet. Von individueller Beratung und kurzfristig bereitstellbaren Testsystemen im Rahmen eines Proof-of-Concepts über modulare Hard- und Softwarekomponenten bis hin zu verschiedenartigen, branchenübergreifenden Komplettlösungen bietet das Portfolio alles aus einer Hand.

Flexible Deep-Learning-Kamera

Passend zu der vollautomatisierten End-to-End Deep-Learning-Plattform nLab beschreibt die Kamera-Serie nCam die nächste Stufe intelligenter Kameras. Mit gleich drei integrierten Intel Movidius Myriad X VPUs und einer Intel X86_64-Architektur-basierten CPU ist die nCam Plus derzeit eines der kompaktesten High-End-Vision-KI-Systeme am Markt. Verpackt in einem Aluminiumgehäuse mit ausgeklügelter Kühlung liefert die Kamera selbst unter härtesten Bedingungen zuverlässig Ergebnisse im unteren Millisekundenbereich. Zahlreiche Schnittstellen und Industriestandards, wie z.B. OPC UA, erlauben eine einfache Integration in bestehende Anlagenkonzepte und sorgen gleichzeitig für geringste Latenzen. Dabei lassen sich Signale, z.B. für die Ansteuerung von Luftdüsen, direkt über ein Analogsignal ausgeben. Die Programmierung von Anlagensteuerungen und aufwändige Verkabelungen können dadurch stark vereinfacht werden. Hardwareseitig bietet die offen gestaltete Architektur der nCam freie Auswahl zwischen verschiedenen motorisierten oder fixen Objektiven, schaltbaren oder festen Filtern, Beschleuniger-Chips, integrierten oder ansteckbaren Beleuchtungen, sowie je nach Einsatzort und Anwendung passende Gehäuse und Halterungen. Der optional aktivierbare Capturing-Mode mit vortrainierten KI-Modellen für eine schnelle Bildaufnahmen direkt an der Produktionslinie unterstützt bei der Datengenerierung das anschließende Training.

Softwaretool für Edge-Geräte

Wie jedes KI-Model hat auch jede KI-Edge-Lösung ihr individuelles Leistungsprofil. Um das größtmögliche Potenzial aus der KI-Anwendung zu schöpfen, ist die Wahl der richtigen Hardwarekomponenten (Sensor, Prozessor, Beschleuniger,) essenziell. Wahtari verfolgt ein modulares Konzept und bietet mit nGin ein Werkzeug für die hybride Ausführung von Bildverarbeitungsalgorithmen und CNN. nGin ist das intelligente Triebwerk der Edge-Geräte, das sich dynamisch an jede Hardwareplattform anpasst. Dabei spielt es keine Rolle, ob die Plattform ARM- oder x86_64-basiert ist, ob das KI-Ausführungsziel eine Grafikkarte oder ein KI-Beschleunigerchip ist, oder ob das KI-Model mit Tensorflow, MxNet oder einem anderen KI-Framework trainiert wurde. So ermöglicht nGin es dem Entwickler, sich auf wesentliche Aufgaben zu fokussieren. Mit Hilfe einer integrierten Skripting-Engine, die sich an eine Go-ähnliche Programmiersprache anlehnt, können projektspezifische Abläufe direkt auf der Kamera implementiert werden. Die Ausführungsleistung ist dabei um ein Vielfaches schneller als vergleichbare Python-Skripte.

Das könnte Sie auch Interessieren

Bild: Fraunhofer IGD
Bild: Fraunhofer IGD
Software Arrange beschleunigt Absortierprozesse

Software Arrange beschleunigt Absortierprozesse

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.

Bild: Coscom Computer GmbH
Bild: Coscom Computer GmbH
Software-Plattform für KI und maschinelles Lernen

Software-Plattform für KI und maschinelles Lernen

Vermehrt interessieren sich Unternehmen dafür, auf Basis ihrer Fertigungsinformationen Verbesserungspotenziale in der Produktionsplanung und -steuerung zu heben. Maschinelles Lernen und künstliche Intelligenz (KI) kann aber nur dann wirtschaftlich sinnvoll eingesetzt werden, wenn alle relevanten Daten im Zugriff sind und deren Struktur zu den Anwendungen passen. Das Coscom-ECO-System soll eine Plattformökonomie als Basis für Business Intelligence (BI) bieten.

Bild: Benteler International AG
Bild: Benteler International AG
Produktionsfehler: KI findet die Nadel im Heuhaufen

Produktionsfehler: KI findet die Nadel im Heuhaufen

In der Qualitätsprüfung ist Zeit ein wichtiger Faktor: Wer Fehler rechtzeitig findet, kann sie effektiv und kostensparend beheben. Gemeinsam mit dem Fraunhofer IEM setzt der Automobilzulieferer Benteler dafür in der Warmumformung von Fahrzeugteilen auf Echtzeit-Sensordaten und Künstliche Intelligenz. Damit können Produktionsfehler schneller erkannt, behoben und zukünftig sogar vermieden werden.

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.