AI at the Edge: Programmierung von AI-Lösungen unter Java und .NET

Mit dem Framework Susietec von S&T Technologies kann Kontron nun auch AI-Lösungen für seine Edge Computer aus einer Hand anbieten, z.B. auch für Bildverarbeitungsaufgaben.
Edge Computer erfüllen neben der Maschinensteuerung noch weitere wesentliche Aufgaben: Zum einen dienen sie als Gateways in das Netzwerk bis hin zum Internet. Zusätzlich zum traditionellen Gateway, das Daten an die Cloud weiterleitet, übernimmt ein Edge Device aber auch Funktionen der Cloud, wie das Filtern und Bewerten von Daten. Ein Edge Device garantiert also verlässlich eine Funktion, auch wenn die Verbindung in die Cloud gerade nicht vorhanden ist oder nicht genügend Bandbreite bereitsteht. Weiter können leistungsfähige Embedded Computer direkt an der Maschine anspruchsvolle Aufgaben übernehmen, die in der Cloud aufgrund von Latenzzeiten und Bandbreitenbeschränkungen nicht erledigt werden können, etwa Anwendungen der Artificial Intelligence (AI). Im Bereich der Bildverarbeitung etwa, werden Aufnahmen über eine Kamera, die entweder über USB oder Netzwerk angeschlossen ist, direkt auf dem Edge Device von einem trainierten neuronalen Netz, im Inference-Prozess analysiert und ausgewertet. Weitere Anwendungsmöglichkeiten für Computer mit Edge Performance bietet auch das Deep Learning, in dessen rechenintensiven Prozess zumeist vorgefertigte neuronale Netze trainiert werden, um dedizierte Anwendungen zu erfüllen. Dies Edge-seitig umzusetzen ist meist effizienter als zunächst Terabyte-weise Trainingsmaterial in die Cloud hochzuladen. Anwender erwarten allerdings in den meisten Fällen bereits ein fertiges Produkt, z.B. wenn es um Objekterkennung geht. Ein minimal viable product, das also den Mindestanforderungen genügt, muss eine Trefferquote von mindestens 80 Prozent haben. Die Anwendungsbeispiele hierfür sind vielfältig, unter anderem?

  • • Waagen im Supermarkt sollen automatisch erkennen, welche Art Obst oder Gemüse abgewogen wird. Kunden müssen sich nicht mehr die dazugehörige Nummer merken und Angestellte an der Kasse nicht prüfen, ob der Preis stimmt.
  • • Bei der professionellen dauerhaften Haarentfernung mittels Laser kann das Gerät automatisch erkennen, auf welchen Hauttyp es sich einstellen soll.
  • • Bei Reparaturen und Instandhaltung reicht ein Bild des auszutauschenden oder defekten Teils, damit eine Software/App das Teil korrekt identifiziert und ggf. sofort eine Bestellung auslöst.

Einfache AI-Programmierung

S&T Technologies machte die Erfahrung, dass Unternehmen bereits erprobte und bewährte Visionsysteme in Betrieb haben. Diese sind manchmal bereits weit über zehn Jahre im Einsatz und dadurch perfekt auf die jeweilige Anwendung abgestimmt. Neue AI-Lösungen haben es naturgemäß schwer, sich gegen diese etablierten Systeme durchzusetzen. Oft fehlt mittlerweile die Kenntnis einer effizienten Programmiersprache zur Entwicklung einer neuen Lösung. Hier bietet das AI Software Framework von Susietec eine Alternative. Es erlaubt Entwicklern, die Learning- und Inference-Phase in den gängigen Sprachen .NET und Java unter Windows zu programmieren. Hardwareseitig zeigt sich, dass Embedded Computer für AI-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. Hardwarebeschleuniger wie der Intel Movidius Chip für neuronale Netze sind deshalb meistens in zeitkritischen Szenarien erforderlich, nicht aber in jeder Anwendung. Neben der optischen Inspektion sind auch AI-Anwendungen in der Texterkennung und Wiedergabe, der Audioerkennung und Verhaltensmustererkennung denkbar. Über die Audioerkennung lassen sich z.B. ungewöhnliche Vibrationen identifizieren, die auf ein fehlerhaftes Maschinenteil hindeuten. So könnten etwa Züge ´im Vorbeifahren´ geprüft werden. Firewalls in IT-Netzwerken werden lernen, was normales Verhalten im Netzwerk ist und bei als ungewöhnlich erkannten Aktivitäten Alarm schlagen oder sogar erste Schutz- und Abwehrmaßnahmen einleiten. Die neue Technologie ermöglicht es Anwender, sich auf ihre Kernkompetenzen zu konzentrieren und State-of-the-art-Technologien maßgeschneidert umzusetzen, genauso wie sie es benötigen.

Thematik: Technologie
Ausgabe:
Kontron S&T AG
www.kontron.de

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