Künstliche Intelligenz (KI) und das Internet der Dinge (IoT) sind zwei der schillerndsten Schlagworte der Technologie. Aber was passiert, wenn man sie kombiniert? Die künstliche Intelligenz der Dinge (Artificial Intelligence of Things, AIoT) mag klingen, als wäre sie von einem KI-Algorithmus selbst erfunden worden. Jedoch stellt sie ein spannendes Potenzial für Anwender:innen im Bereich der Automation dar, vor allem unter Einsatz der richtigen Werkzeuge, wie beispielsweise die industrielle Computerhardware des Unternehmens OnLogic.

Was bedeutet AIoT?

Die AIoT verbindet KI mit dem IoT, um vernetzte Geräte zur Verarbeitung und zum Lernen von Informationen zu befähigen. Das wiederum kann helfen, künftige Muster oder Ereignisse vorherzusagen und die Art und Weise zu bestimmen, wie diese im Laufe der Zeit reagieren und sich anpassen.

Smart-Factory-Lösungen, autonome Fahrzeuge und sogar die Textvorhersage auf dem Smart Device – all das sind Beispiele für KI in der Praxis. Das Internet of Things (IoT) ist eine Ansammlung von Geräten, die über das Internet miteinander kommunizieren. Dazu gehören auch Wearables und mit der Cloud verbundene Sensoren für Smart Cities und Industrieanlagen. Diese Geräte haben das Potenzial, die Leistung der KI zu nutzen, um ein breites Spektrum von Systemen und Aufgaben zu optimieren. In der Welt der industriellen Automation kann das AIoT dabei helfen, Prozesse zu verbessern, Ausfallzeiten zu vermeiden oder in Echtzeit auf Produktionsanforderungen oder unerwartete Änderungen der Betriebsbedingungen zu reagieren.

Wie wird AIoT bereits genutzt?

Die Hardware für AIoT reicht von handtellergroßen Gateways und kompakten, lüfterlosen Computern bis hin zu industriellen Panel-PCs und Servern.

© OnLogic

Es gibt viele Anwendungen, die bereits die Vorteile der AIoT nutzen. Zu den häufigsten gehören jedoch Vision-Lösungen und Machine Learning. Diese Anwendungen erfordern spezielle industrielle Hardware, die sich leicht in bestehende Systeme integrieren lässt. Sie muss Daten von zahlreichen Sensoren und Eingängen erfassen und verarbeiten können und zuverlässig mit geringen Ausfallzeiten arbeiten.

Vision-Lösungen mit AIoT

AIoT-Vision funktioniert, indem Parameter für ein Kamerasystem definiert werden, damit es Anomalien erkennen und schnell handeln kann. Wenn das System eine potenzielle Gefahr erkennt, bleibt möglicherweise nicht genug Zeit, um die Daten an ein Analysezentrum zur Entscheidungsfindung zu senden; die Entscheidung zum Handeln muss sofort getroffen werden.

Mithilfe einer gut ausgebauten AIoT-Infrastruktur können die Kameras vor Ort und die unterstützende Software anhand von Algorithmen zur Mustererkennung potenzielle Sicherheitsrisiken ermitteln. Wenn die Kameras ein Objekt sehen, das ein Sicherheitsrisiko darstellen könnte (zum Beispiel ein Objekt oder eine Person, die den Maschinen zu nahe kommt), können die Maschinen so programmiert werden, dass sie automatisch anhalten. Dieser Prozess wird als "Inferenz im Edge" bezeichnet.

Mit der Edge-Inferenz können Maschinen Daten in Echtzeit verarbeiten und Entscheidungen in einem Bruchteil der Zeit treffen, die das Cloud-Computing für dieselbe Entscheidung benötigen würde. Wenn es um Sicherheit geht, kommt es auf Millisekunden an. Deshalb ist der Einsatz von leistungsstarker, verlässlicher Hardware für die industrielle Datenverarbeitung so wichtig.

Vision-Systeme können auch so optimiert werden, dass sie persönliche Schutzausrüstung wie Warnkleidung, Schutzhelme und Schutzbrillen erkennen. Wenn eine Person einen Gefahrenbereich ohne die erforderliche Schutzausrüstung betritt, führt das System die zugewiesene Aufgabe aus, wie etwa das Verriegeln einer Eingangstür zum Gefahrenbereich, das Anhalten einer Maschine oder das Auslösen eines Alarms.

Machine-Learning-Lösungen mit AIoT

Der Helix 401 ist ein leistungsstarker lüfterloser Industriecomputer von OnLogic, der sich hervorragend für AIoT-Anwendungen eignet.

© OnLogic

Machine Learning in der künstlichen Intelligenz konzentriert sich auf die Optimierung von Prozessen durch die Verwendung von Daten, die durch vorprogrammierte Algorithmen eingespeist werden. Dadurch werden Modelle des gewünschten Verhaltens oder der gewünschten Ergebnisse kontinuierlich aktualisiert. Das Ziel ist, Systeme in die Lage zu versetzen, Muster in den Daten zu analysieren und Schlussfolgerungen ohne explizite zusätzliche Programmierung zu ziehen.

Die sieben Schritte des Machine Learning sind:

• das Sammeln von Daten
• die Aufbereitung der Daten
• das Auswählen eines Modells
• das Trainieren des Modells
• die Auswertung des Modells
• die Anpassung der Parameter
• das Treffen von Vorhersagen

Mithilfe dieser Schritte kann Machine Learning Bilder in Echtzeit auf der Grundlage von Daten erkennen, mit denen das System gefüttert wurde. Einige Beispiele für Bilderkennung und Machine Learning in der industriellen Automation sind:

• Vorausschauende Wartung – Betriebsdaten von zahlreichen Sensoren können verwendet werden, um Muster zu erkennen, die auf mögliche Geräteausfälle oder Wartungsbedarf in einer Anlage hinweisen. Durch die Vorhersage und Bewältigung des Wartungsbedarfs, bevor dieser zu einem Problem wird, können Unternehmen Ausfallzeiten minimieren, die gesamten Wartungskosten senken und eine sicherere Arbeitsumgebung schaffen.
• Energiemanagement – Durch die Überwachung der Verwendung von Gebäudesystemen können Machine-Learning-Modelle erstellt werden, um Muster und Trends im Energieverbrauch zu erkennen. Die Systeme können dann so programmiert werden, dass sie sich in Echtzeit anpassen, um die Energieverschwendung zu reduzieren und Versorgungskosten zu sparen.
• Optimierung der Lieferkette – Machine Learning kann auch zur Optimierung von Prozessen eingesetzt werden, die weit über eine bestimmte Anlage hinausgehen. Um optimal auf Instabilitäten in der Lieferkette zu reagieren, können AIoT-Lösungen mit Machine Learning beispielsweise mit Daten aus Wettervorhersagen, Leistungsmetriken von Zulieferern, Durchlaufraten von Komponenten oder Bearbeitungszeiten der Montage oder Qualitätssicherung gespeist werden. Diese Informationen in Kombination mit Modellen zur Produktnachfrage helfen bei der Erkennung potenzieller Störungen. Zudem können so die Bestandskosten gesenkt und die Vorlaufzeiten verbessert werden.

Die Chancen der AIoT vs. ihre Herausforderungen

Die Konvergenz von KI und IoT bringt viele Vorteile mit sich, aber wie bei jeder neuen Technologie gibt es auch Herausforderungen zu bewältigen. Bevor Sie sich für eine KIoT-Lösung entscheiden, ist es wichtig, die Vorteile und Grenzen der Technologie zu verstehen.

Zu den wichtigsten Vorteilen von AIoT gehören:

• verbesserte physische Sicherheit in industriellen Umgebungen
• automatisierte Prozesse durch Machine Learning
• geringere Wartungskosten
• erhöhte betriebliche Effizienz
• verbessertes Risikomanagement

Obwohl das Versprechen der AIoT enorm ist und wächst, ist sie nicht perfekt. Sie kann nur so effektiv sein wie die bereitgestellten Daten. Daher ist es wichtig, bei der Implementierung von AIoT-Lösungen ein gewisses Maß an Kontrolle zu wahren. Es ist äußerst hilfreich, beim Aufbau einer AIoT-Implementierung mit Expert:innen zusammenzuarbeiten, um die Auswahl der passenden Hard- und Software für die geplante Anwendung sicherzustellen.

OnLogic und das AIoT

AIoT hat bereits in zahlreichen Branchen ihren Wert bewiesen. Die richtige Hardware für Ihre AIoT-Lösung ist daher von größter Bedeutung. Aufgrund der Anforderungen an die Prozessoren und KI-Beschleuniger sind Edge-Server für diese Anwendungsarten eine beliebte Option. Jedoch ist jedes AIoT-Projekt einzigartig.
Fachkundige Hilfe für die Arbeit an individuellen AIoT-Projekt, bietet OnLogic.

Mehr Informationen www.onlogic.de.

Telefon +49 (0) 322 2211 2221

Email [email protected]

Folgen Sie OnLogic in den sozialen Netzwerken