Moxa - Artificial Intelligence of Things

Edge-Computing für das industrielle AIoT

19. Februar 2021, 13:55 Uhr | Andrea Gillhuber

Fortsetzung des Artikels von Teil 1

Verlagerung von KI in den Edge-Bereich des IIoT

Wie bereits erwähnt, entstehen durch die Verbreitung der IIoT-Systeme riesige Datenmengen. Beispielsweise erzeugen die vielen Sensoren und Geräte in einer großen Ölraffinerie bis zu 1 TB Rohdaten pro Tag [4]. Eine sofortige Rücksendung all dieser Rohdaten zur Speicherung oder Verarbeitung an eine öffentliche Cloud oder einen privaten Server würde beträchtliche Ressourcen an Bandbreite, Verfügbarkeit und Stromverbrauch erfordern. Bei vielen industriellen Anwendungen, insbesondere bei hochgradig verteilten Systemen in abgelegenen Regionen, ist es nicht möglich, ständig große Datenmengen an einen zentralen Server zu senden.

Mit aus diesen Gründen werden bei IIoT-Anwendungen KI- und ML-Fähigkeiten daher auf die Edge-Ebene des Netzwerks verlagert, was eine größere Vorverarbeitungsleistung direkt vor Ort ermöglicht. Genauer gesagt, haben die Fortschritte bei der Verarbeitungsleistung von Edge-Computern dazu geführt, dass IIoT-Anwendungen die Möglichkeiten der KI-gestützten Entscheidungsfindung heute auch an entfernten Standorten nutzen können. Werden die Feldgeräte an lokale Edge-Computer mit leistungsstarken Prozessoren und KI angeschlossen, brauchen nicht mehr alle Daten zur Analyse in die Cloud geschickt zu werden. Tatsächlich dürfte der Anteil der Daten, die an den entfernten und nahen Edge-Standorten erstellt und verarbeitet werden, bis 2025 von 10 % auf 75 % steigen [5], und für den gesamten KI-Hardwaremarkt auf Edge-Niveau wird von 2019 bis 2024 eine jährliche Wachstumsrate von 20,64 % erwartet [6].

Anbieter zum Thema

zu Matchmaker+

Die Wahl des richtigen Edge-Computers

Soll künstliche Intelligenz in Ihre industriellen IoT-Anwendungen Einzug halten, sollten Sie einige Aspekte berücksichtigen. Auch wenn die meiste Arbeit, die mit dem Training Ihrer KI-Modelle verbunden ist, nach wie vor in der Cloud stattfindet, müssen die trainierten Inferencing-Modelle letztlich im Feld eingesetzt werden. AIoT-Edge-Computing ermöglicht es im Wesentlichen, das Inferencing über die KI vor Ort durchzuführen, anstatt Rohdaten zur Verarbeitung und Analyse an die Cloud zu senden. Für eine effektive Ausführung von KI-Modellen und -Algorithmen sind industrielle AIoT-Anwendungen auf eine zuverlässige Hardwareplattform für die entsprechende Umgebung angewiesen. Bei der Auswahl der richtigen Hardwareplattform für Ihre AIoT-Anwendung sollten die folgenden Faktoren berücksichtigt werden:

1. Verarbeitungsanforderungen für verschiedene Phasen der KI-Implementierung,

2. Edge-Computing-Ebenen,

3. Entwicklungstools,

4. physische Umgebungsbedingungen.

Verarbeitungsanforderungen für verschiedene Phasen der KI-Implementierung

Drei Phasen beim Aufbau von AIoT-Anwendungen
Die drei Phasen beim Aufbau von AIoT-Anwendungen.
© Moxa

Allgemein gilt, dass die Verarbeitungsanforderungen für AIoT-Computing davon abhängen, wie viel Rechenleistung erforderlich ist und ob [HB1] ein Beschleuniger zusätzlich zur CPU benötigt wird. Da jede der drei nachfolgenden Phasen des Aufbaus einer KI-Edge-Computing-Anwendung unterschiedliche Algorithmen zur Ausführung verschiedener Aufgaben verwendet, gelten in jeder Phase eigene Verarbeitungsanforderungen (Bild 1).

Datenerfassung: In dieser Phase werden große Mengen an Informationen gesammelt, um das KI-Modell zu trainieren. Unverarbeitete Rohdaten allein aber können Dubletten, Fehler und Ausreißer enthalten. Die Vorverarbeitung der erfassten Daten in der Anfangsphase zur Identifizierung von Mustern, Ausreißern und fehlenden Informationen ermöglicht daher das Korrigieren von Fehlern und systematischen Verzerrungen. Die bei der Datenerfassung typischerweise verwendeten Computer-Plattformen basieren meist auf Prozessoren der Serien Arm Cortex oder Intel Atom/Core. Im Allgemeinen sind die E/A- und CPU-Spezifikationen (und nicht die der GPU) wichtiger für die Datenerfassungsaufgaben.

Training: KI-Modelle müssen auf modernen neuronalen Netzen und ressourcenintensiven Machine-Learning- oder Deep-Learning-Algorithmen trainiert werden. Diese erfordern leistungsfähigere Verarbeitungsmöglichkeiten, z.B. leistungsstarke GPUs, erfordern, um die Parallelverarbeitung zu unterstützen, damit große Mengen von erfassten und vorverarbeiteten Trainingsdaten analysiert werden können. Das Training eines KI-Modells beinhaltet die Auswahl eines Machine-Learning-Modells und dessen Training anhand der erfassten und vorverarbeiteten Daten. Während dieses Prozesses müssen auch die Parameter bewertet und entsprechend angepasst werden, damit die Richtigkeit gewährleistet ist. Es stehen zahlreiche Trainingsmodelle und Tools zur Auswahl, darunter auch Deep-Learning-Entwicklungs-Frameworks nach Industriestandard wie PyTorch, TensorFlow und Caffe. Das Training wird üblicherweise auf dafür vorgesehenen AI-Trainingsmaschinen oder Cloud-Computing-Diensten wie den AWS Deep Learning AMIs, Amazon SageMaker Autopilot, Google Cloud AI oder Azure Machine Learning statt vor Ort durchgeführt.

Inferencing: In der letzten Phase wird das trainierte KI-Modell auf dem Edge-Computer implementiert, damit es schnell und effizient Schlussfolgerungen und Vorhersagen auf der Grundlage neu erfasster und vorverarbeiteter Daten treffen kann. Da die Inferencing-Phase im Allgemeinen weniger Datenverarbeitungsressourcen verbraucht als das Training, kann eine CPU oder ein leichter Beschleuniger für die betreffende AIoT-Anwendung ausreichend sein. Dennoch wird ein Konvertierungstool benötigt, um das trainierte Modell so umzuwandeln, dass es auf speziellen Edge-Prozessoren/Beschleunigern ausgeführt werden kann, so z.B. Intel OpenVINO oder NVIDIA CUDA. Das Inferencing umfasst auch mehrere verschiedene Edge-Computing-Ebenen und -Anforderungen, auf die im folgenden Abschnitt eingegangen wird.

 


  1. Edge-Computing für das industrielle AIoT
  2. Verlagerung von KI in den Edge-Bereich des IIoT
  3. Die Edge-Computing-Ebenen
  4. Die Entwicklungstools
  5. Edge-Computing für industrielle AIoT-Anwendungen – Beispiel Maschinenbau

Das könnte Sie auch interessieren

Verwandte Artikel

Moxa Europe GmbH, MOXA Technologies Co. Ltd.