Wesentliche Vorteile für die Fertigung:
KI birgt das Potenzial, in vielen Branchen Mehrwert zu schaffen, doch insbesondere Supply-Chain-Management und fortschrittliche Fertigung zählen zu den Bereichen, die voraussichtlich am meisten profitieren werden. Ein McKinsey-Bericht [1] schätzt, dass KI einen Wert zwischen 1,2 und 2 Billionen US-Dollar generieren kann, der von Unternehmen und ihren Kunden genutzt werden kann. In der Fertigung liegt das größte Potenzial von KI in der vorausschauenden Wartung. Dank der Nutzung von Sensordaten lassen sich Anomalien erkennen und der Wartungsbedarf von Motoren oder Prozessanlagen frühzeitig erkennen, wodurch Ausfälle vermieden werden.
Auch die Forschung anderer Analysten bestätigt diese positiven Entwicklungen. Ein Bericht von Accenture [2] prognostiziert, dass die Fertigung zu den Gewinnern der KI-Revolution gehören wird. Dank des kontinuierlichen Lernens von Prozessen in KI-gestützten Systemen können sich Wartungstechniker auf defekte Maschinen und außer Betrieb befindliche Anlagen konzentrieren, während die schnelle Prototypenentwicklung und Ressourcenzuweisung die Markteinführungszeit und die Kosten reduzieren. All diese Verbesserungen sollen die Rentabilität um 39 % steigern.
Ein weiterer Accenture-Bericht [3] ergab, dass 71 % der Führungskräfte im Bereich Industrieausrüstung davon ausgehen, dass KI erhebliche Auswirkungen auf ihre Unternehmen haben wird, und 78 % halten diese Auswirkungen für den gesamten Sektor für bedeutsam. Derselbe Bericht weist jedoch darauf hin, dass der Industrieausrüstungssektor hinsichtlich der KI-Implementierung noch nicht ausgereift ist.
Ein gutes Beispiel für die praktischen Folgen ist die Halbleiterindustrie. Durch hohe Investitionen haben Halbleiterunternehmen versucht, die Produktlebenszyklen zu verkürzen und sich stärker auf Innovationen zu konzentrieren, um wettbewerbsfähig zu bleiben. Mit jeder neuen Chipgeneration, die kleiner wird, sind die Entwicklungs- und Herstellungskosten sprunghaft angestiegen. Für diese Unternehmen bergen KI und ML das Potenzial, die Kostenstruktur der Branche grundlegend zu verändern, indem sie die Produktivität in jeder Phase – von der Forschung über das Chipdesign bis hin zur Fertigung – steigern. ML-basierte Systeme können zudem trainiert werden, Waferdefekte automatisch zu erkennen und zu klassifizieren und so die Ausbeute zu verbessern.
Geringe KI-Nutzung:
Anwendungen in der Industrie und im Internet der Dinge (IoT) basieren häufig auf Einplatinencomputern (SBCs): Rund 50 % der von Farnell [5] befragten Ingenieure verwenden diese Entwicklungsboards in ihren Designs. Obwohl leistungsstarke KI zu den häufigsten Erweiterungsanforderungen für Einplatinencomputer (SBCs) zählt, nutzen weltweit nur 20 % der Ingenieure KI und maschinelles Lernen (ML) in ihren SBC-Anwendungen.
Die Gründe für diese geringe Verbreitung sind unklar, doch eine Studie von Farnell ergab, dass die Verkürzung der Markteinführungszeit für ihre Designs eine der größten Sorgen der Ingenieure darstellt. Trotz der einfachen Bedienbarkeit von SBCs betrachten Entwickler KI und ML möglicherweise als Hürde, da die Implementierung dieser Technologien Projektbudgets und -zeitpläne übermäßig belasten könnte.
KI in der Praxis:
Die vorausschauende Wartung ist eine der wichtigsten Anwendungen von KI in der Industrie. Der Elektronikdistributor Avnet unterstützt Hersteller und Entwickler bei der Implementierung von IoT-Lösungen für verschiedene Branchen. So arbeitete Avnet beispielsweise mit einem großen Hersteller von Elektrofahrzeugen zusammen, um Anomalien im Betrieb seiner Fertigungsroboter zu identifizieren. ML-Techniken und statistische Fehleranalysen ermöglichten es dem Kunden, Anomalien in Echtzeit zu erkennen und präventive Maßnahmen zu ergreifen.
Auch die Anlagenüberwachung bietet erhebliches Potenzial. Ein US-amerikanischer Hersteller von Erdbewegungs- und Baumaschinen, der Maschinen und Geräte tageweise oder monatsweise vermietete, setzte auf intelligente Anlagenüberwachung, um ein Produkt-als-Dienstleistung-Modell einzuführen. Dadurch konnte das Unternehmen die Geräte nutzungsbasiert vermieten, anstatt dass Kunden für ganze Tage oder Monate zahlten.
Bildverarbeitung und Gesichtserkennung sind klassische Beispiele für KI- und Machine-Learning-Anwendungen. In der Fertigung können sie eingesetzt werden, um Mitarbeitern Zugriffsrechte zu gewähren, Anwesenheiten zu erfassen und Betrug und Diebstahl vorzubeugen. Ein weiteres Beispiel ist das britische Technologiezentrum von Sony, das Bildverarbeitung in einem KI-Projekt zur Überwachung von Produktabweichungen und -qualität in der Produktion einsetzt. Mehr als 150 Raspberry-Pi-Einplatinencomputer und hochwertige Raspberry-Pi-Kameras wurden installiert, um Prozesse wie die Bauteilbestückung auf Platinen zu überprüfen und so die Konsistenz sicherzustellen.
Es ist gar nicht so schwer.
Auch wenn KI und ML zunächst komplex erscheinen mögen, setzen große Plattformhersteller sie bereits in der Praxis ein und erleichtern es Ingenieuren und Entwicklern eingebetteter Systeme, diese Technologie zu nutzen. Einplatinencomputer (SBCs) werden immer leistungsfähiger und ermöglichen die Ausführung von KI-Algorithmen wie Bildklassifizierung, Objekterkennung und Gestenerkennung direkt auf dem Gerät mithilfe von Tools wie TensorFlow Lite [6].
TensorFlow Lite ist für maschinelles Lernen auf dem Gerät optimiert und unterstützt Entwickler beim Ausführen von Modellen auf mobilen, eingebetteten und IoT-Geräten. Dieses Tool behebt einige der Hauptbeschränkungen von SBCs: Es eliminiert Latenzzeiten, da keine Daten an einen Server gesendet werden; es gewährleistet Datenschutz, da keine personenbezogenen Daten das Gerät verlassen; es benötigt keine Internetverbindung; es ermöglicht eine geringe Modellgröße; und es minimiert den Stromverbrauch.
TensorFlow Lite bietet mehrere vortrainierte Modelle, die sich für industrielle Anwendungen oder die Fertigung eignen. Diese „Rezepte“ vereinfachen die Bereitstellung von KI-Lösungen erheblich, um Funktionen wie Bildklassifizierungsmodelle, die Hunderte von Objekten, einschließlich Personen und Aktivitäten, identifizieren können, sowie die Verarbeitung natürlicher Sprache zur Beantwortung von Fragen und die Gestenerkennung zu realisieren. Viele andere Bibliotheken ermöglichen die Entwicklung von KI-Verarbeitungslösungen, doch obwohl dies den erforderlichen Kenntnisstand reduziert, sind weiterhin erfahrene KI-Spezialisten erforderlich.
Der Zugriff auf Cloud-basierte Dienste über vernetzte Geräte ermöglicht die Datenanalyse ohne massive Rechenleistung auf den Geräten selbst. Cloud-basierte Dienste erleichtern den Einsatz von KI, und es gibt eine große Anzahl erfahrener Entwickler, die diese Plattformen nutzen.
Microsoft ist führend in diesem Bereich und hat seine Azure Sphere for IoT-Plattform eingeführt, die auch einen Linux-Betriebssystemkernel für eingebettete Mikrocontroller in IoT-Endpunkten bereitstellt. Ein praktisches Anwendungsbeispiel ist ein Pilotprojekt von Starbucks, bei dem eingebettete Mikrocontroller mit Azure Sphere Telemetriedaten von in den Filialen installierten Kaffeemaschinen erfassen. Das Unternehmen erhofft sich durch die erfassten Daten die frühzeitige Erkennung potenzieller Probleme, bevor Reparaturen an den Kaffeemaschinen und anderen Geräten vor Ort notwendig werden. Azure-Mikrocontroller sind kostengünstig, bieten zahlreiche Verbindungsoptionen wie Mobilfunk und Ethernet und werden von einer Reihe von Entwicklungsboards und Basiskits unterstützt.
Eine weitere wichtige Cloud-Plattform ist Amazon Web Services (AWS). Diese Plattform nutzt Edge Computing und fortschrittliche Analysetools, um die Produktivität in intelligenten Fabriken durch die Erfassung und Analyse von Anlagendaten zu steigern. Sie bietet Zugriff auf Cloud-basierte KI und maschinelles Lernen für prädiktive Analysen in Echtzeit.
Eine weitere Möglichkeit besteht darin, Cloud-basierte Dienste in Verbindung mit Open-Source-Umgebungen wie Caffe und TensorFlow zu nutzen. Caffe ist eine bekannte Umgebung, die von dem Berkeley-Doktoranden Yangqing Jia entwickelt wurde, während die TensorFlow-Plattform vom Google Brain Team stammt und eine breite Palette an Tools, Bibliotheken und Community-Ressourcen bietet.
Cloud-Lösungen stellen zudem eine benutzerfreundliche Alternative dar. ARM ermöglicht die Integration mit Watson über seine Mbed-Plattform für die Entwicklung von IoT-Geräten [7]. IBM hat außerdem direkte Schnittstellen zu seiner Watson-KI-Plattform mit Entwicklungsboards wie dem Raspberry Pi entwickelt, was die Entwicklung von KI-Anwendungen in Prototypen vor der Festlegung der endgültigen Architektur erleichtert.
Einplatinencomputer (SBCs)
für eingebettete KI-Anwendungen an. Zu den beliebtesten SBCs gehört der Raspberry Pi 4. Die Version B verfügt über bis zu 8 GB DDR4-RAM. Der Arduino Portenta ist ein sehr leistungsstarker SBC, dessen zwei asymmetrische Kerne gleichzeitig High-Level-Code ausführen können, wie z. B. Protokollstapel, KI oder sogar interpretierte Sprachen wie MicroPython oder JavaScript. Durch die Kombination dieser leistungsstarken, benutzerfreundlichen Boards mit einfach zu bedienenden Cloud-Plattformen steht der Nutzung von KI und ML in IoT-Geräteprojekten nichts mehr im Wege. Für Fertigungsunternehmen liegen die Vorteile klar auf der Hand und werden zur Notwendigkeit, die Produktqualität, die Produktivität und vieles mehr zu verbessern.
Die Zukunft eingebetteter KI: Die verbesserte
Systemleistung macht eine stärkere Integration von KI und ML in eingebetteten Anwendungen unausweichlich. Obwohl die Technologie komplex ist, existieren bereits Lösungen, die den Aufwand für die Integration und Implementierung von KI und ML erheblich reduzieren. Angesichts der wenigen Gründe, die Einführung hinauszuzögern, und der Wahrscheinlichkeit, dass Konkurrenzprodukte die zusätzlichen Vorteile dieser Technologien bieten werden, gibt es einen überzeugenden Grund, KI- und ML-Technologien in bestehende eingebettete Systeme zu implementieren.
Cliff Ortmeyer, Global Head of Technical Marketing bei Farnell
Referenzen:
[2] https://www.accenture.com/fr-fr/_acnmedia/36dc7f76eab444cab6a7f44017cc3997.pdf
[3] https://www.accenture.com/_acnmedia/PDF-74/Accenture-Pov-Manufacturing-Digital-Final.pdf
[4] https://www.accenture.com/us-en/insights/artificial-intelligence-summary-index
