Benchmarking und Rapid Prototyping für Sensor-Edge-AI Applikationen

Durch Digitalisierung und Industrie 4.0 fallen in Maschinen und Anlagen enorme Datenmengen an, welche insbesondere durch Verfahren des maschinellen Lernens zu einer Optimierung der Prozesse genutzt werden können. Industrielle Umgebungen, zumal im Mittelstand, sind aber im Gegensatz zu Consumer-Anwendungen oft Unikate, die spezielle und proprietäre Prozesse implementieren und so oft den Wettbewerbsvorteil des jeweiligen Unternehmens darstellen.
Daher gibt es gute Gründe, die Daten direkt vor Ort zu analysieren:
Geringe Latenz: Die Ergebnisse können durch eine online-Optimierung in eine Prozessregelung integriert werden
Datenreduktion: Die Rohdaten müssen nicht kostenintensiv zu einer externen Cloud transferiert und dort gehalten werden.
Privatheit: Sensible Informationen über Produktionsprozesse verlassen nicht die Werkhalle.
Eine wesentliche Herausforderung bei der Integration von KI in Edge-Systeme ist dabei eine frühzeitige Leistungsbewertung sowie die Konfiguration und Inbetriebnahme. Hierzu gehört eine Werkzeugkette von der Schaffung einer ground truth Datenbasis für das Training von Modellen über die Evaluierung verschiedener Algorithmen und Hardware-Konfigurationen bis zur Erprobung in einer Testumgebung und in der industriellen Produktion.
Wesentlicher Bestandteil ist die systematische Bewertung verschiedenartiger Edge-Devices, hinsichtlich ihrer eher sensor- oder cloudnahen Integration, der Leistungsfähigkeit zur Realisierung von Verfahren des maschinellen Lernens, aber auch von praxisrelevanten Faktoren wie der Flexibilität zur Anpassung an die individuelle Applikationen. Als Benchmark werden verschiedene industrielle Anwendungen herangezogen.
Der Beitrag berichtet von den bisherigen Erfahrungen und diskutiert Herausforderungen beim Transfer von Edge AI in die industrielle Umgebung.