KI: Gesamtlösungen im kommerziellen und industriellen Einsatz

Für den europäischen KI-Markt stehen die Zeichen klar auf Wachstum, so die Organisation „European Information Technology Observatory“ (Eito) in ihrem Bericht Anfang 2019. Das Marktvolumen soll sich bis zum Jahr 2022 auf zehn Milliarden Euro mehr als verdreifachen. Aktuell beträgt es nur rund drei Milliarden Euro. Gewinner sind laut Eito bei den Investitionen rund um KI die Dienstleistungen mit einem Marktanteil von 47 %. Es folgen knapp dahinter die Umsätze mit Software, die auf 45 % geschätzt werden. Die Ausgaben für Server und Speicherplatz sollen dagegen in den nächsten drei Jahren um 24 % pro Jahr steigen.

Produkte, Beratung und Support als Gesamtpaket

Der robuste High-Performance-Server Kiss 4U V3 SKX ist für anspruchsvolle Anwendungen geeignet, wie zum Beispiel Highend-Bildverarbeitung, Scada/MES-Applikationen, Artificial Intelligence und Machine Learning. Das System bewältigt rechenaufwendige Prozesse und große Datenmengen mit Prozessoren der Dual-Intel-Serie Xeon-SP mühelos. Kontron / S&T

Die Ergebnisse des Eito-Berichts decken sich voll mit den Erfahrungen von Kontron und S&T Technologies. Deren Kunden erwarten überwiegend eine fertige, ganzheitliche Lösung, die ab der Implementierung produktiv und zuverlässig arbeitet. Es geht meist nicht nur um einzelne, granulare Bestandteile einer KI-Anwendung, die zum Beispiel aus Edge-Computern und der gewünschten Applikation besteht.

Das Dienstleistungsportfolio von Kontron umfasst dabei sämtliche Stufen: Ermittlung der Hardware-Anforderungen, Auswahl und Integration von marktüblichen Open-Source-Modulen und -Paketen sowie die Kapselung komplexer Programme oder Applikationen, beispielsweise über Docker. So werden Kunden von der Beratung bis hin zu einer fertigen maßgeschneiderten KI-Lösung betreut.

KI innerhalb und außerhalb der Cloud

Der Beratungsansatz von Kontron und S&T Technologies setzt dabei immer am jeweiligen Anwendungsfall an. Anhand der konkreten Problemstellung wird evaluiert und entschieden, ob KI-Lösungen und -Prozesse parziell oder komplett in die Cloud verlagert werden. Dem IoT-Software-Framework Susietec (S&Ts User focused Solutions for IoT Embedded) kommt dabei eine zentrale Bedeutung zu, denn es ermöglicht die jeweilige IoT-Architektur hybrid und skalierbar zu realisieren. Susietec ist für den Einsatz in Kombination mit der Kontron-Hardware optimiert. Es lässt sich zudem nahtlos mit Produkten von Drittanbietern betreiben und in bereits vorhandene Infrastrukturen der Kunden integrieren.

Susietec ist ein herstellerunabhängiges Software- und Dienstleistungsangebot, das sämtliche Elemente einer Cloud-Lösung zusammenfügt und zu einem anwenderspezifischen Gesamtpaket verbindet. Eine solche Individualität können die führenden Cloud Provider wie Amazon oder Microsoft mit ihren IoT-Services nicht realisieren. Doch gerade für KI-Anwendungen im Bereich Industrie 4.0 ist es essenziell, dass Geräte und Komponenten den individuellen Anforderungen entsprechend optimal vernetzt sind und reibungslos zusammenarbeiten – unabhängig von Herstellern und bedarfsgerecht skalierbar.

KI-Lösungen müssen jedoch nicht immer zwingend in die Cloud verlagert werden. Wenn beispielsweise Reaktionszeiten im Millisekunden-Bereich liegen müssen, sollten etwaige Latenzzeiten und Bandbreitenbeschränkungen der Cloud nicht hingenommen werden. In der Praxis ist das etwa bei der Steuerung und Überwachung von unternehmenskritischen Maschinen und Prozessen der Fall. Hier sind in der Folge leistungsstarke Edge-Computer wie beispielsweise der High-Performance-Server Kontron Kiss 4U V3 SKX erforderlich. Das IoT-Software-Framework übernimmt dabei die Aufgabe, die Daten lokal zu verarbeiten, zu filtern und dann in die Cloud zu transferieren.

Machine und Deep Learning

Eine hohe Rechenleistung ist auch bei ganz anderen Anwendungen gefragt: im Machine Learning und der Unterkategorie Deep Learning. Diese Prozesse sind naturgemäß extrem rechenintensiv. Hierbei werden in aller Regel vorgefertigte neuronale Netze für automatisierte Erkennungsfunktionen trainiert. Je nach Anwendung ist hierfür Edge Computing wesentlich besser geeignet als Terabytes an Trainingsmaterial in die Cloud hochzuladen.

Der komplette Prozess für Deep Learning besteht aus den vier Phasen Samples sammeln, Training, gelerntes Netz transformieren und Integration des trainierten Netzes in ein Produkt.

Spätestens bei der Auslieferung an den Kunden muss das System einsatzfähig sein. Hat die Anwendung beispielsweise die Aufgabe, Objekte zu erkennen, ist nach Maßgabe von S&T Technologies als Mindestanforderung eine Trefferquote von 80 % erforderlich, damit sie als sogenanntes minimal viable product eingestuft wird.

KI-Anwendung Visual Inspection und Programmierung sind die Themen der nächsten Seite

Visuelle Erkennung ist eines der bekanntesten Beispiele für KI-Lösungen. Dabei werden beispielsweise Aufnahmen einer Kamera, die entweder über USB oder via Netzwerk angeschlossen ist, direkt auf dem Edge Device von einem antrainierten neuronalen Netz im sogenannten Inference-Prozess analysiert und ausgewertet.

Zudem finden KI-Anwendungen auch in der Texterkennung und -Wiedergabe sowie der Audio- und Verhaltensmustererkennung Verwendung. Über die Audioerkennung lassen sich zum Beispiel Störgeräusche oder Beeinträchtigungen im Bewegungsmuster identifizieren, die vielleicht auf ein fehlerhaftes Maschinenteil hindeuten. Damit könnten etwa Achsen von vorbeifahrenden Zügen geprüft werden. In IT-Netzwerken werden Firewalls mit der Zeit lernen, wie normales Verhalten im Netzwerk von ungewöhnlichen, verdächtigen Aktivitäten zu unterscheiden ist – und dann Alarm schlagen oder sogar erste Schutz- und Abwehrmaßnahmen einleiten.

Es sind mithin vielerlei KI-Einsatzmöglichkeiten nicht nur denk- sondern auch umsetzbar. Bei Reparaturen und Instandhaltungsmaßnahmen reicht ein Foto des auszutauschenden oder defekten Teils, damit die Software oder App das Bauteil identifiziert und gegebenenfalls eine Bestellung des Ersatzteils auslöst. Waagen im Supermarkt können automatisch erkennen, welches Obst oder Gemüse gewogen wird. Kunden müssen sich dann nicht mehr die dazugehörigen Nummern merken und von Hand eingeben. Angestellte an der Kasse müssen somit nicht mehr prüfen, ob der Kunde den richtigen Preis ermittelt hat. Im Rahmen einer Laserbehandlung beim Hautarzt kann das Gerät automatisch erkennen, auf welchen Hauttyp es sich einstellen muss. Eine aufwendige Untersuchung und Justierung durch den Arzt ist nicht mehr notwendig.

Einfache Programmierung von KI-Anwendungen

Den Erfahrungen von S&T Technologies zufolge haben Unternehmen meistens bereits erprobte und bewährte Visual-Inspection-Systeme in Betrieb. Diese sind oftmals viele Jahre im Einsatz und somit sehr gut auf die jeweilige Anwendung abgestimmt. Neue KI-Lösungen haben es demzufolge schwer, sich gegen etablierte Systeme durchzusetzen. Das Fehlen einer effizienten Programmiersprache für die Entwicklung einer neuen Lösung kann das IoT-Software-Framework Susietec als Alternative ausgleichen. Es erlaubt Entwicklern, die Learning- und Inference-Phasen in den gängigen Sprachen .Net und Java unter Windows zu programmieren.

Hardwareseitig zeigt sich, dass Embedded-Computer für KI-Aufgaben ausreichend gerüstet sind, denn in der Praxis spielt die Auswertegeschwindigkeit oft nur eine geringe Rolle. Der Unterschied zwischen einer Zehntelsekunde und zwei Sekunden ist für die Anwendung oft nicht entscheidend. Leistungsfähige Hardwarebeschleuniger für neuronale Netze sind deshalb meistens in zeitkritischen Szenarien erforderlich, aber nicht in jeder Anwendung.

Kontron und S&T Technologies befinden den Markt für skalierbare KI-Lösungen grundsätzlich ausgereift, da die Komponenten quasi von der Stange weg verfügbar sind. Zudem unterstützt die S&T-Gruppe Kunden beim Einstieg in diese neue Technologie mit dem IoT-Software-Framework Susietec.

(neu)