Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
15 -16 2023 Elektronik 27 EmbEddEd-SyStEmE in der Zustandsüberwachung und vorausschauenden Wartung Einsatzfelder für KI im industriellen Umfeld die eine schnelle Amortisation versprechen Was ist KI für den Mittelstand? Bei KI denken viele erst einmal an Chat-GPT und ähnliche Systeme Bild 1 Solche Systeme sind sehr mächtig – haben aber einen entsprechenden Hunger auf Energie Nach einer USamerikanischen Studie benötigt allein das Training eines einzelnen KI-Modells mindestens so viel elektrische Energie wie 100 Haushalte Aber auch kleinere KI-Modelle wie sie in der mittelständischen Industrie zum Einsatz kommen benötigen Energie Je mehr KI-Modelle auf Desktop-PCs zum Einsatz kommen desto schneller entwickeln sie sich zu einem weiteren Lastfaktor für die Energieversorgung – und die Leistungsaufnahme selbst zu einem Kostenfaktor Aus diesen Überlegungen heraus ging das Labor für hardwarenahe Digitalisierung an der Technischen Hochschule Deggendorf THD der Frage nach wie sich ressourcenund energieeffiziente KI-Applikationen entwickeln und umsetzen lassen Der Fokus lag dabei auf eng begrenzten Applikationen welche auf vergleichsweise kleinen und preiswerten Rechnern oder Mikrocontrollern laufen können Entsprechend werden sie nachfolgend als »Tiny« bezeichnet Gemeinsam mit dem Unternehmen Elec-Con technology aus Passau Hersteller digital geregelter Stromversorgungen untersucht die THD welche spezifischen Möglichkeiten aber ebenso Einschränkungen sich aus dem Einsatz solcher Modelle ergeben Schon KI oder lediglich ML? Prinzipiell zielt KI darauf ab Maschinen zu befähigen angemessen und vorausschauend in ihrer Umgebung zu agieren also ebenfalls bis zu einem gewissen Grad Sinneseindrücke zu erfassen und darauf zu reagieren Informationen aufzunehmen und zu verarbeiten als auch Wissen zu speichern Sprache zu verstehen und zu erzeugen sowie perspektivisch Probleme zu lösen und Ziele zu erreichen Bereits anhand der Definition ist klar dass so ein Ansatz viel zu mächtig ist um hiermit lediglich einfache Herausforderungen zu lösen etwa zu erkennen dass ein gerade gefertigtes Teil in bestimmten Eigenschaften vom erwarteten Ergebnis abweicht Daher fokussiert sich der Inhalt des Fachartikels auf das Teilgebiet maschinelles Lernen ML der künstlichen Intelligenz Um ein fehlerhaft gefertigtes Teil sicher identifizieren zu können muss die Maschine sehr viele Gut-Teile »gesehen« und erfasst haben Aufgrund des iterativen Prozesses lernt das System dass bestimmte Abweichungen tolerabel sind – etwa weil in der Realität Fertigungstoleranzen nicht vermeidbar sind Hiermit sind bereits die Kernbereiche des maschinellen Lernens umrissen Aus den Daten mit denen das System »gefüttert« wird etwa Kamerabilder einer bestückten Leiterplatte entwickeln entsprechende Algorithmen ein statistisches Modell Das System lernt also nicht einfach Bilder auswendig sondern es versucht in jedem neuen Kamerabild bereits gelernte Muster und Gesetzmäßigkeiten zu erkennen Ziel ist es das System zu befähigen neue bisher unbekannte Daten selbständig zu beurteilen Also beispielsweise in einem neuen Kamerabild zu erkennen ob ein Widerstand auf einer Leiterplatte lediglich verrutscht aber beidseitig kontaktiert ist Gut-Teil vollständig fehlt oder ein »Grabstein« produziert wurde – das Bauteil hat sich aufgestellt Bild 2 In dem Fall könnte das System die automatisierte Aussonderung aktivieren und die Baugruppe mit der Info über die identifizierten Fehler zur Nacharbeit weiterleiten Hat ein Entwickler wie oben skizziert eine bestimmte Aufgabe identifiziert die per Tiny-ML zu lösen ist stellt sich die Frage nach der erforderlichen Leistungsfähigkeit Ein System das zwingend hochaufgelöste Bilder mehrerer Videokameras verarbeiten muss be - nötigt mehr Rechen-Leistung als ein System das lediglich Standbilder zum Beurteilen heranzieht Häufig stellt ein Entwickler beim Betrachten fest dass ein Embedded-Rechner oder ein entsprechend ausgestatteter Mikrocontroller für die Aufgabe völlig ausreicht Weiterführende Überlegungen Wenn es gelingt Tiny-ML direkt auf einem Embedded-Rechner oder Mikrocontroller zu realisieren ergeben sich daraus einige Vorteile ➔ ➔ Ressourcenund Energiebedarf Tabelle 1 vergleicht die wesentlichen Parameter einiger grundsätzlich geeigneter Systeme mit einem Desktop-PC ➔ ➔ Datensicherheit und Datenschutz Bei ausreichender Rechenleistung bleiben die gesammelten Daten auf dem System Weder für das Auswerten noch für das Training des Systems müssen rückverfolgbare oder auf einzelne Personen beziehbare Rohdaten weitergegeben werden Stattdessen gibt ein leistungsfähiges System lediglich hoch