Mit dem Übergang von KI-Pilotprojekten zur großangelegten Implementierung hat sich der Fokus von der Frage ‚Warum KI?‘ zu ‚Wie können wir KI effizient und zuverlässig in der Fertigung einsetzen?‘ verschoben. Für viele Akteure liegt die Antwort in Edge-KI, also dem Einsatz datenverarbeitender Systeme am Ort der Datenerzeugung. Im Gegensatz zur cloud-basierten KI verarbeitet die Edge-KI Informationen lokal, was mitunter entscheidende Vorteile bietet. Durch das Reduzieren von Netzwerklatenzen ermöglicht Edge-KI Entscheidungen in Echtzeit, insbesondere in Bereichen wie Qualitätskontrolle, vorausschauende Wartung, Prozessautomatisierung und Sicherheitsüberwachung. Edge-KI reduziert außerdem den Bandbreitenverbrauch, da statt der Rohdaten nur verarbeitete Daten übertragen werden. Für Hersteller ist ebenfalls wichtig, dass sensible Produktionsdaten an Ort und Stelle bleiben.
KI wird vielfältiger
Der Begriff Edge-KI umfasst insbesondere zwei Arten von künstlicher Intelligenz: prädiktive und generative KI. Die prädiktive KI analysiert historische Daten, um Ereignisse vorherzusagen. Das kann beispielsweise dazu beitragen, sicherere Arbeitsbereiche in der Fertigung zu schaffen. Sie kann außerdem potenzielle Gefahren vorhersagen oder die Einhaltung von Vorschriften und Vorgaben unterstützen. Mithilfe von Edge-KI können Produktionslinien bei der automatisierten Qualitätsprüfung kontinuierlich überwacht werden, was der Qualitätskontrolle Einblicke in Echtzeit ermöglicht. Ferner lässt sich so das Risiko von Defekten oft erheblich reduzieren. Die generative KI erkennt Muster und Trends in historischen Daten und nutzt Analyseergebnisse, um neue Daten und Inhalte zu erstellen. Die generative KI – oder GenAI – kann in Fertigungsbereichen eingesetzt werden, um die Entwicklung neuer Produkte zu unterstützen, digitale Simulationen zu optimieren und Anwendern neue Analyseoptionen für komplexe Daten bereitzustellen.
Training weiter rechenintensiv
Das wesentliche technische Merkmal der Edge-KI ist jedoch die Trennung von Training und Inferenz. Während das Training großer KI-Modelle nach wie vor erhebliche Ressourcen in Rechenzentren binden kann, ist die Inferenzphase, in der die KI das erworbene Wissen auf neue Daten anwendet, weitaus weniger ressourcenintensiv. Durch Fortschritte beim Prozessordesign und bei KI-Beschleunigern ist es nun möglich, komplexe Inferenz-Workloads auf kompakten, energieeffizienten Edge-Servern auszuführen. Dadurch ist hochentwickelte künstliche Intelligenz in der Fertigung praktisch anwendbar geworden.
Gängige Use Cases
Edge-KI ermöglicht es, Daten in Echtzeit zu analysieren und automatisierte Reaktionen auszulösen. Maschinelles Sehen ist aus der modernen Qualitätssicherung beispielsweise nicht mehr wegzudenken. Gängige Inspektionssysteme prüfen vielleicht jedes zwanzigste Teil auf Defekte. Edge-KI-gestützte Bildverarbeitungssysteme können jedes Teil direkt nach dem Verlassen der Produktionslinie überprüfen. Diese Systeme erkennen Defekte und subtile Qualitätsabweichungen, die auf beginnende Prozessprobleme hinweisen können. So können automatisch Maßnahmen ergriffen werden, bevor Defekte auftreten. Ausfallzeiten werden so reduziert. Die Effekte betreffen jedoch nicht nur die Qualitätskontrolle. Edge-KI unterstützt zudem vorausschauende Wartung. Die überwacht kontinuierlich die Anlagen und lernt, erste Anzeichen von Verschleiß, Fehlern oder Ausfällen zu erkennen. In der Prozessautomatisierung erleichtert sie schnelle Entscheidungen, steigert die betriebliche Agilität und optimiert Arbeitsabläufe.
Sicheres Arbeitsumfeld
Auch was die Arbeitssicherheit angeht, kann Edge-KI einen Unterschied machen. Mithilfe der Analyse von Daten aus Sicherheitskameras, Maschinen und Betriebssoftware können KI-Systeme gefährliche Situationen in Echtzeit erkennen. So können sie beispielsweise eingreifen, wenn Mitarbeiter beweglichen Anlagenteilen zu nahekommen. Auch können sie Korrekturmaßnahmen empfehlen oder sogar einleiten. Mit Edge-KI lassen sich große Mengen an Video- und Sensordaten sofort verarbeiten, um schnell darauf reagieren zu können.
Zuverlässige Infrastruktur
Wenn Hersteller von Pilotprojekten zur produktionsreifen Edge-KI übergehen, spielt die Wahl der Infrastruktur eine entscheidende Rolle. Anders als bei der Büro-IT müssen in Fertigungsbereichen Systeme eingesetzt werden, die über Jahre hinweg zuverlässig funktionieren – oft unter schwierigen Bedingungen. Standard-Server mögen in einigen Umgebungen ausreichend sein – viele Anwendungen erfordern jedoch robuste Hardware, die extremen Temperaturen, Staub, Vibrationen und Stößen standhält. In staubanfälligen Bereichen werden lüfterlose Modelle bevorzugt, da so der Wartungsaufwand und das Ausfallrisiko reduziert wird. Systembetreiber können die Zuverlässigkeit anhand von Kennzahlen prüfen, z.B. die mittlere Betriebsdauer zwischen Ausfällen (Mean Time Between Failures, kurz MTBF). Bei Bedarf können sie Systeme aufrüsten oder neu konfigurieren. Auf diese Anforderungen hat Supermicro die modularen Serverarchitekturen im Portfolio ausgelegt. Diese lassen sich auf die spezifischen Workloads und Umgebungsanforderungen der industriellen Anwender hin konfigurieren. Modularität soll für künftige Upgrades ermöglichen, um auch für weiterentwickelte KI-Workloads geeignet zu bleiben.
Die passende GPU
Die Auswahl der passenden KI-Beschleuniger sollte eine der wichtigsten Entscheidungen sein. Grafikprozessoren (GPUs) sind die am häufigsten verwendete Hardware für diese Aufgabe. Um die vielfältigen Anforderungen von Edge-KI-Workloads in der Fertigung zu erfüllen, stehen verschiedene spezialisierte GPUs zur Verfügung. Um die gewünschte Leistung und Unterstützung für die vorgesehenen Anwendungen sicherzustellen, muss die Kompatibilität von Serverplattformen und KI-Beschleunigern geprüft werden.
Gängige Probleme beim Rollout
Bei allen Leistungsversprechen von Edge-KI geht ihre Implementierung mit Herausforderungen einher. In Fertigungsbereichen gibt es oft Beschränkungen hinsichtlich Platz, Stromverbrauch und Kühlung. Edge-Server müssen entsprechend kompakt und energieeffizient sein. Außerdem müssen sie zu den Bedingungen in der jeweiligen Umgebung passen. Eine weitere Hürde kann das Datenmanagement sein: Die Menge und Vielfalt der bei der Fertigung generierten Daten kann herkömmliche IT-Systeme überfordern. Eine effiziente lokale Verarbeitung, Speicherung und robuste Sicherheit sind daher unerlässlich. Beim Management sollte berücksichtigt werden, dass Edge-Implementierungen in der Regel mehrere Standorte betreffen und oft keine ausreichende lokale IT-Unterstützung vorhanden ist. Um Ausfallzeiten und Betriebsunterbrechungen zu reduzieren, sollte die Infrastruktur daher Fernüberwachung, Updates und Fehlerbehebung unterstützen.
Einbindung in die Werks-IT
Auch die Integration in vorhandene Systeme stellt oft ein Hindernis dar. KI-Systeme müssen mit älteren Anlagen sowie mit MES-Anwendungen (Manufacturing Execution Systems) und Sicherheitsprotokollen kompatibel sein. Eine sorgfältige Planung ist ebenso erforderlich wie häufig der Einsatz von Software Development Kits (SDKs) und vorgefertigten Modulen, um die Integrationsziten zu verkürzen.
Supermicro und Nvidia
Supermicro hat in Zusammenarbeit mit Nvidia ein Portfolio von Edge-KI-Produkten entwickelt, das auf die Anforderungen einer Fertigung zugeschnitten ist. Das Portfolio kombiniert modulare, robust ausgelegte Server-Hardware mit KI-Produkten von Nvidia. Die Systeme stehen in unterschiedlichen Formfaktoren und Leistungsstufen zur Verfügung. Das Angebot reicht von kompakten, lüfterlosen Edge-Servern für Bereiche mit begrenztem Platzangebot bis hin zu leistungsstarken Multi-GPU-Systemen, die selbst anspruchsvolle KI-Workloads bewältigen können. Die Systeme sind für die Zusammenarbeit mit den Nvidia-KI-Chips ausgelegt. Jedes System ist für spezifische KI-Inferenz- und Generierungsaufgaben ausgelegt.
Bereit für mehrere RTX 6000
So ist der ARS-E103-Jonx etwa besonders für anspruchsvolle Edge-Anwendungen ausgelegt. Darin sind Nvidia Jetson Orin NX verbaut, den fortschrittlichen KI-Computern für Anwendungen und Prozesse, die eine energieeffiziente und leistungsstarke Dateninferenz erfordern. Das System wird in einem kompakten, lüfterlosen Formfaktor geliefert und soll 157 TOPS für mehrere gleichzeitige KI-Pipelines bereitstellen. Es verfügt außerdem über Optionen für IO-Schnittstellen wie 5G und WLAN. Das Portfolio umfasst weitere Systeme bis hin zu Box-PCs und Rackmount-Edge-Systemen. Letztere können mehrere GPU-Beschleuniger einsetzen, etwa die RTX Pro 6000 Blackwell Server Edition oder den H200 NVL. Die Anwendungsfälle jedes Modells unterscheiden sich je nach Art und Menge der zu verarbeitenden Daten sowie nach Bereitstellungsfaktoren wie Größe und Stromverbrauch.
Software von Nvidia
Der Software-Stack ist ebenso wichtig. Nvidia AI Enterprise bietet Herstellern Frameworks, Bibliotheken und Tools zur KI-Inferenz und der Integration in bestehende Arbeitsabläufe. Für individuelle Anwendungen stehen SDKs und vorgefertigte Module zur Verfügung. die Entwicklungszeit weiter verkürzt und die Komplexität reduziert. Dadurch sind kürzere Amortisationsdauern von KI-gesteuerten Fertigungslösungen möglich.
Best Practices für den Einstieg
Hersteller sollten bei der Implementierung von Edge-KI mit definierten Anwendungsfällen und messbaren Zielen beginnen. Sie sollten eine Infrastruktur wählen, die zuverlässig ist, sich modular erweitern lässt und mit den erforderlichen KI-Beschleunigern kompatibel ist. Hersteller müssen außerdem Umweltfaktoren wie Temperatur, Staubanfall und Vibrationen berücksichtigen. Ferner sollten sie Systeme entwickeln, die eine Fernverwaltung und eine einfache Integration in bestehende Prozesse ermöglichen. Gleichsam gilt es Edge-KI-Vorhaben als fortlaufende Prozesse zu betrachten. Denn angesichts der sich weiterentwickelnden KI-Technologien und Fertigungsanforderungen müssen Infrastrukturen über ihren gesamten Lebenszyklus hinweg aufrüstbar und anpassbar bleiben.
