Go-Live am 1. September mit offener Anmeldung
Die Firma One Ware hat für den 1. September den offenen Start von One AI angekündigt. Das ist eine automatisierte KI-Extension für die Open Source-Entwicklungsumgebung One Ware Studio. Ab diesem Datum können sich interessierte Entwickler kostenfrei registrieren, eigene KI-Modelle trainieren und ein Startguthaben im Wert von 500 Euro nutzen, das erfahrungsgemäß für etwa 20 bis 30 Trainingsläufe ausreicht. Trainierte Modelle lassen sich mit einer 30 Tage gültigen Testlizenz exportieren und auf unterschiedlichen Zielsystemen evaluieren. Der Ablauf ist so gestaltet, dass einzelne Entwickler oder Entwicklerteams ohne vorherige KI- oder Hardware-Expertise unmittelbar produktiv werden. Ein geführter Workflow mit sinnvollen Voreinstellungen übernimmt die KI-spezifischen Entscheidungen und führt von der Idee zur Umsetzung.
Hier geht es zur Anmeldung: https://cloud.one-ware.com/Account/Register
Die Entwicklung von KI in der Industrie steht bislang vor einem grundlegenden Zielkonflikt: Entweder greifen Unternehmen auf universelle Modelle zurück, die ursprünglich für generische Aufgaben entwickelt wurden, oder sie investieren in dedizierte Data-Science-Teams, die neuronale Netze manuell entwickeln. Beide Ansätze sind mit Nachteilen verbunden.
Universelle Modelle sind nicht auf spezifische industrielle Anforderungen oder Hardwarearchitekturen abgestimmt. Sie sind meist so konzipiert, dass sie ein breites Spektrum an Aufgaben abdecken können. Um eine solche Generalität zu erreichen, sind sie strukturell sehr komplex und enthalten zahlreiche Schichten, Parameter und Verarbeitungspfade, die für die jeweilige Zielanwendung teilweise nicht relevant sind. Diese Pfade sind jedoch fest in die Architektur integriert, werden bei jeder Inferenz aktiviert und müssen berechnet werden. Eine selektive Nutzung findet nicht statt. der zusätzliche Rechenaufwand sowie verlängerte Ausführungszeiten sind kaum vermeidbar.
Unspezifisch und negative Einflüsse
Die Hoffnung besteht, dass irrelevante Pfade die Modellgenauigkeit nicht negativ beeinflussen. Gleichzeitig lernen solche komplexen Modelle häufig irrelevante Eigenschaften eines Datensatzes, während zentrale Merkmale unberücksichtigt bleiben, da die universelle Architektur nicht alle anwendungsspezifischen Anforderungen abbilden kann. Dies kann sich negativ auf die Generalisierungsfähigkeit und die Ergebnisqualität auswirken und führt mitunter zu schlechteren Resultaten trotz hoher Modellgröße und Ressourceneinsatz.
Benutzeroberfläche von One AI: Von der Hardware-Auswahl bis zur fertigen und optimierten Netzwerkarchitektur in wenigen Klicks. – Bild: One Ware GmbH
Fachleute sind teuer und rar
Die manuelle Entwicklung individueller Modelle wiederum benötigt Wochen bis Monate an Zeit, erfordert spezialisiertes Fachpersonal und tiefgehende Kenntnisse über Architekturen und Hardwareanpassungen. Genau dieses Knowhow ist im industriellen Umfeld oft nur in begrenztem Umfang vorhanden. Deshalb greifen Unternehmen vielfach auf universelle Modelle zurück – nicht unbedingt, weil sie die technisch beste Wahl wären, sondern weil es an ausreichenden Fachkräften fehlt, maßgeschneiderte Systeme effizient zu entwickeln und produktiv einzubinden.
Plattform zur automatisierten Architekturgenerierung
Das Unternehmen One Ware versucht diesen Zielkonflikt durch eine Automatisierungstechnologie zu lösen: One AI ist nach Herstellerangaben eine Plattform, die automatisiert neuronale Netzwerkarchitekturen erzeugt, individuell zugeschnitten auf Anwendung, Daten und Zielhardware. Ein zentrales Merkmal des Systems ist seine Fähigkeit, auch auf über zehn Jahre alter Industriehardware Modelle sofort ausführbar zu machen – ohne aufwendige Optimierungsschritte. Statt ein bestehendes Modell zu modifizieren oder Transfer Learning einzusetzen, generiert One AI bei jedem Durchlauf ein neues, auf die Zielhardware abgestimmtes Netzwerk. Dieser Vorgang soll weniger als eine Sekunde benötigen und keine speziellen KI-Kenntnisse erfordern.
Achitekturprognosen und Ressourcenzuweisung
Grundlage ist eine Architekturvorhersage-Engine, die wissenschaftliche Prinzipien und analytische Berechnungen mit eigenen heuristischen Modellen kombiniert. Analysiert werden Zielmetrik, Hardwareprofil, Daten- und Anwendungstyp; daraus prognostiziert das System relevante Parameter wie Netzwerktiefe, Topologie, Rechenpräzision und Laufzeitvorgaben. Nach Angabe der Zielhardware kann der Nutzer definieren, wie viele Ressourcen genutzt werden dürfen und welches Verhalten bei Laufzeit oder Modellgröße angestrebt wird. Auf dieser Basis berechnet die Plattform eine passende Architektur.
Andere Verfahren am Markt arbeiten meist nach Trial-and-Error-Prinzipien und benötigen mehrfaches Training verschiedener Varianten. Dabei wird der Suchraum oft reduziert, indem ein Basismodell zugrunde liegt, dessen Hyperparameter variiert werden. Passt dieses Ausgangsmodell nicht, liefern auch Optimierungen keine verwertbaren Ergebnisse. In diesem System wird dagegen bei jedem Durchlauf eine neue Architektur generiert, wodurch Limitierungen solcher NAS-Ansätze umgangen werden sollen.
Technologiepartnerschaft mit Altera
Mit diesen Eigenschaften konnte One Ware den Chiphersteller Altera als Partner gewinnen. Die Kombination aus der Architekturvorhersage und der Rechenstruktur von FPGAs könnte eine skalierbare und ressourcenschonende Nutzung ermöglichen, auch auf älteren Chips. Durch Anpassungen an die vorhandene Hardware sollen Systeme mit begrenzten Ressourcen in Anwendungen integriert und die Nutzungsdauer bestehender Hardware verlängert werden können.
„Die Zusammenarbeit mit One Ware zeigt das Potenzial, das entsteht, wenn KI-Entwicklung auf FPGA-Technologie trifft. Sie hebt unsere Max 10-Plattform auf ein neues Niveau – wir liefern nicht nur geeignete Anwendungen, sondern bauen gemeinsam Systeme, die effizienter und in der Praxis nutzbar sind. Diese Partnerschaft steht für eine Generation industrieller KI: skalierbar, ressourcenschonend und breit einsetzbar,“ sagt Mark Moran, Director of Boards, Development Kits, and Partners bei Altera.
Leistung in der Praxis
Die Leistungsfähigkeit ist laut Whitepaper in einem Projekt zur Qualitätskontrolle von Kartoffelchips validiert. Dort wurde ein von One AI generiertes Modell mit einem klassischen VGG19-Modell auf einem Nvidia Jetson Orin Nano verglichen. Während das Standardmodell eine Genauigkeit von 88 Prozent bei etwa 10W Leistungsaufnahme erreichte, soll das One AI-Modell 99,5 Prozent bei 0,5W erzielt haben. Die Architektur wurde für einen Altera Max 10 FPGA mit 16K Logikelementen erstellt, benötigte 6.750 Parameter und 0,0175 GOPs und arbeitete mit 1.736 FPS. Das entspricht einer mehrfachen Beschleunigung und Effizienzsteigerung gegenüber der GPU-basierten Anwendung – bei reduzierter Bildgröße und Netzarchitektur.
| Altera Max 10 FPGA | Nvidia Jetson Orin Nano | FPGA-Vorteil gegenüber GPU | |
| KI-Modell | One AI von One Ware | VGG19 | |
| Testgenauigkeit | 99,5 Prozent (INT8) | 88 Prozent (FP32) | 24x höhere Genauigkeit |
| Leistungsaufnahme | 0,5W | 10W | 20x geringerer Energieverbrauch |
| Abmessungen | 11x11mm | 70x45mm | 26x kleinere Baugröße |
| Kosten | 45 Euro | 250 Euro | 6x geringere Kosten |
| Leistung | 1.736 FPS (INT8) | 24 FPS (FP16) | 72x höhere FPS |
| Latenz | 0,086ms | 42ms | 488x geringere Latenz |
Industrieller Einsatz und Ausblick
Der Oberflächenspezialist HDO nutzt die Technologie inzwischen für die Qualitätskontrolle von Hochglanzprodukten. Innerhalb weniger Wochen konnten Fehler automatisiert erkannt werden – Prozesse, die bislang deutlich mehr Zeit beanspruchten. „Die Zusammenarbeit mit One Ware war vom ersten Tag an pragmatisch und zielgerichtet. Mit KI-gestützter Bildverarbeitung konnten wir in kurzer Zeit eine robuste Fehlererkennung für Hochglanzoberflächen etablieren – für klassische Messtechnik wäre dafür mehr als ein Jahr nötig gewesen,“ sagt Christian Leon, Geschäftsführer von HDO.
Aktuell ist One AI auf Bildverarbeitung fokussiert, soll jedoch künftig weitere Datendomänen unterstützen, darunter tabellarische Daten, Zeitserien und Sensorsignale. Auch neuere Architekturen wie Transformer oder RNNs sollen ergänzt werden. Geplant sind ein Expert Mode für manuelle Architekturparameter sowie eine API, um die Plattform in andere Tools einzubinden.
