Die Einsatzmöglichkeiten von künstlicher Intelligenz sind vielfältig. So wird sie etwa in der Gesundheitsbranche, in der Logistik, im Einzelhandel oder auch zur Content-Moderation auf Streaming-Plattformen eingesetzt. In der Produktion hilft die Technologie, Produktionsabläufe zu überwachen, Prozesse und Produkte zu optimieren oder vorhandenen Lagerplatz effizienter zu nutzen.
Mit Edge Computing rückt KI näher an die Anwenderinnen und Anwender und kann schneller betrieben werden. Neue spezialisierte GPUs ermöglichen etwa schnellere Berechnungen: Ursprünglich für die Berechnung von aufwändiger Grafik z.B. bei Videospielen entwickelt, können sie viele Berechnungen parallel anstellen und bieten einen besonders hohen Datendurchsatz – Eigenschaften, die auch in der KI-Anwendung von Bedeutung sind. Bessere Speicherlösungen wie NVMe-Speicherkarten ermöglichen eine schnellere Datenverarbeitung. So wird KI am Netzwerkrand verfügbar und liefert nahezu in Echtzeit Ergebnisse. Rücken die Ressourcen näher an die Produktion, sinkt die Zeit bis zur Fertigstellung – so auch in der IT. Die Zeitersparnisse bei Datenverarbeitung und Berechnung tragen zudem dazu bei, KI-Ergebnisse als Dienstleistung anzubieten. Kunden müssen dann lediglich die Daten bereitstellen.
KI in der Produktion: Wo kann sie helfen?
In Produktionsunternehmen kann KI vielen Arbeitsschritte unterstützen. Die Anwendungsmöglichkeiten reichen von digitaler Modellierung über Qualitätssicherung bis zu Prozessoptimierung. Digitale Zwillinge sind beispielsweise Produktmodelle, die in realitätsnahen Simulationen bereits vor dem Bau des ersten Prototyps getestet werden. Bilderkennungs-Programme können Produkte in Echtzeit scannen und bei Fehlern die Produktion stoppen. Entsprechend trainiert, erkennt eine KI auch Engstellen in der Produktionskette oder mögliche Qualitätsmängel an den Produkten selbst. Als generative KI schlägt sie unter Umständen sogar auch direkt eine Lösung vor. Richtig vernetzt kann sie auch die Produktionsgeschwindigkeit automatisch an aktuelle Ereignisse anpassen.
Auf das Training kommt es an
Damit KI ihre Aufgabe effizient bewältigen kann, muss sie trainiert werden. Dafür gibt es keine Einheitslösung: Jeder Datensatz muss für seinen spezifischen Zweck geeignet sein. Eine ausreichend große Datenmenge spielt dabei eine Rolle, es gilt jedoch die Regel: ‚Garbage in, garbage out‘ – Die Qualität der Daten muss stimmen. Für eine Bilderkennungs-KI zur Qualitätssicherung bedeutet das etwa, dass nur Aufnahmen eines einwandfreien Produktes als Trainingsgrundlage nicht ausreichen. Die KI sollte ebenfalls auf die einzelnen Arten der Produktionsfehler trainiert werden. Der Datensatz muss außerdem möglichst divers sein, damit die KI nicht nur eine einzige Variante eines Fehlers erkennt. Daten möglicher Risse z.B. sollten also in möglichst vielen Verläufen und Größen vorliegen, um der KI eine gute Grundlage zu bieten.
Ohne hochwertige Datengrundlage liefert die KI also keine verlässlichen Ergebnisse. Erschwerend kommt in der industriellen Produktion hinzu, dass sich die Daten oft nur geringfügig unterscheiden. In menschlichen Gesichtern können Algorithmen beispielsweise leichter Unterschiede erkennen, als in ein und demselben Bauteil. Daher gilt es, ein besonderes Augenmerk auf die Auswahl der Daten zu legen. Sind die Daten nicht präzise genug an die Aufgabe angepasst, werden auch die Ergebnisse des Algorithmus schwammig: So könnten Risse als Kabel oder Lichtreflexion gedeutet werden und so durch die Qualitätssicherung rutschen. Außerdem muss die Trainingsbasis ausgewogen sein. Ansonsten erkennt die KI manche Fehler häufiger als andere oder schlägt falsch-positiv aus. Unzureichende Trainingsdaten können auch nachgebessert werden, doch auch hier müssen IT-Teams darauf achten, dass neue Daten den Algorithmus nicht in Schieflage bringen.
Was muss die Hardware leisten?
Edge-KI benötigt entsprechende Hardware. Rechen-Ressourcen müssen in der Edge die großen Datenmengen erfordern eine große Bandbreite.
Unternehmen sollten sich also die eigene Netzwerkleistung kennen, bevor sie ein KI-System implementieren. Je nach Anforderungen bieten sich ihnen verschieden Möglichkeiten: Hauseigene Systeme sind auf die anfallenden Aufgaben abgestimmt und liefern schnell Ergebnisse – aber oft teuer in der Entwicklung, Einrichtung und Wartung. Eine Möglichkeit, die unter anderem weniger unternehmenseigenes Knowhow erfordert, sind Managed-Service-Lösungen. Dabei kümmert sich ein externer Provider um die Weiterentwicklung und Anpassung des Systems und stellt gegebenenfalls Netzwerk- und Rechenressourcen zur Verfügung. In Zukunft werden KI-Ergebnisse immer häufiger als Dienstleistung angeboten. Bei „Inference at the Edge“ wendet die KI ihr Wissen auf bisher ungesehene Daten an – betrieben in der Edge und damit fast in Echtzeit, und ohne, dass Unternehmen eigene Infrastruktur oder Software betreiben müssen. Die KI kann nach spezifischen Anforderungen konfiguriert und auf die Unternehmensdaten angewendet werden.
Mit KI in die Zukunft
Einige große Unternehmen setzen Edge-KI bereits ein. So überwacht beispielsweise Procter & Gamble seine chemischen Mischtanks mithilfe eines solchen Systems. In ähnlicher Weise setzt BMW eine Kombination aus Edge Computing und KI ein, um einen Echtzeit-Überblick über seine Montagelinien zu erhalten und so die Effizienz und Sicherheit seiner Fertigungsprozesse zu sichern. Anwendungen für Edge-KI können Anlagenwartung und Qualitätskontrolle verbessern oder in der Entwicklung eingesetzt werden. Die Technologie vermag Daten vor Ort oder in der Nähe ihrer Entstehung zu verarbeiten, und macht sie so in Echtzeit verfügbar.
