KI in der Industrie Künstliche Intelligenz und das Integrationsproblem

Ein Gastbeitrag von Dr. Alexander Diethert* Lesedauer: 3 min |

Anbieter zum Thema

Im Alltag begegnet uns Künstliche Intelligenz mittlerweile an vielen Stellen. Die Industrie dagegen hat mit der Integration von KI in Produktionssysteme gerade erst begonnen. Dabei erscheint die Einstiegshürde für KI-Projekte dank zahlreicher Tools und Datenbanken heute relativ gering.

Immer mehr Unternehmen setzen auf automatische Codegenerierung, um weniger Fehler zu machen.
Immer mehr Unternehmen setzen auf automatische Codegenerierung, um weniger Fehler zu machen.
(Bild: gemeinfrei / Pixabay)

Warum also tun sich viele Unternehmen schwer damit, KI-Projekte erfolgreich umzusetzen? Eine Herausforderung liegt in der Implementierung der erstellten KI-Modelle in die gewünschten Applikationen. Dr. Alexander Diethert von Mathworks beleuchtet im Folgenden, wie Unternehmen die Hürde der Implementierung meistern können.

Vorüberlegungen

Bevor man damit beginnt, eine KI auf ein Industriesystem zu übertragen, müssen im Vorfeld einige Fragen geklärt werden:

Mit welcher Anzahl und Häufigkeit treten beispielsweise Anfragen an einen Algorithmus auf und wie schnell muss dieser eine Antwort liefern? Welche Schnittstellen sind vorhanden? Welche werden zusätzlich benötigt? Wie passt man die KI in ein vorhandenes System wie eine Industriesteuerung, ein Edge-Device, On-Premise oder Cloud-Systeme ein? Und wie soll die Kommunikation der Ein- und Ausgabeparameter aussehen?
Erst wenn ein Unternehmen ermittelt hat, welche Ressourcen zur Verfügung stehen und mit welchem Zielsystem gearbeitet werden soll, kann es die Komplexität einer Implementierung adäquat einschätzen und dementsprechend planen.

Übertragung auf Devices: Was Unternehmen beachten müssen

Die Übertragung einer KI auf Steuerungselemente kann zusätzliche Schwierigkeiten bereiten. Bei der Integration auf einem Mikrocontroller müssen Logiken beispielsweise häufig auf C basieren. Außerdem muss man die zur Verfügung stehende Rechenleistung, Speicherausstattung und Variablenlängen berücksichtigen. Es erfordert daher viel Programmiererfahrung, eine am PC entwickelte Logik so auf einen Mikrocontroller zu übertragen, dass diese robust und performant arbeitet. Manuell ist dies ein zeitaufwendiger und fehleranfälliger Prozess.

Deshalb setzen immer mehr Unternehmen auf automatische Codegenerierung. Neben der deutlich verkürzten Übersetzungsdauer hat das gegenüber dem manuellen Arbeiten den Vorteil, dass erheblich weniger Fehler eingeschleppt werden. Erforderliche Anpassungen an das Zielsystem lassen sich leicht umsetzen, indem man entsprechende Parameter im Codegenerator setzt.

Nicht zuletzt ist man weitgehend frei in der Wahl der Plattform, auf der eine KI eingesetzt werden soll. So kann man leichter auf geänderte Anforderungen reagieren und zudem erfolgreich trainierte Modelle wiederverwenden und skalieren.

Importfähigkeiten für Modelle

Entwicklungsumgebungen, die wie Matlab eine derartige Codegenerierung anbieten, erleichtern nicht nur die Implementierung auf den Zielplattformen. Einer ihrer Vorteile ist die Fähigkeit, Modelle aus offenen Austauschformaten wie ONNX zu importieren und mit ihnen direkt weiterzuarbeiten. Mithilfe interaktiver und grafischer Tools lassen sich diese Modelle weitertrainieren, validieren und so zur Reife bringen. Ob sie später auf einer SPS, in der Cloud oder auf einem Industrie-PC ausgeführt werden sollen, ist dabei zunächst zweitrangig, da das Referenzmodell bereits in Matlab zur Verfügung steht.

Durch diese Integrationsfähigkeit profitieren Ingenieure unmittelbar von der Expertise der KI-Community über frei verfügbare, bereits vortrainierte Modelle. Gleichzeitig können sie in einem System arbeiten, mit dem sie vertraut sind und das Lösungen auf einer Ebene anbietet, die von Anfang an dem ingenieurtechnischen Denken und der praktischen Implementierung Rechnung tragen.

Künstliche Intelligenz ist viel mehr als nur Modelle, Netzwerke und Algorithmen. Um das Potenzial von KI ausschöpfen und sie für die Wertschöpfung des Unternehmens nutzen zu können, muss sie in effizienten Workflows in bestehende Systeme integriert werden. Experten von Anbietern wie Mathworks beraten mit ihrer Erfahrung bei wichtigen Aufgaben wie Software-Design, Modellauswahl, Datenvorverarbeitung oder eben der Implementierung.

Dieser Artikel stammt von unserem Partnerportal Industry of Things.

* Dr. Alexander Diethert ist Application Engineering Manager bei Mathworks.

(ID:49019042)

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung