Möglichkeiten, Anforderungen und Beispiele

Was bringt Edge-KI für die Produktion?

Künstliche Intelligenz hat in den vergangenen Jahren enorme Fortschritte gemacht. Mit Edge Computing rückt sie nah an die Produktion heran. Für Unternehmen verspricht das viel Potenzial für Echtzeit-Anwendungen. Doch wie wenden sie die Technologie effizient an?

Edge computing modern IT technology on virtual screen concept. (Bild: ©WrightStudio/stock.adobe.com)

(Bild: ©WrightStudio/stock.adobe.com)

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 viele 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.

Das könnte Sie auch interessieren

Digitale Tools bringen den Aufbau einer Circular Economy auf Touren, wenn sie systemisch eingesetzt werden. Wie das gelingen kann, zeigt die Studie 'Digitale Enabler der Kreislaufwirtschaft' anhand von drei sehr unterschiedlichen Produkten: T-Shirts, Waschmaschinen und Einfamilienhäusern. Die Studie der Deutschen Akademie der Technikwissenschaften (Acatech) arbeitet heraus, welche digitalen Technologien und Anwendungen Wertschöpfungsketten zirkulär gestalten können - und wie die einzelnen Enabler im Zusammenspiel ein erweitertes Potenzial entfalten.‣ weiterlesen

Aktuell prägen vier Trends die Automatisierung und setzen die produzierende Industrie unter Transformationsdruck. Die Antwort auf die Herausforderungen liegt in der Integration taktiler Roboter und ihrer datengetriebenen Programmierung. Auf diesen Bereich hat sich ArtiMinds mit seinen Softwarelösungen spezialisiert.‣ weiterlesen

Das IFL am Karlsruher Institut für Technologie und der IAS an der Universität Stuttgart entwickeln einen anpassungsfähigen Roboter mit Greifsystem, der menschliche Fähigkeiten durch Nachahmung erlernt. Dafür haben sie mit dem ICM-Zukunftslabor HaptXDeep in Karlsruhe eine Forschungsinfrastruktur aufgebaut - ausgestattet mit einem Komplettsystem der Firma Shadow Robot und finanziert aus Mitteln des InnovationsCampus Mobilität der Zukunft (ICM).‣ weiterlesen

Das Bundesamt für Sicherheit in der Informationstechnik hat den aktuellen Lagebericht zur IT-Sicherheit veröffentlicht. Daraus geht unter anderem hervor, dass mehr neue Schadprogrammvarianten identifiziert wurden und die Zahl der Ransomware-Angriffe zugenommen hat. Doch auch Ransomware-Opfer werden resilienter.‣ weiterlesen

Das große KI-Sprachmodell des Forschungsprojekts OpenGPT-X steht ab sofort auf Hugging Face zum Download bereit: 'Teuken-7B' wurde von Grund auf mit den 24 Amtssprachen der EU trainiert und umfasst sieben Milliarden Parameter. Akteure aus Forschung und Unternehmen können das kommerziell einsetzbare Open-Source-Modell für ihre eigenen Anwendungen der künstlichen Intelligenz (KI) nutzen.‣ weiterlesen

Das Forschungsprojekt Simobot der Frankfurt UAS, der SimPlan AG und weiterer Partner entwickelt prädiktive Simulationsansätze für mobile Transportroboter. Unter anderem soll ein Demonstrator entstehen, der der Materialflusssimulation und Flottenmanagement verknüpft. Auf einem Kickoff-Meeting haben die Beteiligten erste Weichen für das Projekt gestellt.‣ weiterlesen

Der Sicherheitsplattformanbieter Check Point prognostiziert, wie Cyberkriminelle im kommenden Jahr mit neuen Technologien und Taktiken die globale Bedrohungslandschaft verändern könnten.‣ weiterlesen

Der Digital Product Passport soll den ökologischen und digitalen Wandel forcieren, ist dem Vorschlag der Europäischen Kommission zu entnehmen. Indem entlang der Lebenszyklen von Produkten Informationen digital bereitstehen, sollen Ressourcenverbrauch und Entsorgungslasten massiv reduziert werden. Reparatur, Wiederverwendung, Umwidmung und Verwertung alter Produkte sollen die Kreislaufwirtschaft voranbringen.‣ weiterlesen

Die universitäre Forschung ist laut einer Untersuchung des EPA für 10,2 Prozent aller Patentanmeldungen in Europa verantwortlich. Führende Länder sind hier Deutschland, Frankreich, das Vereinigte Königreich und Italien. Die Hälfte aller universitären Patentanmeldungen stammt von einer kleinen Gruppe europäischer Hochschulen.‣ weiterlesen

60 der vom Spezialversicherer Hiscox befragten Unternehmen wurden häufiger Opfer von Cyberangriffen. 46 Prozent verloren durch die Angriffe Kunden und ein Viertel hatte Kosten von mehr als 500.000 Euro.‣ weiterlesen

Bei der Integration von künstlicher Intelligenz den richtigen Ton zu treffen, galt vor allem für kleine Unternehmen lange als Herausforderung. Doch die technologische Ebene stellt heute kaum noch eine Hürde dar. Cloud-Plattformen verbinden Datenqualität, Sensortechnik und automatisierte Prozesse zu einem harmonischen Gesamtkonzept. Daraus entsteht eine Erfolgsmelodie für Serviceleistungen und vorausschauende Wartung.‣ weiterlesen