Edge AI: KI auf eingebetteten Systemen – Teil 1
KI in Embedded-Systeme zu integrieren, bedarf geeigneter Techniken und Werkzeuge. Der Artikel führt in die Grundlagen ein und stellt Anwendungsszenarien vor.
- Dr. Michael Stal
Eingebettete Systeme und deren Eignung für den Einsatz Künstlicher Intelligenz (KI) stehen im Fokus der vorliegenden dreiteiligen Artikelserie. Vor allem im Internet der Dinge (IoT) und insbesondere bei Edge-Geräten empfiehlt sich KI als interessante Technologie, um beispielsweise Daten dort zu verarbeiten, wo sie anfallen. In diesem Zusammenhang ist oft von AIoT (AI + IoT) die Rede. Die gute Nachricht lautet: Heutzutage gelingt es selbst auf ressourcenarmen Mikrocontrollern, ein künstliches neuronales Netz (KNN) auszuführen – ganz zu schweigen von leistungsstarker Embedded-Hardware, wie sie etwa Nvidia oder die Raspberry Pi Foundation bereitstellen.
- Teil 1 der Serie führt zunächst in die KI-Grundlagen ein und präsentiert ausgewählte AIoT-Anwendungsszenarien.
- Im zweiten Teil geht es um KI-Technologien und Werkzeuge für KI auf eingebetteten Systemen mit Schwerpunkt TensorFlow.
- Teil 3 behandelt das Thema Large Language Models (LLM) bzw. Generative AI mit dem (Chat)GPT-basierten GitHub Copilot als Beispiel sowie das MLOps-Tool Edge Impulse.
Zum Einstieg folgen mögliche Anwendungsszenarien.
Ein paar Anwendungsszenarien für AIoT
Das US-Unternehmen Caterpillar stellt unter anderem Baumaschinen her. Ganz offensichtlich trifft jeder Ausfall dieser Maschinen deren Besitzer schwer, lässt sich doch nicht mal so eben ein Ersatz organisieren. Deshalb hat Caterpillar eingebettete Systeme in seine Produkte integriert, die den Zustand einer Baumaschine ermitteln. Kommt es zum Ausfall, verwendet das Unternehmen die Informationen beziehungsweise Zeitreihendaten zum Training eines künstlichen neuronalen Netzes (KNN), das dadurch lernt, aus der Vorgeschichte ausgefallener Maschinen diejenigen Bedingungen zu ermitteln, die vor Ausfall der betreffenden Baumaschine geherrscht haben. Daraus können die Ingenieure Aktionen ableiten. Eine Aktion wäre, die Baumaschine präventiv zu ersetzen; eine andere, Mechaniker mit entsprechenden Ersatzteilen und Werkzeugen zur Baumaschine zu schicken. ML (Machine Learning) kann dabei entweder in der Baumaschine ablaufen, in einem Rechenzentrum oder in beiden.