“Edge AI” ist eines der Hauptziele von edge computing. Diese edge KI ist eine der wichtigsten Schlüsseltechnologien bei der Verwirklichung des IoT, und ihre Verbreitung nimmt immer mehr zu. Im Folgenden wird erläutert, was edge KI ist, was sie von cloud KI unterscheidet, warum edge KI Aufmerksamkeit erregt und welche konkreten Beispiele es für edge KI gibt.
Was ist Edge AI
Edge AI bedeutet, künstliche Intelligenz auf einen edge Server zu bringen. Man kann sagen, dass es sich um eine Technologie handelt, die die Vorteile der Geschwindigkeit und die Vorteile der künstlichen Intelligenz ausbalanciert, nämlich die Vorteile der edge computing.
Der Vorteil der künstlichen Intelligenz besteht darin, dass sie automatisch Aufgaben ausführen kann, die nicht standardisiert werden können, sobald sie erlernt ist. Mit anderen Worten, sie ermöglicht eine Verarbeitung, die mit einem normalen Computer (Von-Neumann-Computer) nicht möglich ist. Diese Art von Arbeit, die nicht standardisiert werden kann, kann als ein Merkmal der Arbeit angesehen werden, die der Mensch bisher geleistet hat. Früher gab es verschiedene Arten von künstlicher Intelligenz, wie z. B. Expertensysteme, aber in den letzten Jahren haben die meisten von ihnen mit Hilfe von neuronalen Netzen (Deep Learning) mit etwa 14 bis 20 Schichten gelernt.
Es wird angenommen, dass der Mangel an qualifizierten Ingenieuren dadurch ausgeglichen werden kann, dass eine typische Arbeit mit künstlicher Intelligenz ausgeführt wird. Aus einem anderen Blickwinkel betrachtet, kann man sagen, dass das Urteilsvermögen und die Erfahrung qualifizierter Ingenieure auf die künstliche Intelligenz übertragen werden. Konkrete Beispiele sind die “vorausschauende Wartung”, die Ausfälle von Geräten und den Zeitpunkt des Austauschs von Teilen im Voraus vorhersagt, und die “Bildverarbeitung”, die Produkte prüft.
Erfahrene Techniker haben über einen langen Zeitraum hinweg “gelernt” und auf der Grundlage ihrer durch Erfahrung kultivierten Intuition beurteilt, ob das Produkt gut oder schlecht ist, wann Teile ersetzt werden müssen usw. Man kann sagen, dass eines der ultimativen Ziele der intelligenten Fabriken und des IoT darin besteht, Arbeit einzusparen, ohne die Qualität der Inspektion und Wartung zu verschlechtern, indem diese Erfahrungen und Beurteilungen auf künstliche Intelligenz übertragen werden.
Unterschiede zwischen Edge AI und Cloud AI
Bei cloud AI hingegen wird künstliche Intelligenz auf einem cloud Server eingesetzt. Der Nachteil von cloud AI ist, dass die Verarbeitungsgeschwindigkeit langsam ist, da die Kommunikation zwischen dem edge Server und dem cloud Server immer über das Netzwerk erfolgt.
Wenn Sie dagegen AI auf dem Server edge einsetzen, wird die Verarbeitung nur auf dem Server edge abgeschlossen, und Sie müssen nur das Analyse- und Vorhersageergebnis an den Server cloud senden. Aus diesem Grund hat es den Vorteil einer schnelleren Verarbeitungsgeschwindigkeit als cloud AI, das Kommunikation für jeden Prozess erfordert.
Andererseits wird die cloud KI, die eine große Menge an Informationen verarbeiten kann, leichter zu handhaben sein, wenn die Lernarbeit einfacher ist und neue Ereignisse auftreten. Mit anderen Worten: Die cloud KI ist flexibler. Außerdem ist zu beachten, dass die Ressourcen des Servers edge begrenzt sind und die Größe der künstlichen Intelligenz von edge KI (die Größe des neuronalen Netzes) ebenfalls begrenzt ist.
Aus den obigen Ausführungen lässt sich ableiten, dass die beste Systemkonfiguration darin besteht, sowohl die edge KI als auch die cloud KI vorzubereiten, das Lernen mit der cloud KI durchzuführen und die Lernergebnisse an die edge KI zu senden. Genauer gesagt, lernt die cloud KI zuerst mit einer großen Menge an Informationen, und wenn das Lernen bis zu einem gewissen Grad fortgeschritten ist, werden die Lernergebnisse an edge KI gesendet. Und die edge KI, die die Lernresultate erhalten hat, führt die eigentliche Verarbeitung durch. Dann wird das von der Edge KI als fehlerhaft bewertete Analyseergebnis an die Cloud KI gesendet, die es zum erneuten Lernen mit der Cloud KI verwendet, und das Lernergebnis wird an die Edge KI zurückgesendet. Durch Wiederholung dieser Abfolge von Prozessen ist es möglich, die Erkennungsrate fehlerhafter Produkte bei der Inspektion des Produkts zu verbessern.
Warum Edge KI Aufmerksamkeit erregt
Mit der Einführung von Edge AI wird die “Erkennung vor Ort und die Analyse vor Ort” mit hoher Geschwindigkeit möglich. Mit anderen Worten, das Auftreten von Anomalien / die Erkennung / Analyse / Benachrichtigung kann im Vergleich zu cloud AI mit hoher Geschwindigkeit und ohne Verzögerung durchgeführt werden. Dies ist der Hauptgrund, warum edge AI so viel Aufmerksamkeit auf sich zieht. Dies ist eine besonders effektive Technologie in Bereichen, die eine Verarbeitung in Millisekunden erfordern, wie z. B. Automobile (automatisiertes Fahren) und Produktionssysteme.
Im Bereich des autonomen Fahrens ist es denkbar, das Urteilsvermögen und die Erfahrung von erfahrenen Fahrern auf das Urteilsvermögen und die Erfahrung von qualifizierten Ingenieuren im Bereich der Produktionssysteme und auf Edge KI zu übertragen. Darüber hinaus wird edge KI in Bezug auf die Verarbeitungsgeschwindigkeit vorteilhaft sein, wenn ein Problem in der Produktionsanlage auftritt und ein Notstopp durchgeführt wird. In beiden Bereichen mangelt es an Fachleuten, und edge KI wird als wirksames Mittel zur Lösung von Problemen angesehen.
Konkrete Beispiele für edge AI
Was sind dann einige konkrete Beispiele für die Nutzung von edge AI?
Nehmen wir die Qualitätskontrolle als Beispiel: In der Vergangenheit war es üblich, den Ablauf der “visuellen Inspektion des Produkts” -> “Beurteilung des visuell visualisierten Bildes” -> “gutes/schlechtes Urteil” zu nehmen. In diesem Teil “Urteil” → “Gut-/Schlecht-Urteil” trifft ein qualifizierter Techniker ein Urteil mit Hilfe seines “Gehirns”. Bei der Qualitätsprüfung, die in den letzten Jahren mit automatischer Prüftechnik durchgeführt wurde, wird dagegen der Ablauf “Aufnahme des Produkts mit einer Kamera” -> “Beurteilung des aufgenommenen Bildes” -> “Gut/Schlecht-Urteil” gewählt. Dann ist es denkbar, anstelle des “Gehirns” eines erfahrenen Technikers im Teil “Beurteilung des aufgenommenen Bildes” → “gutes/schlechtes Urteil” künstliche Intelligenz einzusetzen.
Die Entscheidung, ob künstliche Intelligenz auf einem cloud Server oder einem edge Server eingesetzt werden soll, sollte davon abhängig gemacht werden, ob die Prüfung eine hohe Verarbeitungsgeschwindigkeit erfordert. Wenn zum Beispiel die Massenproduktion keine Zeit für die Qualitätsprüfung jedes einzelnen Produkts lässt, kann Edge AI geeignet sein. Wenn die Qualitätsprüfung hingegen Zeit in Anspruch nimmt und man einfach nur Arbeit einsparen möchte, ist cloud AI anstelle von edge AI ausreichend.
Werfen wir als nächstes einen Blick auf die Ausfallvorhersage (vorausschauende Wartung). Hier schließt ein erfahrener Techniker auf ein Anzeichen für einen Ausfall, indem er z. B. “das Geräusch oder die Vibration des Geräts fühlt” → “diese Veränderungen bemerkt” → “die Zeit seit dem letzten Ausfall berücksichtigt” → “ein Urteil fällt”. Es wird angenommen, dass Sie dies tun. Wenn also der in das Gerät eingebaute Sensor Veränderungen bei Geräuschen und Vibrationen erfasst, die Zeit einer Zeitschaltuhr berücksichtigt usw. und eine umfassende Beurteilung mit Hilfe künstlicher Intelligenz vornimmt, ist es theoretisch möglich, ihn durch künstliche Intelligenz zu ersetzen. (In der Realität gibt es Probleme beim “Lernen” und verschiedene kleine Probleme. Die Lösung dieser Probleme kann als ein Musterbeispiel für die Fähigkeiten der Abteilung für Produktionstechnik bezeichnet werden).
In solchen Fällen ist es einfacher, einen darauffolgenden Reaktionsplan zu erstellen (dies wird als “Wartungsplan” bezeichnet), wenn die Zeit von der Vorhersage eines Ausfalls bis zur Ausgabe eines Alarms so kurz wie möglich ist. Daher kann es möglich sein, edge KI einzuführen, was einen Geschwindigkeitsvorteil darstellt, um Zeit für die Erstellung eines Wartungsplans zu gewinnen.
Darüber hinaus ist für die Einführung der künstlichen Intelligenz “Lernen” erforderlich, aber dieses “Lernen” erfordert häufig die Erfahrung eines qualifizierten Ingenieurs. Es ist daher wahrscheinlich, dass die letzte Aufgabe eines qualifizierten Technikers im Rentenalter darin bestehen wird, seine Erfahrung mehr und mehr der künstlichen Intelligenz anzuvertrauen.
Edge KI ist eines der wirksamen Mittel, um dem Ingenieurmangel zu begegnen
Bislang haben wir Edge KI beschrieben. Edge KI ist eine Technologie, die darauf abzielt, die Vorteile der künstlichen Intelligenz so schnell wie möglich zu nutzen. In der altmodischen Produktionslinie waren immer Produktionsingenieure am Band, die die Linie auf der Grundlage ihrer Erfahrung und Intuition instand hielten. Jetzt, da diese Produktionsingenieure knapp sind, kann edge KI eine der effektiven Lösungen für das Problem des Arbeitskräftemangels sein, wenn es gelingt, Urteilsvermögen und Erfahrung auf künstliche Intelligenz zu übertragen.
