Startseite>Beiträge>Vertrauen Sie auf OnLogic>KI im Edge – eine Vision für die Zukunft

KI im Edge – eine Vision für die Zukunft

Von ·Kategorien: Vertrauen Sie auf OnLogic·Published On: Juni 23rd, 2022·20,5 min read·

Machine Vision und andere Lösungen, die KI im Edge-Bereich bereitstellen, ermöglichen Unternehmen aller Branchen, Dinge zu tun, die sie nie für möglich gehalten hätten. Für viele stellt sich nicht mehr die Frage, ob sie KI einsetzen werden, sondern wann. 

Ein Gespräch mit Intel über Machine Vision und KI im Edge

Maxx Garrison, Product Manager bei OnLogic, und Johnny Chen, Edge AI ISV Account Manager bei der Intel® Corporation, sprachen über KI im Edge. Es ging unter anderem darum, wie Unternehmen Hardware- und Softwarelösungen nutzen können, um KI-Projekte von der virtuellen in die reale Welt zu bringen. Wir haben die Aufzeichnung des Gesprächs als Teil unseres OnLogic Live-Events veröffentlicht und live Fragen beantwortet. Sehen Sie sich die Aufzeichnung an oder lesen Sie die folgende Zusammenfassung.

Herausforderungen im Edge

OnLogic

Wenn Unternehmen versuchen, KI im Edge-Bereich einzusetzen, ist es oft schwierig, von einem Prototypen oder einem Konzeptnachweis zu einer vollständigen Implementierung zu gelangen. Das gilt vor allem für raue Umgebungen wie Fabrikhallen, Warenlager oder sogar Fahrzeuge. 

Wenn eine Lösung in einem Labor entwickelt wird, haben Sie mit Laborsystemen, Servern und Workstations im Grunde eine unbegrenzte Datenverarbeitungskapazität. Wie kann man das in die Randbereiche verlagern, die möglicherweise eine schwierige Umgebung darstellen?

Johnny

Sie werden im Edge folgende Herausforderungen haben: 

  • Leistungsbeschränkungen
  • begrenzte Rechenleistung
  • begrenzte Bandbreite
  • eingeschränktes Internet
  • hohe Anforderungen an die Verfügbarkeit

Sie müssen die gesamte KI-Pipeline von Anfang bis Ende betrachten – die Inferenz ist nur ein kleiner Teil der gesamten Gleichung. Nachdem Sie die KI-Inferenz erfasst und verarbeitet haben, müssen Sie die Daten speichern. Dabei geht es um Zeitreihendatenbanken, intelligente Dashboards und darum, die Daten in verständlicher Form an die Benutzer:innen weiterzugeben. Dies ist die gesamte KI-Pipeline, die die Kund:innen verstehen müssen. 

Eine KI-Lösung von der virtuellen in die reale Welt bringen

Behind the scenes at OnLogic Live

Johnny

Wie kommt man vom Labor ins Edge? Ich denke, genau da wird es interessant. Intel und OnLogic haben eine hervorragende Kooperation. OnLogic hat die Core-Technologie unserer Prozessoren und XPUs in Formfaktoren wie den Karbon 800 und andere eingebracht, die wirklich für die Skalierbarkeit im Edge ausgelegt sind. Das Verständnis der Arbeitslast und der Art und Weise, wie sie bereitgestellt wird, ist der Schlüssel, um vom Konzeptnachweis zur Produktion und Skalierung überzugehen.

OnLogic

Wenn jemand versucht, ein KI-System zu bewerten, wird die Person einen Großteil dieser Arbeit im Labor durchführen, wo Zugang zu praktisch unbegrenzter Rechenleistung besteht. Wenn man beispielsweise in der Cloud ist, kann man eine weitere GPU-Instanz aufsetzen. Aber wenn man sich zum Edge begibt, wird man höchstwahrscheinlich auf stationäre Hardware angewiesen sein.

Welche Methoden oder Tools helfen den Anwender:innen dabei, die KI-Lösung richtig zu dimensionieren, wenn sie anfangs noch nicht die Erfahrung haben, bis zum Edge zu gehen?

Die Verwendung der Intel Dev Cloud

Johnny

Der erste Schritt besteht darin, Ihre Arbeitslast und Ihre Leistungs-KPIs zu verstehen. Dann können Sie die Intel Dev Cloud nutzen, um Ihre Arbeitslast in der Cloud zu testen. Und das Beste daran ist, dass wir in der Cloud Partner wie OnLogic haben. Sie haben Systeme in der Dev Cloud. Wenn Sie genau das System haben, das Sie im Edge einsetzen werden, haben Sie diesen Vorteil. Sie können Ihre genaue Arbeitslast auf dieser Hardware testen, bevor Sie die Bereitstellung vornehmen. Das macht es viel einfacher, die Hardware entsprechend zu dimensionieren.

OnLogic

Die Intel Dev Cloud besteht aus echter Hardware, die Sie im Edge einsetzen würden. OnLogic verfügt über Systeme in der Intel Dev Cloud. Das bedeutet, dass Entwickler:innen ihre Lösung auf einem OnLogic-System ausführen und überprüfen können, ob sie mit dieser Arbeitslast funktioniert. Dann können sie ihr eigenes OnLogic-System konfigurieren und es im Edge bereitstellen. Und sie haben bereits validiert, dass es funktioniert.

Einmal programmieren, überall einsetzen

Johnny

Ganz genau. Und die Idee ist, dass all diese Tools Ihnen helfen, diesen Prozess zu rationalisieren. Intel hat auch andere Tools wie OpenVINO. In unserer neuen Version OpenVINO 2022.1 gibt es sogar einen Auto-Modus. Das bedeutet, dass der Automodus den besten Inferenzprozessor auswählen kann, nachdem Sie Ihr Modell auf der Open Inference Engine ausgeführt habe. Sei es die CPU, die GPU, der Movidius-Beschleuniger und andere Dinge. Es geht nur um XPU. Es spielt keine Rolle, wo sie läuft, nur, wo sie am besten läuft.

OnLogic

OnLogic bietet zahlreiche Hardware-Varianten an. Zum Beispiel ist der Karbon 800 mit verschiedenen XPUs erhältlich: CPU, integrierte GPU, diskrete GPU, FPGA, Movidius – zahlreiche Optionen. Dann kann man den Weg hinunter zu unserem CL200 mit Movidius oder hinauf zu den Edge-Servern gehen. Wir bieten viele Optionen an, aber mit OpenVINO ist es im Grunde nahtlos möglich, diese verschiedenen Technologien miteinander zu verbinden.

Ignition Edge Gateway

Johnny

Die ganze Idee ist „einmal programmieren – überall einsetzen“. Sie setzen es also auf der Hardware ein, die für Ihre spezielle Anwendung oder für die jeweilige Umgebung geeignet ist. Sie würden kein System aus dem Serverraum nehmen und es in den Edge-Bereich stellen, wo es staubig und damit nicht die beste Umgebung ist. Es wird versagen. Alles dreht sich um die richtige Dimensionierung.

Systeme für eine raue Edge-Umgebung

OnLogic

Wir haben die Karbon 800-Serie speziell für den Einsatz im Edge entwickelt. Es ist ein robustes System. Es kann in ein Fahrzeug eingebaut werden, es kann einen LiDAR-Eingang haben und es wird den Stößen und Vibrationen sowie den hohen Temperaturen standhalten, die man in Edge-Umgebungen erwarten würde. Wenn Sie dagegen die Laborausrüstung nehmen würden, die Sie für die Entwicklung Ihrer ML verwendet haben, vielleicht den Desktop mit einer Gaming-CPU oder einen Rackmount-Server, dann sind diese nicht für den Einsatz im Edge konzipiert.

Johnny

Ein System, das nicht für das Edge konzipiert ist, wird scheitern. OnLogic kennt die Schwierigkeiten des Edge-Bereichs. Ihr habt den ganzen Tag mit Kunden zu tun, die sich im Edge, also in diesen anspruchsvollen Umgebungen befinden. Ihr habt unsere Core-Technologie mit eurem Know-how kombiniert. Daraus ist ein einzigartiges System für die Skalierbarkeit der Produktion entstanden.

Wenn man sich die heutige Produktionsumgebung ansieht, muss das System nicht nur zuverlässig sein, sondern viele dieser Systeme müssen auch eine hohe Verfügbarkeit aufweisen, da sie nicht ausfallen dürfen. Sie sind unternehmenskritisch. Wenn ein System ausfällt, verliert man die ganze Fabrik. Dabei reden wir von riesigen Verlusten.

OnLogic

Ich denke, wenn man eine skalierbare Infrastruktur hat und sich an einem Ort befindet, an dem man keine Konnektivität hat, kann man nicht einfach eine redundante Cloud-Instanz haben. Man benötigt widerstandsfähige Hardware, die auch in diesen schwierigen Umgebungen funktioniert.

Entwicklung eines Prozesses und Nachweis der Effizienz anhand von Bilddaten

Johnny

Wenn man sich außerdem die heutige Edge-Computing-Technologie ansieht, wird immer mehr davon zum Edge verlagert, weil immer mehr Entscheidungen dort getroffen werden. Bilddaten an sich sind eigentlich ziemlich nutzlos, wenn man darüber nachdenkt. Denn sie sagen nur: „Hey – das ist schiefgegangen“ oder „Das ist gut“.

Aber wenn man die Daten von der Maschine selbst, von der SPS, von den Sensoren, mit den Bildverarbeitungsdaten kombiniert – dann hat man einen Prozess. Jetzt können Sie den Prozess auditieren. Und wenn ein Teil schlecht ist, können Sie sich die Einstellungen ansehen. Auf diese Weise können Sie die Frage beantworten: Was hat dazu geführt, dass dieses Teil schlecht ist? Und wenn Sie das wissen, können Sie die Probleme korrigieren. All diese Entscheidungen müssen im Edge getroffen werden, damit sie schneller und in Echtzeit erfolgen können.

OnLogic

Einige besondere Anwendungen, die wir sehen, sind solche, die eine dynamische Anpassung ermöglichen. Man hat also Machine Vision, um das Produkt, das vom Band läuft, zu verstehen. Sie kann die Fehler identifizieren. Sie hat auch die Kontrolle über das übrige System dahinter, um Anpassungen vorzunehmen. So kann sie beispielsweise den Extrusionsprozess an die veränderte Luftfeuchtigkeit in der Fabrik anpassen. All dies kann dynamisch erfolgen, weil man diese Leistung im Edge des Systems hat und es sofort umsetzen kann. Diese geringe Latenzzeit ist für Edge-Computing entscheidend.

Johnny

Sobald all diese Daten gesammelt sind, kann man sie in der Cloud mit den Daten anderer Maschinen zusammenführen und mit der Korrelation der Daten beginnen. Dann werden Trends sichtbar und man erkennt eine Geschichte. Jetzt können Sie die Effizienz nachweisen, und zwar nicht nur für einen Standort, sondern für das gesamte Unternehmen.

Maxx and Johnny talking about AI at the Edge and machine vision

Software zur Unterstützung bei der KI-Implementierung

OnLogic

Gibt es irgendwelche Softwareentwicklungen, die das auf der Ebene der Software und der Implementierung einfacher machen würden? Diese Plattform klingt so, als wäre sie extrem komplex in der Entwicklung und Integration.

Johnny

Ja, natürlich. Neben OpenVINO von Intel bieten wir eine Reihe weiterer Toolkits an. Eines davon ist ein Referenzdesign, das wir haben – Edge Insights for Industrial. Dabei handelt es sich um einen Referenz-Software-Stack, der alles von der Daten- und Bildaufnahme über die Inferenz und die Zeitreihendatenbank bis hin zum Dashboarding umfasst. Es handelt sich um ein komplettes Referenzdesign, das wir unseren Kunden kostenlos zur Verfügung stellen. Damit können sie dann ihr eigenes Produkt für ihre spezifische Lösung entwickeln. 

Ein praktisches Beispiel für KI in der Fast-Food-Industrie

OnLogic

Wenn wir mit Kunden zusammenarbeiten, kommen sie aus den unterschiedlichsten Branchen. Können Sie ein Beispiel für ein Unternehmen nennen, das KI einsetzt?

Johnny

Ja – die Frage für die gesamte Branche ist nicht, ob sie KI einsetzen wird, sondern wann. 

Ein interessantes Beispiel, das meiner Meinung nach jeder versteht und schätzt, ist Fast Food. Fast Food kann die Vorteile von KI nutzen und das Kundenerlebnis verbessern, ohne dass die Kund:innen es überhaupt merken. 

In einem Fastfood-Restaurant kann man Kameras aufstellen, die den Drive-In-Bereich überwachen. Damit lässt sich feststellen, wie viele Autos in der Schlange stehen und wie viele Personen im Restaurant auf ihre Bestellung warten. Diese Informationen können zur Erstellung von Mikroprognosen verwendet werden. 

Wenn man darüber nachdenkt, bestellt fast jeder Pommes frites zu seinen Burgern. Wenn man also weiß, wie viele Leute in der Schlange stehen, kann man die Anzahl der Pommes frites vorhersagen und liegt damit ziemlich genau richtig. 

Eine weitere Möglichkeit, KI in einem Fastfood-Restaurant einzusetzen, besteht darin, die Qualität des Essens zu überwachen. Niemand mag durchweichte Pommes, oder? Schlechte Pommes zu bekommen, ist eines der schlimmsten Dinge, die man in einem Fast-Food-Restaurant erleben kann.

Maxx Garrison and JP Ishaq laughing during OnLogic Live - A Vission of the future

Eine Kamera könnte in der Küche angebracht werden, um die Qualität des Essens zu überwachen. Wann wurden die Pommes gemacht? Wie lange waren sie dort? War das zu lange? Sollte man sie einfach wegwerfen, anstatt sie zu servieren? All diese Dinge dienen der Verbesserung der Qualität und des Kundenerlebnisses. Und das Beste daran ist, dass es nicht nur die Kundenerfahrung verbessert, sondern auch die Erfahrung für das Unternehmen, denn jetzt sind Sie effizienter. Sie haben einen besseren Service und Sie haben tatsächlich Datenpunkte darüber, wie alle Ihre Restaurants arbeiten.

OnLogic

Ja, ich kann mir vorstellen, dass man in dieser Situation, wenn man das Gleiche ohne KI machen wollte, einen Kontrollraum mit Leuten bräuchte, die die Schlangen überwachen. „Es sind fünf Leute in der Schlange. Ihr müsst mehr Pommes holen!“ Diese Ressourcen haben wir in diesen Unternehmen nicht. Die KI kann hier einspringen und das Geschäft auf eine Art und Weise erweitern, die in der Vergangenheit nicht möglich war.

Johnny

Und das Beste daran ist, dass es den Beschäftigten das Leben leichter macht. Denn jetzt müssen sich die Mitarbeitenden nicht mehr abhetzen. Sie wissen im Voraus, wieviel Essen sie zubereiten müssen. Und das ist ein weiterer Punkt. Es kann die Lebensmittelverschwendung verringern, weil man nicht zu viel zubereitet. Man hat eine viel bessere Vorstellung davon, wie viele Speisen man zu einem bestimmten Zeitpunkt braucht.

Die Brownfield-Implementierung von KI

OnLogic

Eine der besonderen Herausforderungen, die wir sehen, sind ältere Fertigungsstätten. Es gibt viele nicht mehr ganz neue Fabriken und dennoch möchten sie die KI-Fähigkeit einführen. Ist das mit der heutigen Technologie machbar?

Johnny

Auf jeden Fall. Ich denke, einer der größten Wachstumsbereiche ist die bestehende Infrastruktur – oft auch als Brownfield-Infrastruktur bezeichnet. Wie kann man sie aufrüsten? Die Wahrheit ist, dass niemand eine bestehende Fabrik komplett aufrüsten wird, um sie intelligent zu machen. Warum sollte man das tun, wenn die Anlagen seit 20 Jahren einwandfrei funktionieren?

Hier kommen die IoT-Gateways von OnLogic mit ihren zahlreichen Schnittstellen ins Spiel. Sie sind in der Lage, Schnittstellen zu SPS und herkömmlichen älteren Maschinen zu bilden. Sie können Daten von ihnen abrufen und digitalisieren.   

Die Verwendung von Software zur Zusammenführung von Daten

Johnny

Des Weiteren unterhält OnLogic eine hervorragende Partnerschaft mit Inductive Automation. Deren Ignition-Software führt all diese Daten zusammen. Schließlich werden die Daten nicht weniger, sondern immer mehr. In diesen älteren Fabriken gibt es nun eine Möglichkeit, all diese Daten zu digitalisieren. An dieser Stelle wird die Technologie wirklich spannend. Denn jetzt, wo alle Daten zusammengeführt sind, kann man anfangen, diese älteren Fabriken sinnvoll zu nutzen und die Effizienz zu verbessern. In der Vergangenheit konnte man die Informationen einfach nicht sehen.

OnLogic

Wenn wir diese älteren Fabriken betrachten, haben Sie vielleicht eine ältere SPS, die die Ausrüstung steuert, und Sie haben eine SPS und dann ein Gateway und einen Edge-Server in der Cloud, und wir betrachten dabei zukünftige und neue Fabriken. Wie wird sich Ihrer Meinung nach die Topologie der Anlagen weiterentwickeln? Werden wir zu Soft-SPSen mit eingebauten Beschleunigern übergehen oder erwarten Sie immer noch eine solche Aufspaltung der Funktionen?

Verlagerung zum Edge für die Entscheidungsfindung in Echtzeit

Johnny

Ich sehe immer noch einige Ausreißer, aber ich sehe, dass Computer immer mehr zum Edge verlagert werden. Einer der wichtigsten Punkte bei der Verschiebung zum Edge ist, dass man Entscheidungen in Echtzeit treffen möchte. Bei der Fehlererkennung muss man sehen können, was vor sich geht. Sie wollen diese Maschinen in Echtzeit anpassen können. Um dies zu ermöglichen, wird immer mehr Datenverarbeitungsleistung zum Edge verlagert. 

Aber der andere Aspekt besteht darin, dass man all diese korrelierten Daten auch in die Cloud stellen möchte. Die hybride Architektur wird sich immer mehr durchsetzen. Es werden immer mehr Daten in die Cloud gestellt. Jedoch nur die wichtigen Daten. Daten, die im Edge verarbeitet wurden. Sie können dann in ein Dashboard in der Cloud gestellt werden. Auf diese Weise können alle Mitarbeitenden des Unternehmens die Daten einsehen und sie sinnvoll nutzen. 

OnLogic

Ein gutes Beispiel dafür ist ein Kunde, der LiDAR-Daten von einem Fahrzeug aufnehmen kann. LiDAR erzeugt eine riesige Menge an Daten – die meisten davon sind nicht nützlich. Aber wenn es einen Teil dieser Daten gibt, der nützlich ist? Diese können in die Cloud hochgeladen werden, um später Modelle zu trainieren, richtig?

Johnny

Ganz genau. Und genau deshalb ist die Edge-Intelligenz so wichtig. Denn die Datenmenge wird nicht kleiner, sondern wächst schneller und immer mehr. Das Problem ist, wie sortiert man all diese Daten? Früher brauchte man eine Person, die sich hinsetzte und die Daten manuell sortierte. Aber jetzt kann die KI die Daten automatisch sortieren und Ihnen nur das präsentieren, was relevant ist. So werden wir effizienter und besser in diesem Bereich. Das Spannende an unserer Partnerschaft ist, dass Sie mit Alder Lake-S eine sehr skalierbare Plattform schaffen können. 

Eine skalierbare Plattform für KI

Johnny

Skalierbarkeit ist insgesamt, insbesondere bei der KI, sehr wichtig. Bei OpenVINO von Intel dreht sich alles um „einmal schreiben, überall einsetzen“. Man kann es auf kleinen Systemen bis hin zu Systemen der Serverklasse einsetzen und unser Code bleibt derselbe. In gewisser Weise. Ich denke, das ist auch das Spannende an der Karbon-Serie. Was ihr getan habt, ist eine Plattform für KI zu schaffen. Ihr habt eine hohe iGPU-Zahl auf dem Alder Lake-P, den ihr entwickelt habt. Aber OnLogic hat mit der Alder Lake-S-Serie auch ein skalierbares System geschaffen, das mit GPUs und PCIe-Karten skalierbar ist. Die andere große Sache sind die Netzwerkanschlüsse.

OnLogic-Systeme verfügen über zahlreiche Netzwerkanschlüsse, denn wovon wird die ganze Bildverarbeitung betrieben? Es sind Kameras – PoE-Kameras und so weiter. Ich denke, das Spannende ist, was Ihr mit Alder Lake erschaffen habt, nämlich die Entwicklung der Karbon-Serie, die zu einer skalierbaren Plattform für KI geworden ist.

OnLogic

Im unteren Bereich haben wir Alder Lake-P. Es ist ein sehr komplexes System, das aber eine wirklich leistungsstarke iGPU hat. Wenn Sie OpenVINO verwenden, können Sie die Vorteile für KI-Arbeitslasten wirklich nutzen. Wenn man dann auf den Karbon 800 aufsteigt, kann man sich wirklich auf die hohe CPU-Leistung konzentrieren. Aber auch, wie du sagtest, die Erweiterbarkeit und die Modularität der I/O.

OnLogic bietet mit der Karbon 800-Serie vier Systeme an. Wenn wir uns diese Edge-KI-Anwendungen ansehen, haben Sie recht, es geht um Machine Vision und Sie müssen Kameras anschließen. Speziell beim K804 sind bis zu 22 PoE-Kameras oder 30 USB-Kameras möglich. Natürlich müssen Sie auch hier Ihre AI-Arbeitslasten richtig einschätzen, damit Sie all diese Daten tatsächlich erfassen und verarbeiten können. Doch wir bieten eine skalierbare Plattform, auf der wir für fast jede Anwendung ein System finden können, das für die KI-Arbeitslast geeignet ist.

Photo of the Karbon 804 rugged edge computer has ability to power 22 PoE Cameras

Mehr leisten mit KI im Edge

Johnny

Und diese Skalierbarkeit wird im Edge immer wichtiger werden. Denn viele Unternehmen werden, wenn sie erst einmal auf den Geschmack gekommen sind, was sie mit KI machen können, immer mehr Funktionen durch Software hinzufügen und immer mehr KI im Edge einsetzen wollen.

OnLogic

Wir sind wirklich gespannt darauf, was die Zukunft der KI unseren Branchen bringen wird. Alle Kunden, mit denen wir zusammenarbeiten, setzen sich intensiv für den Einsatz von KI im Edge-Bereich ein. Ich denke, das Faszinierende an der Arbeit mit Edge-Unternehmen ist, dass wir sie in der Produktion sehen. Das sind nicht nur Forschungsprojekte. Wir sehen diese tatsächlichen Vorteile in der Praxis und sie sind real.

Johnny

Ja, absolut. Wie wir vorhin schon sagten, ist es keine Frage des „ob“, sondern des „wann“.

Zusammenfassung

Three pictures of JP and Darek having a conversation during OnLogic Live - AI at the Edge

JP Ishaq, Director of Product Enablement, und Darek Fanton, Communications Manager, gaben nach dem vorab aufgezeichneten Gespräch zwischen Maxx und Johnny zusätzliche Einblicke und Informationen.

Künstliche Intelligenz – nicht eine Frage des Ob, sondern des Wann

Darek

Was waren einige der wichtigsten Erkenntnisse aus dem Gespräch zwischen Maxx und Johnny?

JP

Es ist wirklich spannend zu sehen, wie dieses Ökosystem Gestalt annimmt. Durch die Partnerschaft von OnLogic und Intel sind wir in der Lage, skalierbare Lösungen für neue Anwendungen anzubieten. Wie Johnny sagte, ist künstliche Intelligenz keine Frage des Ob, sondern des Wann. In vielen Fällen ist dieses „Wann“ jetzt. Wir sehen das überall. Es reicht von der Analyse im Einzelhandel, um das Einkaufserlebnis der Kunden zu verbessern, bis hin zum Einsatz in der industriellen Automatisierung zur Unterstützung der vorbeugenden Wartung und der Produktqualität. 

Was ist Inferenz in der KI?

Bei KI-gestützten Anwendungen sprechen wir von Machine Learning oder Deep Learning. Dabei handelt es sich um den Prozess der Erstellung eines Modells und dessen Training mithilfe von Hochleistungscomputern und Cloud-Computing. Die Inferenz erfolgt, nachdem das Modell für die Objekterkennung trainiert wurde und Sie es nun tatsächlich zur Erkennung eingehender Daten (meist Bilder oder Videos) verwenden.  

Was ist Brownfield im Vergleich zu Greenfield?

Die Begriffe „Brownfield“ und „Greenfield“ werden in verschiedenen Branchen verwendet, bezeichnen aber im Wesentlichen das Gleiche. Im Bereich der Hardware ist die Bereitstellung eines Greenfield-Projekts eine neue Installation, die von Grund auf individuell gestaltet werden kann. Dazu gehören alle neuen Geräte, Hardware, kundenspezifische Software-Stacks, Peripheriegeräte und Protokolle.

Im Gegensatz dazu wird bei einem Brownfield-Projekt die vorhandene Infrastruktur genutzt und in sie integriert. Dies bringt einige besondere Herausforderungen mit sich, die sich aus der Integration bestehender Altgeräte ergeben. Das ist einer der Gründe dafür, dass viele unserer Systeme mit Anschlüssen ausgestattet sind, die in der Welt der Verbraucher-Computer als „antiquiert“ gelten würden. Darunter fallen beispielsweise COM-Anschlüsse. Viele der Geräte in bestehenden Fabriken benötigen diese Anschlüsse. Außerdem sind sie oft nicht in der Lage, mit Netzwerkressourcen oder der Cloud zu kommunizieren. Deshalb sind IoT-Gateways zu einem so wichtigen Bestandteil der Hardware-Landschaft geworden. OnLogic zeichnet sich durch die Unterstützung dieser modernsten Performance bei gleichzeitiger Erhaltung der bestehenden Konnektivität aus.

KI für Machine Vision in Aktion

Ein Beispiel für ein innovatives Unternehmen, das sich eine OnLogic-Lösung zunutze gemacht hat, ist Datacadabra in den Niederlanden. Sie haben eine intelligente Lösung für das Mähen von Straßenrändern entwickelt, den Mowhawk. Mithilfe von Machine Vision kann er invasive Arten, Abfälle oder sogar Tierhabitate erkennen und dem Mäher Anweisungen geben, welche Bereiche er umfahren oder vermeiden soll.

Mohawk roadside mower with machine vision by Datacadabra

Dies ist ein hervorragendes Beispiel für eine Lösung mit künstlicher Intelligenz und Machine Learning, die heute eingesetzt wird. Als Verbraucher:in kommen Sie vielleicht jeden Tag an unglaublichen KI- und Machine-Vision-Lösungen vorbei und wissen es nicht einmal. Der Traktor am Straßenrand könnte also tatsächlich eine Bildverarbeitungslösung sein. 

Beispiele für interessante aktuelle oder künftige Hardware-Technologien

Wie wir bereits erwähnt haben, freuen wir uns sehr über die Veröffentlichung unserer Karbon 800-Serie, die auf der Intel-Plattform der 12. Generation – früher bekannt als Alder Lake – basiert. In Kürze werden wir weitere Systeme auf Alder Lake-Basis vorstellen – bleiben Sie also dran. Wir bieten mehr Möglichkeiten für verschiedene Anwendungen, die mit unterschiedlichen Skalierbarkeitsstufen der Architektur bedient werden können. 

Skalierbarkeit ist das Stichwort schlechthin! Egal, ob es sich um eines unserer K800-Modelle handelt, das sowohl den integrierten Alder Lake-Prozessor unterstützt als auch zusätzliche Peripheriegeräte und Konnektivität hinzufügen kann, oder um eines unserer kleineren Gateways. Wir haben für unsere Kunden eine passende Lösung. 

Unsere Partnerschaft mit Intel ermöglicht es uns, die Leistung der neuesten Generationen zu nutzen. Gleichzeitig können wir unsere Kunden weiterhin unterstützen und ihre Hardware-Plattformen warten. 

Ein Teil der Skalierbarkeit besteht darin, sicherzustellen, dass Sie die richtige Lösung für den Moment haben und auch die Möglichkeit, im Laufe der Zeit mit der Entwicklung Ihrer Anwendung mitzuwachsen. Wir bieten zum Beispiel mehrere Modelle unserer K800-Serie an: K801, K802, K803 und den K804. Letzterer kann sogar eine GPU nutzen. Sie haben also die Möglichkeit, flexibel zu entscheiden, wo die Datenverarbeitung stattfinden soll.

Was macht Alder Lake zu einem guten Ausgangspunkt für KI?

Natürlich sehen wir einen Zuwachs an Gesamtleistung und Rechenkapazität. Besonders interessant ist jedoch die hybride Architektur. Sie kombiniert sowohl leistungsstarke als auch effiziente Cores, sodass Sie wirklich auf die benötigte Arbeitslast skalieren und sehr unterschiedliche Arbeitslasten bewältigen können.  

Außerdem ist die integrierte GPU beispiellos in ihrer Fähigkeit, KI-Arbeitslasten zu bewältigen, ohne dass eine externe oder zusätzliche Peripherie erforderlich ist. Das ist etwas, das wir in diesem Umfang noch nicht gesehen haben. Bei Bedarf übernehmen unsere Systeme die gesamte Integration zusätzlicher Peripheriegeräte. So können unsere Kunden ihre Lösung genau auf ihre jeweilige Anwendung abstimmen.