Künstliche Intelligenz der Dinge – AIoT: Wenn AI und IoT aufeinandertreffen

KI (künstliche Intelligenz) oder AI (artifical intelligence) und IoT (Internet of Things) sind seit langem bedeutende Bereiche in der Technologiebranche. Aber was passiert, wenn diese beiden Bereiche zusammenkommen?

Was ist das AIoT?

AIoT, oder die künstliche Intelligenz der Dinge, verändert die Art und Weise, wie wir mit vernetzten Geräten interagieren. Doch um die AIoT und ihre Anwendungen vollständig zu verstehen, müssen wir zunächst einmal wissen, was künstliche Intelligenz und das Internet der Dinge sind.

Vereinfacht ausgedrückt, ist KI ein Forschungsgebiet, das sich mit der Simulation menschlicher Intelligenz in Maschinen beschäftigt. Dinge wie Gesichtserkennungssysteme, autonome Fahrzeuge und sogar die Textvorhersage auf Ihrem Smart Device sind allesamt gängige Beispiele für KI.

IoT bezieht sich auf die Sammlung von Geräten, die über das Internet miteinander kommunizieren. Zu den gängigen IoT-Hardwaregeräten gehören tragbare Geräte (Wearables), Smart-Home-Geräte und mit der Cloud verbundene industrielle Sensoren.

Die AIoT kombiniert KI mit dem IoT, um vernetzte Geräte in die Lage zu versetzen, Informationen zu verarbeiten und zu erlernen. Dies wiederum kann dazu beitragen, künftige Muster oder Ereignisse vorherzusagen, die Entscheidungen darüber ermöglichen, wie zu reagieren ist.

AIoT-Anwendungen: Wie wird die AIoT genutzt?

Es gibt viele Anwendungen, die bereits die Vorteile der AIoT nutzen. Jedoch sind einige der häufigsten Teilbereiche die Bildverarbeitung, das maschinelle Lernen und die Verarbeitung natürlicher Sprache.

Vision – die Bilderkennung

Machine-Vision– und Computer-Vision-Anwendungen im Rahmen des AIoT werden häufig für die Sicherheit, Qualitätskontrolle und den Arbeitsschutz eingesetzt. AIoT-Vision funktioniert durch die Definition von Parametern für das Kamerasystem. So kann es Anomalien erkennen und schnell handeln. Nehmen Sie zum Beispiel die Arbeitssicherheit.

In einem industriellen Umfeld muss eine Maschine in der Lage sein, Sicherheitsrisiken zu erkennen und schnell zu reagieren. Wenn das System ein potenzielles Sicherheitsrisiko identifiziert, bleibt nicht genug Zeit, um die Daten an ein Analysezentrum zu senden, in dem die Entscheidung getroffen werden kann. Die Entscheidung zur Handlung muss sofort getroffen werden.

Mit Machine Vision und Computer Vision sind die Kameras vor Ort in der Lage, potenzielle Sicherheitsrisiken mithilfe von Algorithmen zur Erkennung von Mustern zu ermitteln. Wenn die Kameras ein Objekt sehen, das ein Sicherheitsrisiko darstellen könnte (z. B. ein Objekt oder eine Person, die den Maschinen zu nahe kommt), werden die Maschinen automatisch angehalten. Dieser Prozess wird als „Inferenz im Edge“ bezeichnet. Mit Edge-Inferenz sind Maschinen in der Lage, Echtzeitdaten zu verarbeiten und Entscheidungen in einem Bruchteil der Zeit zu treffen, die das Cloud-Computing für dieselbe Entscheidung benötigen würde. Wenn es um Sicherheit geht, kommt es auf Millisekunden an.

Bildverarbeitungssysteme können auch so optimiert werden, dass sie persönliche Schutzausrüstung wie Schutzwesten, Schutzhelme und Schutzbrillen erkennen. Wenn eine Person einen Gefahrenbereich ohne die erforderliche Schutzausrüstung betritt, führt das System die entsprechende Aufgabe aus (z. B. die Verriegelung einer Eingangstür zum Gefahrenbereich, das Anhalten einer Maschine oder das Auslösen eines Alarms).

Der hier abgebildete OnLogic Karbon 803 bietet die Konnektivität und Verarbeitungsleistung, die moderne Bildverarbeitungsanwendungen erfordern.

Unsere Machine-Vision-Computer sind ideal für industrielle Computer-Vision-Anwendungen.

Machine Learning

Maschinelles Lernen oder Machine Learning in der künstlichen Intelligenz konzentriert sich auf die Optimierung von Prozessen durch den Einsatz von Algorithmen und Daten. Das Ziel ist, dass das System in der Lage ist, Muster in den Daten zu analysieren und Schlussfolgerungen ohne explizite Programmierung zu ziehen. Eine der häufigsten Anwendungen des maschinellen Lernens ist die Bilderkennung. Durch die Analyse von Bilddaten können Lösungen zur Bilderkennung so programmiert werden, dass sie Personen, Fahrzeuge oder Objekte identifizieren.

Die sieben Schritte des maschinellen Lernens sind:

• das Sammeln von Daten
• die Aufbereitung der Daten
• die Auswahl eines Modells
• das Trainieren des Modells
• die Evaluierung des Modells
• die Abstimmung der Parameter
• das Treffen von Vorhersagen

Mithilfe dieser Schritte ermöglicht das Machine Learning den Systemen, Bilder in Echtzeit auf der Grundlage von Daten zu erkennen, mit denen das System gefüttert wurde. Hier einige gängige Beispiele für Bilderkennung, die wir in unserem Alltag sehen können:

• Bilderkennung für autonome Fahrzeuge – selbstfahrende Autos müssen in der Lage sein, sofort anzuhalten, wenn Fußgänger:innen die Straße überqueren, ein Tier vor das Fahrzeug läuft, eine rote Ampel oder ein Stoppschild auftaucht. Mithilfe der Bilderkennung sind autonome Fahrzeuge in der Lage, diese Bilder in Echtzeit zu verarbeiten. Anschließend handeln sie basierend auf dem, wofür das System programmiert wurde. Einige Fahrzeuge können Sie beispielsweise warnen, wenn Sie von der Fahrbahn abkommen.
• Bilderkennung zur Ermittlung von Rissen und Lecks in Rohrleitungen – kleine Risse in einer Rohrleitung können für das bloße Auge unsichtbar sein. Doch selbst die kleinste Unregelmäßigkeit in einem Rohr kann zu Schäden, kostspieligen Ausfallzeiten und sogar zu Verletzungen führen. Mit der Überwachung von Maschinen durch Bilderkennung können Defekte schnell erkannt und behoben werden.
• Anwendungen der Bilderkennung im Gesundheitswesen – die Bilderkennung im Gesundheitswesen kann für Anwendungen wie die Erkennung von Knochenbrüchen, Hirntumoren, Herz-Kreislauf-Problemen und sogar bestimmten Krebsarten eingesetzt werden.

Die Karbon 700-Plattform ist ein Beispiel für ein System, das die notwendigen Anpassungsmöglichkeiten für Machine-Learning-Projekte bietet.

Unsere Deep-Learning-Computer sind ideal für komplexe Machine-Learning-Anwendungen.

NLP – die Verarbeitung natürlicher Sprache

Die Verarbeitung natürlicher Sprache (natural language processing, NLP) ist ein Teilbereich der künstlichen Intelligenz, der sich mit der Verarbeitung und dem Verständnis gesprochener und geschriebener menschlicher Sprache befasst. Die Verarbeitung von Sprachdaten erfolgt in zwei Schritten: der Datenvorverarbeitung und der Entwicklung von Algorithmen.

NLP wird in zahlreichen Anwendungen eingesetzt, darunter:

• Stimmungsanalyse – mit der Stimmungsanalyse lassen sich Kundenrezensionen analysieren und feststellen, ob das Feedback positiv oder negativ ist.
• Generierung natürlicher Sprache – eine häufige Anwendung der Generierung natürlicher Sprache (NLG) ist der Kundensupport durch den Einsatz von Chatbots.
• Absichtsklassifizierung – die Analyse von Kundeninteraktionen durch die Klassifizierung von Intentionen kann helfen, die Kunden zu identifizieren, die potenziell am Kauf eines Produkts interessiert sind.
• Maschinelle Übersetzung – viele Online-Tools wie Google translate und DeepL verwenden die maschinelle Übersetzung, um Texte von einer Sprache in eine andere zu übersetzen.

Herausforderungen und Vorteile des AIoT

Die Konvergenz von KI und IoT bringt viele Vorteile für unser tägliches Leben. Jedoch gibt es einige Herausforderungen im Zusammenhang mit dem AIoT, die die Implementierung erschweren können. Bevor Sie sich für eine AIoT-Lösung entscheiden, ist es wichtig, die Vorteile, Risiken und Grenzen der Technologie zu verstehen.

Einige der wichtigsten Vorteile, die das AIoT bieten kann, umfassen:

• verbesserte physische Sicherheit in industriellen Umgebungen
• automatisierte Prozesse durch maschinelles Lernen
• vorausschauende Wartung
• erhöhte betriebliche Effizienz
• verbessertes Risikomanagement

Eines der größten potenziellen Risiken im Zusammenhang mit der künstlichen Intelligenz der Dinge ist die Verlässlichkeit. Nehmen Sie zum Beispiel das Gesundheitswesen. Wenn man die Bilderkennung einsetzt, um Anomalien des Herzens zu erkennen, muss man sicher sein, dass das System zuverlässig ist. Selbst die ausgefeiltesten Machine-Learning-Systeme können Fehler machen, die zu potenziell tödlichen Fehldiagnosen führen können. Das ist einer der Gründe, warum es wichtig ist, bei der Implementierung von AIoT-Lösungen ein gewisses Maß an Kontrolle zu wahren.

Eine weitere Herausforderung im Bereich des AIoT ist die Voreingenommenheit. Durch maschinelles Lernen sind Computer in der Lage, Daten zu verarbeiten und Rückschlüsse auf zukünftige Ereignisse zu ziehen. Jedoch werden die Trainingsmodelle oft von Menschen erstellt. Somit können voreingenommene Informationen bewusst oder unbewusst in das System eingespeist werden.

Ein Beispiel aus der Praxis: Am 23. März 2016 veröffentlichte Microsoft einen KI-Twitter-Bot namens Tay. Mithilfe der natürlichen Verarbeitung von Sprache und maschinellem Lernen war Tay in der Lage, aus den Tweets der Nutzer:innen zu lernen und eigene Tweets zu formulieren. Die Nutzer:innen begannen jedoch, Tay mit hasserfüllten, oft rassistischen Tweets zu spammen. Aus diesen Tweets begann Tay zu lernen und sie nachzuahmen. Nachdem Tay mit seinen beleidigenden Tweets die Empörung von Twitter-Nutzer:innen ausgelöst hatte, sperrte Microsoft das Konto.

OnLogic kann Ihnen bei Ihrer AIoT-Lösung helfen

Da AIoT in unserem täglichen Leben immer mehr an Bedeutung gewinnt, ist es wichtig, die passende Hardware für Ihre AIoT-Lösung zu haben. Für diese Art von Anwendungen sind Edge-Server aufgrund der Anforderungen an die Prozessorleistung und die KI-Beschleuniger eine beliebte Option. Jedoch ist jedes AIoT-Projekt einzigartig. Wenn Sie Fragen zur AIoT haben oder mehr darüber erfahren möchten, wie unsere Hardware Ihre nächste AIoT-Lösung unterstützen kann, kontaktieren Sie unsere Expert:innen noch heute.