Laden...
Laden...
Laden...
Industrielles IoT23. Juli 20257 min Lesezeit

Smarter Warehousing: Warum die KI-Vision eine Edge-Native-Plattform braucht

Dieses geschäftige Industrievertriebszentrum bietet große, geschäftige Versandhallen mit ordentlich organisierten Frachtbereichen und geschäftigen Gabelstaplern, die Pakete transportieren. Weniger anzeigen

Dieser Artikel wurde von unseren Freunden bei Avassa geschrieben. Mehr über unsere Partnerschaft erfahren Sie hier.

Heutige Lagerhäuser verlassen sich zunehmend auf Bildverarbeitungs- und KI-Anwendungen, die von der Erkennung von Defekten in Millisekunden über die Führung autonomer Gabelstapler durch enge Gänge bis hin zur Optimierung von Palettenkonfigurationen in Echtzeit alles leisten. Um das volle Potenzial moderner Anwendungen im Warehousing auszuschöpfen, müssen die Infrastrukturteams für die nächste Generation von Anwendungen, die auf speziell entwickelten Edge-Native-Plattformen laufen, vorausplanen.

Beispiele für die Automatisierung von Warenlagern

Warum Lagerhäuser perfekt für Edge-Native AI geeignet sind

Lagerhäuser erzeugen riesige Datenmengen von Geräten wie Kameras, Sensoren und Automatisierungssystemen, die vor Ort verarbeitet und bearbeitet werden müssen. Die Ausführung von Anwendungen in der Cloud führt zu Latenzengpässen und zu einer Anfälligkeit des Betriebs in Umgebungen, in denen die Betriebszeit nicht verhandelbar ist.

KI-Vision-Modelle gedeihen daher am besten, wenn sie direkt am Rand des Lagers eingesetzt werden, wo sie in Echtzeit reagieren und auch dann weiterarbeiten können, wenn die Cloud nicht erreicht werden kann. Damit das skaliert werden kann, benötigen die Anwendungsteams eine Infrastruktur, die nicht nur den Edge-Bereich unterstützt, sondern tatsächlich für die besonderen Umstände des Edge-Computing konzipiert ist.

Cloud-native Tools, erweitert auf den Lagerrand

Moderne Softwareteams setzen auf Container, CI/CD-Pipelines und deklarative Konfigurationen, um Anwendungen effizient in der Cloud bereitzustellen. Dieselben Grundsätze sind auch für den Randbereich wichtig, allerdings nur, wenn sie an die dortigen Zwänge angepasst sind.

Eine effektive Edge-Native-Plattform muss die Container-Orchestrierung auf entfernte, ressourcenbeschränkte Knoten bringen. Sie muss sichere Remote-Aktualisierungen von Anwendungen unterstützen, die auch bei langsamen oder unzuverlässigen Verbindungen funktionieren. Und, was vielleicht am wichtigsten ist, die Bereitstellung muss intelligent sein: Sie muss logisch und deklarativ auf der Grundlage der Fähigkeiten des Standorts erfolgen (anstelle von endlosen statischen Standortlisten in einer Excel-Tabelle), damit die richtige Anwendung am richtigen Ort ausgeführt wird.

Diese Umstände treiben die Lager- und Logistikbranche voran und legen die Messlatte für die Software- und Hardware-Infrastrukturkomponenten in den Randbereichen höher.

Die Orchestrierung muss deklarativ, skalierbar und auch in Offline-Szenarien belastbar sein.

In modernen Edge-Umgebungen lassen sich statische Skripte und manuelle Bereitstellungspläne einfach nicht skalieren. Bildverarbeitungs- und KI-Anwendungen müssen auf der Grundlage der an den einzelnen Standorten verfügbaren Ressourcen bereitgestellt werden, d. h. unabhängig davon, ob diese über einen Grafikprozessor, angeschlossene Kameras oder ausreichende Rechenleistung verfügen. Dies erfordert ein gezieltes Bereitstellungsmodell, bei dem die Anwendungen deklarativ beschrieben werden.

Beispiel: Bereitstellung von vision-model-X auf allen Geräten mit GPU + Kamera

Die Plattform sollte die Einsätze kontinuierlich bewerten und an die tatsächlichen Gegebenheiten anpassen. Wenn Hardwarefunktionen hinzugefügt oder entfernt werden, konfiguriert sich das System automatisch neu. Kein manuelles Eingreifen erforderlich.

Dieser Ansatz reduziert nicht nur den betrieblichen Aufwand, sondern sorgt auch für Konsistenz und Schnelligkeit bei der Einführung von KI, was in Umgebungen wie der Lagerhaltung, wo Reaktionsfähigkeit und Betriebszeit entscheidend sind, von entscheidender Bedeutung ist. Darüber hinaus können die Entwickler von den Details der Infrastruktur abstrahieren und erhalten so ein Cloud-ähnliches Erlebnis am Netzwerkrand. Dies fördert sowohl die Geschwindigkeit der Funktionen als auch die Innovation und verschafft letztendlich einen Wettbewerbsvorteil.

Die Hardware muss zuverlässig, robust und einsatzbereit sein.

Ein Industriecomputer in einer Lagerumgebung

Die Orchestrierungsschicht ermöglicht zwar die Automatisierung, ist aber nur so effektiv wie die Hardware, auf der sie läuft. Lagerhäuser sind anspruchsvolle Umgebungen mit schwankenden Temperaturen, Staub, Vibrationen und Platzmangel, und die Hardware muss diesen Herausforderungen gerecht werden, ohne die Leistung zu beeinträchtigen.

Moderne Edge-Geräte sind dieser Aufgabe gewachsen. Lüfterlose Designs, stoßfeste Konstruktionen, integrierte GPU-Unterstützung und Multi-Kamera-Eingänge sind jetzt in kompakten, robusten Formfaktoren erhältlich. Diese Geräte bieten nicht nur die nötige Leistung für KI-Inferenzen am Netzwerkrand, sondern unterstützen auch containerisierte Arbeitslasten, sodass sie sich nahtlos in Cloud-native Plattformen einfügen lassen.

Die Zukunft des KI-gesteuerten Warehousing mit eigens für diesen Zweck entwickelten Edge-Plattformen

Diese neue Generation der Supply-Chain-Innovation erfordert einen Best-of-Breed-Ansatz: Software und Hardware, die nicht nur für den Edge-Bereich, sondern auch für die Zusammenarbeit entwickelt wurden. Es geht darum, den Entwicklern die Möglichkeit zu geben, schnell zu arbeiten, ohne die Kontrolle zu verlieren, und den Betriebsteams die Werkzeuge an die Hand zu geben, um in Echtzeit zu beobachten, zu orchestrieren und zu handeln.

Avassa stellt die Orchestrierungsschicht bereit, die Cloud-native CI/CD-Workflows in Edge-Umgebungen bringt und die feinkörnige, deklarative Bereitstellung von containerisierten KI-Workloads auf der Grundlage dynamischer Standortbedingungen wie GPU-Verfügbarkeit oder Sensorpräsenz ermöglicht. OnLogic liefert die robuste, industrietaugliche Hardware, die speziell für Edge AI entwickelt wurde, mit Rechenleistung, Konnektivität und Zuverlässigkeit, die für die realen Lagerbedingungen ausgelegt sind. Ihr Direktvertriebsmodell und ihre Ressourcen in der Region gewährleisten außerdem einen hervorragenden Support vor und nach dem Verkauf und eine wirklich unkomplizierte Zusammenarbeit.

Gemeinsam ermöglichen Avassa und OnLogic Führungskräften in der Lieferkette die schnellere Bereitstellung intelligenter Anwendungen mit voller Transparenz und Ausfallsicherheit, vom Rechenzentrum bis zum Lager.

Sind Sie bereit, loszulegen? Setzen Sie sich mit dem Avassa Team in Verbindung, um mehr über die Orchestrierungslösungen zu erfahren, oder wenden Sie sich an einen OnLogic Solution Specialist, um Ihre Hardwareanforderungen zu besprechen.

Carl Moberg - CTO von Avassa
Carl Moberg
CTO and co-founder of Avassa, Avassa
Carl Moberg, CTO and co-founder of Avassa, has a long history in automation and orchestration, from dial-up ISP platforms to multi-vendor networks. Now he spends his days obsessing over how to deliver a distributed edge control plane that developers and platform teams love.

Bleiben Sie auf dem Laufenden.

Seien Sie unter den Ersten, die Zugang zu den neuesten Produkten und Industrie 4.0-Innovationen, OnLogic-Events und mehr erhalten.