Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
0 8 -2 5 · w w w c o m p u t e r - a u t o m a t i o n d e | 15 Em b e d d e d K I | Te i l 3 Betrieb und Zustand der KI-Geräte und liefert so die notwendige Datengrundlage um eine Diagnose der KI-Aktivitäten vor Ort zu erstellen und eine KI-Flotte im Feld gezielt und effizient zu steuern Dies geschieht auf Basis des Datenflusses den das Fleet-Management-System ermöglicht und regelt Entscheidend sind klare eindeutig definierte Indikatoren KPIs die typischerweise mit Dashboards dargestellt werden • KI-Modellperformance Prediction Accuracy Wie genau trifft das KI-Modell seine Vorhersagen? Confidence Levels Verteilung der Vertrauenswerte Confidence Score der Modelle Anomalie-Erkennungsquote Anzahl erkannter Anomalien pro Zeitintervall oder ähnlichem • Hardware-Zustand CPU GPU-Auslastung Lastprofile der Hardware-Komponenten Temperaturund Leistungsprofile Überwachung von Gerätetemperaturen und Energieverbrauch Speicherauslastung freier und belegter Speicherplatz zur präventiven Wartung Diese KPIs werden idealerweise mittels einer Datenvisualisierung in individuell entwickelten Dashboards aggregiert mit dem Ziel eine Überwachung in Echtzeit und schnelle Reaktionen zu ermöglichen Erst durch die Kombination von Fleet Management und Observability können Embedded-KI-Systeme effizient robust und skalierbar betrieben werden Die Skalierung von KI-Flotten bringt jedoch spezifische Herausforderungen mit sich Dazu zählt zum einen der Datenschutz denn eine zentrale Speicherung sensibler Produktionsdaten kommt kaum in Frage Zum anderen betrifft dies die Themen Netzwerklatenz und Bandbreite wobei Letztere nach wie vor erstaunlich oft ein knappes Gut ist Der effiziente Austausch von Modellupdates ist also entscheidend insbesondere bei großen verteilten Gerätegruppen Effiziente Protokolle MQTT OPC UA HTTPS mit Kompression und Edge Computing können das Latenzproblem entschärfen Vor dem Hintergrund der mit der Skalierung verbundenen Herausforderungen kommt schließlich das Konzept des ‚Federated Learning‘ ins Spiel da es die Übertragung der prinzipbedingt umfangreicheren Rohdaten überflüssig macht und so angemessenen Datenschutz für den eigenen Datenschatz‘ gewährleistet Federated Learning als Lösung Federated Learning ermöglicht durch das zentrale Aggregieren von dezentral weitergelernten KI-Modellen genau das was für industrielle Anwendungen benötigt wird in denen Datenschutz und Datenhoheit essenziell sind Im Zusammenhang mit Fleet Management ergeben sich daraus neue Potenziale • Lokales Training globale Aggregation Jedes Embedded-Gerät optimiert lokal seine KI-Instanz anhand realer Betriebsdaten nur Modellparameter werden übertragen und zentral aggregiert Die Frameworks ‚Flower‘ ‚TensorFlow Federated‘ oder ‚Nvidia Clara‘ ermöglichen die technische Realisierung • Integration in Fleet Management Tool Modellupdates z Bmit Flower Framework erzeugte aggregierte Parameter können über entsprechende Plattformen direkt automatisiert verteilt werden So entsteht eine nahtlose Verknüpfung von Modelltraining Observability und Update-Rollouts • Prozessorund Hardwareauswahl Leistungsfähige Plattformen wie NXP i MX8M oder i MX93 95 bieten optimale Unterstützung für lokale KI-Trainingsprozesse und effiziente Integration in Federated-Learning-Systeme Federated Learning kann die Modellqualität verbessern und den Datenaustausch gleichzeitig reduzieren und anonymisieren Anwender können so Prozesse weiterentwickeln Anbieter freuen sich über ein kontinuierliches Geschäftsmodell und enge Kundenbeziehungen Fleet Management Observability und Federated Learning als strategische Einheit Die Kombination aus effizientem Fleet Management tiefgehender Observability und fortschrittlichem Federated Learning ist ein Ansatz um Embedded KI langfristig nutzbar zu machen Industrieunternehmen benötigen dafür ein geeignetes Fleet-Management-Tool ein passendes Federated-AI-Framework und Erfahrung im praktischen Einsatz Für Unternehmen die den Einsatz von KI nachhaltig sicher und erfolgreich gestalten möchten kann die Zusammenarbeit mit Partnern folglich auf Dauer sinnvoll sein wenn diese Erfahrung im Bereich Embedded KI und Federated Learning einbringen Embedded KI entwickelt sich zunehmend zu einem Wettbewerbsfaktor dessen sorgfältige Implementierung sich wirtschaftlich auszahlt ag Oliver Roth ist CEO von Grossenbacher Systeme und der Amalthea Gruppe zu der unter anderem auch Sabo Mobile IT gehört sps 2025 Wir sind dabei computerautomation de sps codesys 2025