Kommentar : KI-Trends für Embedded-Ingenieure
Derzeit sehen wir das bereits beim autonomen Fahren, wo KI-Algorithmen im Zusammenspiel mit anderen Designkomponenten miteinander simuliert werden müssen. So spielt künstliche Intelligenz auch für Embedded- Ingenieure eine immer größere Rolle. Folgende KI-Trends für Embedded- Systeme sind von besonderer Relevanz:
1. Mehr KI-Modelle auf Low-Power Low-Cost Embedded Devices
Der Weg vom Prototyp zu einem massenproduzierbaren, KI-gestützten Produkt ist noch immer eine Herausforderung für Embedded- System-Ingenieure. Während Modelle als Prototypen vielversprechende Ergebnisse erzielen, lassen sich diese aufgrund von Kosten für Hardware und Beschränkungen bei der Stromversorgung oft nicht eins zu eins auf den Einsatz in Edge Devices übertragen.
Ein Lösungsansatz für dieses Problem ist es, die Modelle durch Techniken wie Quantisierung oder Pruning kompakter zu machen, um auf diese Weise Rechenleistung und Speicherplatz einzusparen. Zudem sehen wir den Trend, KI mithilfe automatischer Code-Generierung schneller auf Low-Cost Low-Power FPGAs, SoCs oder ARM-Prozessoren bereitzustellen.
Eine weitere Hilfe ist, im Vorfeld mehrere KI-Modelle gegeneinander abzuwägen oder dasselbe Modell mit unterschiedlichen Parametern zu konfigurieren. So kann schnell das Verhältnis zwischen Modellgenauigkeit und Ressourcenverbrauch in der Embedded- Anwendung eingeschätzt werden.
2. KI verbindet Ingenieurswesen, Informatik, Datenwissenschaft und IT-Ausrichtung
Das Erfordernis, KI möglichst bald in der Produktion einzusetzen und einen Nutzen daraus zu ziehen, hat gezeigt, dass KI-Modelle als Teil eines technischen Systems einen Mehrwert für Unternehmen bringen.
Zudem konnten wir letztes Jahr beobachten, wie immer mehr Unternehmen KI mit einer DevOps-Strategie verfolgen. So können IT- und OT-Teams Verantwortung für die Bereitstellung, Überwachung und den Lebenszyklus von KI-Modellen in operativen Systemen übernehmen. Auf diese Weise hat zum Beispiel das Korea Institute of Energy Research ein KI-basiertes Predictive-Maintenance- Modell für einen Offshore-Windpark erstellt, ohne zuvor schon viel Erfahrung in KI-Projekten gesammelt zu haben.
3. No-Code, Low-Code, Auto-Code: KI wird zugänglicher für alle
Je mehr die Vorteile von KI-Anwendungen erkannt werden und KI ein wesentlicher Bestandteil der Arbeit von Ingenieuren wird, desto mehr halten No-Code-, Low-Codeoder Auto-Code-Methoden und -Workflows in der KI-Entwicklung Einzug, die die Anwendung von KI einer breiteren Nutzergruppe einfacher zugänglich machen. Ingenieure können so ihr Domänenwissen mit Datenwissenschaften verbinden.
Dabei ist No-Code/Low-Code/Auto- Code nichts Neues. Seit über 20 Jahren nutzen Ingenieure MATLAB und Simulink, um automatischen Code für Embedded-Systeme zu generieren. Und auch heute nutzen Unternehmen aus unterschiedlichsten Bereichen MathWorks-Tools, um KI-Projekte umzusetzen. Zum Beispiel entwickelte Mitsui Chemicals eine No-Code-Anwendung zur automatischen Inspektion von plattenförmigen Erzeugnissen in der Produktion, die bei der Sichtprüfung bis zu 80 Prozent Zeit einspart.
Fazit
Wann immer Ingenieure und Wissenschaftler nach innovativen Lösungen für Probleme suchen oder neue Applikationen erstellen, wird KI eines der ersten Tools sein, das sie für die Umsetzung erwägen. KI auf Embedded Devices wird dabei eine zentrale Rolle spielen. Für Ingenieure bedeutet dies die Herausforderung, KI-Modelle in Embedded-Systeme zu integrieren.