{{{sourceTextContent.title}}}

KI-Systeme für Anwendungen in allen Branchen

{{{sourceTextContent.subTitle}}}

Leistungsstarker Kontron IoT Rackmount Server KISS V3 4U SKX-AI

KI-Systeme für Anwendungen in allen Branchen

Anwendungen im Bereich der Künstlichen Intelligenz (KI) finden zunehmend Einzug in fast alle Branchen und sind ein entscheidender Faktor für den Fortschritt der unternehmerischen Wertschöpfung. Die digitale Transformation erfordert immer kürzere Innovationszyklen aus Wissenschaft und Forschung sowie von Technologieanbietern und auch eine neue Leistungsspitze in Hard- und Software, da KI-Anwendungen nur auf der Basis daten- und rechenintensiver Prozesse realisiert werden können.

Gesundheitswesen: Ein schnellerer Wettlauf gegen die Zeit mit KI

In der Patientenbehandlung kann die KI beispielsweise zeitliche Vorteile in Bezug auf Prävention, Diagnose und Therapie bieten. Mit dem Grad der Befunde wie Röntgen, CTA, MRT oder Ultraschall steigen die Heilungschancen. KI-Anwendungen, die große Datenmengen in kurzer Zeit strukturieren und analysieren, sind notwendig, um die Diagnosen des medizinischen Personals zu ergänzen. Es dauert nur wenige Sekunden, bis sie Ergebnisse zur Beurteilung durch den Arzt liefern. KI-Systeme können Daten aus Quellen wie bildgebenden Verfahren, Genomik und Proteomik verknüpfen und bieten eine wichtige Unterstützung für Prävention und Therapie. Bei epidemischen und metastasierten Erkrankungen ist die Schnelligkeit mit einer Null-Fehlerquote entscheidend für die Diagnose, Therapie und Genesung des Patienten.

Energiewirtschaft: Vorausschauende Instandhaltung durch präventive Diagnose

Die von der KI unterstützte Produktion und Energieversorgung ermöglicht reibungslose Abläufe und die frühzeitige Vermeidung von Fehlfunktionen durch präventive Diagnosesysteme. KI-basierte vorausschauende Instandhaltungsstrategien für die Energieversorgung und die industrielle Automatisierung optimieren die Instandhaltung von Anlagen, ermöglichen eine Echtzeit-Fernsteuerung und passen Wartungspläne an die realen Bedingungen an. Maschinen- und Tiefenlernen hilft, Abweichungen mit Hilfe von Planungsalgorithmen frühzeitig zu erkennen und Anomalien wie Ungleichgewichte, Fluchtungsfehler oder Risse im Material von Turbinen und Kompressoren anzuzeigen. Die Datenanalyse der KI-Systeme ermöglicht es, Dysfunktionen zu erkennen, sobald sie auftreten, noch bevor sie sich negativ auswirken. Sie helfen, Produktionsausfälle und mögliche Gefahren für die Systemsicherheit, den Anlagenbetrieb, die kontinuierliche Versorgung und die Umwelt zu vermeiden

Skalierbare Rechenleistung für ML, DL, Inferencing, etc

In jeder Branche sind leistungsfähige Hard- und Softwarekomponenten unerlässlich, wenn KI-Lösungen auf Basis von Deep Learning, Machine Learning und Inferencing ihre Rolle als systemkritische Anwendungen erfüllen sollen. Die Systeme müssen große Datenmengen in sehr kurzer Zeit analysieren. Die für die Parallelverarbeitung erforderliche Rechenleistung wird von Multicore-CPUs, Video Processing Units (VPUs), Graphics Processing Units (GPUs) oder Field Programmable Gate Arrays (FPGAs) bereitgestellt, die neuronale Netze mit Rechenleistung im Bereich von Tera-Operationen pro Sekunde berechnen. Die Intel® OpenVino™ Video Processing API, die vom IIoT-Software-Framework SUSiEtec unterstützt wird, ermöglicht es, einmal erstellte neuronale Netzwerkmodelle zu skalieren und optional auf Intel® Multicore-CPUs, GPUs, VPUs und FPGAs auszuführen, was eine exponentielle Leistungssteigerung ermöglicht. Bestehende trainierte neuronale Netzwerkmodelle können mit geringem Aufwand auch auf Intel® OpenVino™ umgestellt werden. Neben Intel®- und NXP-basierten Plattformen für Inferencing setzt Kontron als NVIDIA Preferred Partner seit Juli 2019 auch GPUs des internationalen Marktführers für Grafikkarten und GPUs für Deep Learning (Training) ein

NVIDIA GPUs sind Teil des derzeit leistungsfähigsten Kontron Rackmount-Servers KISS V3 4U SKX-AI. Der skalierbare Server ist mit zwei leistungsstarken Prozessoren der Intel® Xeon® SP-Serie ausgestattet, die um zwölf DIMM DDR4-2666 Module und bis zu 768 GB RAM mit ECC-Unterstützung erweitert werden können. Bis zu drei doppeltbreite High-End-GPU-Karten NVIDIA® TESLA® V100 bieten eine extrem hohe GPU-Leistung. GPUs führen genau die Matrixmathematik aus, die für die Darstellung und Simulation künstlicher Neuronen erforderlich ist. NVIDIA GPUs unterstützen daher Intel® Xeon® Prozessoren beim Training neuronaler Netze. Für die Softwareentwicklung können Anwender das leistungsstarke CUDA Toolkit von NVIDIA verwenden

Lösungen für maschinelles und tiefes Lernen

Rechenleistung, ob lokal oder aus der Cloud, ist immer notwendig für maschinelles und tiefes Lernen. In der Regel werden vorgefertigte neuronale Netze für automatisierte Erkennungsfunktionen geschult. Der gesamte Prozess des Deep Learning besteht aus vier Phasen:

1. Entnahme der Proben

2. Trainingsphase

3. Transformation des erlernten Netzwerks

4. Integration des trainierten Netzwerks in ein Produkt

Für KI-Anwendungen, die Ergebnisse in kurzer Zeit oder sogar in Echtzeit liefern müssen, ist ein Edge-Computer erforderlich, der eng mit der Anwendung im Netzwerk verbunden ist. Für das Training neuronaler Netze ist es oft sinnvoll, die großen Serverkapazitäten in der Cloud zu nutzen, aber es gibt auch viele Fälle, in denen das Trainingsmaterial lokal bleiben muss und ein Edge-Trainingsserver eingesetzt wird

Ein Beispiel ist die Sichtprüfung. Dabei werden Aufnahmen von einer Kamera, die entweder über USB oder über ein Netzwerk verbunden ist, direkt am Edge-Gerät analysiert und ausgewertet, z.B. KBox B-202-CFL oder KISS V3 4U-SKX durch ein trainiertes neuronales Netzwerk in einem Prozess namens "Inferenz". Neben der visuellen Inspektion sind auch KI-Anwendungen in der Texterkennung und -wiedergabe sowie die Audio- und Verhaltensmustererkennung möglich. Die Audioerkennung kann beispielsweise eingesetzt werden, um ungewöhnliche Vibrationen zu identifizieren, die auf ein fehlerhaftes Maschinenteil hinweisen. So können beispielsweise die Achsen von Zügen während des Betriebs überprüft werden. Firewalls in IT-Netzwerken können lernen, was dem normalen Verhalten im Netzwerk entspricht, bei ungewöhnlichen Aktivitäten alarmieren und Schutz- und Abwehrmaßnahmen einleiten.

Ausblick und Aufgaben der KI

Prof. Dr. Andreas Dengel, DFKI-Standortleiter in Kaiserslautern, fasst die Aufgaben zusammen, die die KI in Zukunft zu erfüllen haben wird: "Menschen haben Erfahrung und handeln intuitiv. Auf der Grundlage großer Datenmengen kann KI Handlungsvorschläge machen oder Aufgaben übernehmen, die für den Menschen unmöglich sind. Die große Chance dieser Symbiose für die Arbeit liegt darin, dass die KI als intellektueller Leistungsförderer fungiert und damit die menschlichen Fähigkeiten ergänzt und erweitert. Es ist wichtig, Entscheidungsprozesse transparent und nachvollziehbar zu machen und dafür internationale Standards zu definieren." (Quelle)

+++