KI bewegt sich langsam in die Fabrikhalle

SAN JOSE, Kalifornien – Tiefe neuronale Netze kriechen in Richtung Fabrikhalle.

Für einige Early Adopters sind neuronale Netze die neue Intelligenz, die hinter den Augen von Computer-Vision-Kameras eingebettet ist. Letztendlich werden sich die Netzwerke in Roboterarme, Sensor-Gateways und Controller schlängeln und die industrielle Automatisierung verändern. Aber die Veränderung kommt langsam.

„Wir befinden uns noch in der Anfangsphase einer wahrscheinlich jahrzehntelangen Ära des Fortschritts und der Algorithmen des maschinellen Lernens der nächsten Generation, aber ich denke, wir werden in den nächsten Jahren enorme Fortschritte sehen“, sagte Rob High, Chief Technologiebeauftragter für IBM Watson.

Neuronale Netzwerke werden sich in eine wachsende Zahl von Linux-fähigen Multicore-x86-Gateways und -Controllern einbetten, die in und um die Fabrikhalle herum auftauchen. Die aufkommenden 5G-Mobilfunknetze werden eines Tages neuronalen Netzen den Zugriff auf entfernte Rechenzentren ermöglichen, sagte High.

Auto- und Flugzeughersteller sowie Gesundheitsdienstleister gehören zu denjenigen, die erste Schritte unternehmen, hauptsächlich mit intelligenten Kameras. Canon bettet Nvidia Jetson-Boards in seine Industriekameras ein, um Deep Learning zu aktivieren. Der Hersteller von Industriekameras Cognex Corp. baut sein eigenes Angebot aus. Und das chinesische Startup Horizon Robotics liefert bereits Überwachungskameras aus, in die seine Deep-Learning-Inferenzbeschleuniger eingebettet sind.

„Alle Early Adopters haben Deep Learning für die visuelle Wahrnehmung eingesetzt, und andere beginnen, sie zu bemerken“, sagte Deepu Talla, General Manager für autonome Maschinen bei Nvidia. „Wahrnehmung ist relativ einfach und Forscher sehen darin ein gelöstes Problem.

„Jetzt sind die großen Probleme die Verwendung von KI für die Interaktion mit Menschen und die detailliertere Betätigung – das sind 10-Jahres-Forschungsprobleme. In Bereichen wie der Drohnen- und Roboternavigation befinden wir uns eher im Prototypenstadium.“

Talla nennt Robotik „die Schnittstelle von Computern und KI“, aber viele industrielle Anwendungen von Deep Learning werden weniger glamourös sein – und früher eintreffen.

Fabrikroboter verwenden noch keine KI, sagte Doug Olsen, CEO von Harmonic Drive LLC, einem führenden Anbieter von Roboterkomponenten. Achten Sie kurzfristig nicht auf intelligente Roboterarme, sondern eher auf eingebettete „Maschinen in der Fabrikhalle, die Ausfälle vorhersagen und Daten über den täglichen Gebrauch sammeln können, um zu bestimmen, wann Systeme eine vorbeugende Wartung benötigen“, sagte Olsen. „Hier kann die KI zuerst greifen.“

Einige große Chiphersteller stimmen zu. Renesas begann vor drei Jahren zu experimentieren und setzte Mikrocontroller, die KI in Endknoten unterstützen, um Fehler zu erkennen und den Wartungsbedarf in Produktionssystemen in einer seiner Halbleiterfabriken vorherzusagen.

Im Oktober brachte der japanische Chipriese seine ersten MCUs mit dynamisch rekonfigurierbaren Prozessorblöcken für die Echtzeit-Bildverarbeitung auf den Markt. Ziel ist es, Controller zu entwickeln, die 2020 Echtzeit-Erkennung und 2022 inkrementelles Lernen unterstützen können.

Einen ähnlichen Ansatz verfolgt Rivale STMicroelectronics mit seinen STM32-Chips. Im Februar kündigte es ein Deep-Learning-System-on-Chip und einen in Entwicklung befindlichen Beschleuniger an, der teilweise auf die Fehlererkennung in der Fabrik abzielt.

Die intelligenten Roboter werden irgendwann kommen. Das Startup covariant.ai arbeitet zum einen daran, ihnen Reinforcement Learning zu ermöglichen. „Roboter so auszurüsten, dass sie sehen und darauf reagieren, was sie sehen, wird einer der größten Unterschiede sein, die Deep Learning in den nächsten Jahren bewirken wird“, sagte Pieter Abbeel, ein KI-Forscher, der covariant gründete und ein Robotiklabor an der University of California leitet in Berkeley.

Abbeel zeigt atemberaubende Simulationen von Robotern, die mit neuronalen Netztechniken das Laufen lernen, aber es ist noch ein Anfang. „Tatsächlich haben wir teilweise mit der Kovariante begonnen, weil der industrielle KI-Raum noch nicht so überfüllt ist“, sagte er.