Renasas Pionierarbeit: Echtzeit-Continuous AI für Factory Automation

TOKYO — Im Zeitalter Smart Manufacturing ist Künstliche Intelligenz nicht mehr optional; sie ist ein Eckpfeiler. Doch viele Firms kämpfen damit, KI-Theorie in operative Realität zu übersetzen, mangels In-House Expertise und ungewissem ROI. Renesas Electronics definiert den Weg neu mit seiner „Real-Time Continuous AI“ Vision für Operational Technology (OT).

Im Gegensatz zum datengetriebenen, Cloud-zentrierten „Statistical AI“, populär in IT, bettet Renesas' Ansatz KI direkt an Factory Endpoints ein. Dies erlaubt Maschinen, Anomalien zu detektieren und Entscheidungen instantan zu treffen, ohne Round-Trip Latency zur Cloud.

Klicken für größeres Bild

Statistical AI für IT vs. Continuous AI für OT (Quelle: Renesas)

Yoshikazu Yokota, Executive Vice President und General Manager von Renesas' Industrial Solution Unit, erklärte EE Times, dass Embedded AI kritisch für Fault Detection und Predictive Maintenance ist. „Wenn eine Anomalie auftritt, kann Embedded AI lokal und in Echtzeit reagieren“, sagte er. Vor drei Jahren schlug Renesas erstmals „AI at Endpoints“ vor und testete das Konzept in seiner eigenen Naka Halbleiter-Fab.

„Unser Ziel ist es, Real-Time Inference in OT zu ermöglichen, während wir KI-Fähigkeiten am Edge inkrementell erweitern“, fügte Yokota hinzu.

Yoshikazu Yokota, Executive VP bei Renesas, plant Fokus auf Real-Time Inference in OT. (Foto: EE Times)

Durch Einführung von KI in inkrementellen Schritten zielt Renesas darauf ab, Herstellern zu helfen, Proof-of-Concept Projekte schneller abzuschließen und den wahren ROI ihrer KI-Investments zu verstehen.

Wann KI auf OT anwenden

Mitsuo Baba, Senior Director of Strategy and Planning für Renesas' Industrial Solution Unit, betonte, dass KI maximalen Wert liefert, wenn sie klar definierte Probleme targetiert – wie spezifische Produktionslinien-Anomalien. Er illustrierte das Konzept mit einem Szenario: Ein erfahrener Operations Manager kann KI nutzen, um den exakten Moment zu flaggen, in dem ein Defekt beginnt, was den Manager freisetzt, sich auf kritische Interventionen statt Routine-Inspektionen zu fokussieren.

In diesem Modell wird KI einmal auf identifizierte Issues trainiert und führt dann Inference auf Endpoint Devices in Echtzeit durch, eliminierend den Bedarf, Daten zur Cloud zu senden. Baba hob hervor, dass nur 30 KB Daten für Edge Inference ausreichen, verglichen zu den 300 MB typisch für Cloud-basierte Statistical AI.

Renasas championiert daher einen Inference-Only Ansatz, der auf Microcontroller Units (MCUs) laufen kann, existierende Produktionsausrüstung mit einem „AI Unit Solution“ Kit nachzurüsten, anstatt ganze Linien zu überholen.

„Wir konkurrieren nicht mit KI Chip Leadern wie Nvidia“, klärte Baba. „Unsere Mission ist es, ein neues Segment Embedded AI zu pionieren, wo der Data Footprint klein genug ist, um auf konventioneller MCU/MPU Hardware zu laufen.“